可泛化的年度日光照明性能预测：针对分隔式室内空间的统一场编码方法

《ENERGY AND BUILDINGS》：Generalizable annual daylighting performance prediction: Unified-field encoding for partitioned interiors

　　肖坦|王瑞迪|边宇|谢家红
华南理工大学建筑学院//亚热带建筑与城市科学国家重点实验室，中国广东省广州市

**摘要**
本研究提出了一种基于物理原理的替代框架，用于预测年度日光性能，该框架以分阶段的方式整合了多种日光驱动因素。在模拟工作流程中，室内隔断通过遮挡和相互反射改变日光传输，但这些效应在基于学习的预测流程中往往未能得到充分体现。为此，每个被分隔的房间被编码为一个六通道张量，包括一个与几何形状对齐的三通道多通道混合场（MHF）和一个三通道语义掩码。使用基于辐射度的年度日光模拟作为程序生成的单房间数据集的真实值，训练了一个条件生成对抗模型来预测日光自主性（DA）的空间分布。在保留的布局上进行测试时，该模型获得了持续的高保真度（FSIM = 0.946，RMSE = 0.046，MAE = 0.015），同时显著减少了模拟所需的运行时间。结果表明，所提出的几何对齐编码在测试条件下提高了预测的保真度，并适用于早期设计阶段的快速比较评估。

**引言**
日光与建筑中的能源使用、视觉舒适度和昼夜节律健康密切相关[1]、[2]、[3]。然而，在分隔的室内环境中，日光的空间分布不仅取决于房间大小和开口位置，还取决于内部墙壁如何重新导向、遮挡和衰减光传输。在早期设计工作流程中，这些与隔断相关的效应通常被简化或仅部分表示，这使得难以保留对布局比较和设计迭代最重要的日光模式。

基于物理的模拟（例如基于辐射度的工具链）仍然是高保真度评估的参考方法[4]、[5]。然而，在早期设计中的使用受到建模工作量、模拟时间以及在有限的决策窗口内评估许多布局变体的限制[6]、[7]。这激发了对从预计算样本近似模拟输出的替代模型的兴趣日益增加[8]、[9]。最近的研究报告称，在保持决策有用准确性的同时，尤其是使用深度学习架构时，速度得到了显著提升[10]、[11]。

当前日光替代模型的核心难点不在于预测速度，而在于表示控制日光传输的建筑条件。一旦内部隔断开始重塑封闭空间、开口可见性和反射光交换，由此产生的日光自主性（DA）场就会出现屏蔽穿透区、突然的空间过渡和局部集中的峰值，这些特征难以被传统编码方法保留。现有的基于学习的预测器对于规则化的房间和简化的平面条件仍然有效，但当日光行为受到隔断引起的遮挡、房间内材料差异和空间异质性分割的影响时，它们的可靠性会减弱。本研究通过一种基于物理原理的替代框架来解决这种表示缺陷，用于预测分隔室内环境的DA空间分布。该框架的核心是一种多通道混合场（MHF）编码策略，它在共享的空间网格上表示封闭空间、曝光度、开口效果和光学响应，以实现图像到图像的学习。

在过去十年中，追求高效、可扩展和具有上下文感知的日光预测的方法论经历了显著的发展。早期基于机器学习（ML）的研究通常将此任务视为一个参数驱动的回归问题，其中从包括房间尺寸、方向和玻璃比例在内的简化描述符中推断出标量日光指标[12]、[13]、[14]、[15]。虽然这些模型在定义明确的类型学中展示了令人满意的准确性，但它们对抽象特征向量的依赖性可能会限制对细粒度空间交互的表示，尤其是在训练所用类型学之外的情况[8]、[9]。

在过去十年中，深度学习扩展了可以从设计数据中学习的空间表示范围，特别是当布局语义和几何模式无法通过低维描述符充分描述时[16]。其主要优势在于层次化特征提取，这使得可以直接从大型图像或多模态数据集中学习空间结构。卷积神经网络（CNN）在从建筑平面图中编码几何模式方面特别有效，为基于空间的日光预测提供了可扩展的基础[17]。扩展这一范式，条件生成对抗网络（cGAN），特别是基于Pix2Pix的架构，已被广泛用于通过图像到图像的学习将建筑布局图像转换为空间日光性能图[7]、[18]、[19]、[20]。这些模型在成对的平面-性能数据集上训练后，能够生成高分辨率的日光图，具有很强的结构相似性，通常可以在现代GPU上实现实时推理，非常适合早期设计中的快速、可视化的反馈。

早期的基于ML的日光模型通常将建筑设计简化为一组可以轻松变化的数值特征，并将其输入回归或神经网络。例如，Nourkojouri等人生成了数千个“鞋盒”房间案例，并记录了房间尺寸、窗户数量/大小、方向、表面反射率和遮阳条件等参数作为每个案例的特征向量。同样，Alsharif等人使用关键几何指标（如窗户与墙的比例WWR）作为输入向量，并添加了“内部饰面”类别以提高真实性[14]。这种方法提供了显著的简单性和低输入维度，从而在使用结构化表格数据集时便于模型训练。然而，直接的参数向量在泛化到初始设计条件之外时往往面临挑战，尤其是在遇到多样化的室内布局、异质材料或不同窗户配置时。为了解决这一限制，一些工作派生出了嵌入空间逻辑的工程特征。Lin和Tsay提出了一个“元模型”，将立面设计预处理为中间指标。例如，量化可见天空角度或分布窗户开口，而不是使用原始尺寸[21]。Le-Thanh等人同样计算了每个传感器到最近窗户或障碍物的距离等特征[22]。

虽然这些丰富的向量可以通过结合选定的空间关系来提高泛化能力，但它们仍然是对底层几何的低维抽象。这样的表示不可避免地省略了某些细粒度的空间细节，包括局部遮挡、微妙的开口位置和异质材料分布，这对于准确模拟复杂布局中的日光行为至关重要。为了保留更多的空间复杂性，研究人员转向了建筑几何的图像表示方法。平面图或剖面图被转换为2D网格（类似于像素矩阵），CNN可以直接处理。一个典型的例子是He等人的工作，他们在一千多张平面图图像（包括合成和真实的）上训练了深度模型来预测日光性能[17]。在他们的概念验证研究中，ResNet50 CNN学会了将原始平面图像映射到汇总指标（平均照度、均匀性和成功率），并使用Pix2Pix生成模型将平面图图像转换为完整的照度分布图。

基于图像的编码的一个关键优势在于它们的表现力：单张图像可以同时表示墙壁、窗户和房间形状，使模型能够捕捉用有限数量的数值参数无法描述的复杂配置。最近的进展通过将3D几何展开为2D图像进一步推动了这一理念。例如，Wang等人通过将每面墙的开口转换为二进制矩阵，并使用这些图像作为ANN输入，解决了任意窗户排列的问题，在不同的窗户形状和位置上展示了高精度[18]。其他基于图像的编码包括假彩色照度图：Dieguez等人将每个测试房间的平面图及其对应的日光系数结果转换为128×128像素的图像对，然后训练Pix2Pix GAN来学习从布局到日光结果的转换[6]。同样，Liu等人展示了有限数量的渲染HDR鱼眼图像可以作为输入，用于深度网络来预测全年的照度图，基本上使用少数样本图像来编码辐射环境[23]。

总体而言，基于图像的编码在捕捉几何细节和光分布模式方面表现出色；它们有效地将房间呈现为网络的“图像”。然而，这种表现力通常需要精心标准化的数据集和更高的计算需求。此外，基于CNN的模型通常需要更大的训练数据量和计算资源。当单独使用时，图像编码本身无法揭示非空间因素；材料或气候的变化通常需要明确的条件或多模态设计。在实践中，许多纯图像驱动的模型假设气候和材料属性是固定的，从而将辐射变量的负担转移到输出数据上，或者需要为每种气候分别建模。

为了同时捕捉空间图像的丰富性和非视觉变量的精确性，最近的研究采用了多模态输入策略。在混合模型中，建筑设计由多种模态描述，通常是图像（用于空间布局）以及一组附加参数（用于材料、气候或其他上下文）。Li等人引入了一个基于GAN的替代模型，将空间灰度“日光潜力”图像与数值数据（反射率、透射率、天空条件）相结合，实现了对不同住宅布局的全面预测，并具有较高的保真度（SSIM ≈ 0.91）[24]。同样，Le等人构建了一个“混合输入”网络，将手绘的平面图草图作为输入，另一组数值属性（如场地方向、窗户大小等）作为另一个输入，从而可以直接从建筑师的草图中进行实时日光分析[25]。在视觉舒适度方面，Li等人训练了一个多模态模型，结合了亮度图像和数值照明指标来共同预测眩光指数（如DGP），甚至生成了合成鱼眼视图[7]。

这些研究表明，当空间布局和辅助变量都对目标输出相关时，多模态编码可以改善日光预测[16]。同时，多模态模型在表示对齐和特征融合方面引入了额外的设计选择。维度差异、语义粒度和表示尺度之间的差异可能会削弱集成质量，融合策略也会直接影响稳定性和预测性能[16]、[26]。

如表1所示，现有研究展示了与目标日光指标的分辨率和范围相一致的方法论分层。参数向量输入在有用日光照度（UDI）和空间日光自主性（sDA）预测等任务中仍然被广泛采用，特别是在受限或规范布局条件下，因为它们具有计算效率和数据获取的便利性。相比之下，基于图像的编码，特别是那些从语义掩码或渲染照度图派生的编码，主要用于空间明确的预测任务，包括日光分布图和每点照度估计。最近，多模态框架的兴起反映了将空间拓扑与材料、气候或操作属性结合的趋势，特别是在具有内部隔断、异质表面或多开口立面的复杂环境中。这种演变强调了没有一种通用的编码解决方案：任何表示的预测效果从根本上取决于其匹配目标指标所需的维度、空间粒度和物理可解释性的能力。

尽管方法论取得了进步，现有的基于ML的日光预测方法仍存在三个限制：
(1) 大多数现有模型是在规则化的房间或规范平面图上开发的，其中内部隔断在重新导向、遮挡和重新分配日光方面的作用在结构上受到限制。
(2) 在许多研究中，光学属性是固定的、全局分配的，或者仅作为辅助变量添加，这限制了房间内材料效应的空间区分，特别是在隔断表面附近。
(3) 当前的深度学习替代模型通常通过经验风险最小化进行优化，而没有明确的几何先验或约束。缺乏这种指导会降低方法在应用于与训练分布显著不同的空间配置时的鲁棒性。

由此产生的限制不仅仅是平均预测准确性的降低。当布局变得空间异质时，难以保留的是日光图本身的结构组织。窗户相邻的高价值区域、狭窄的穿透走廊以及内部隔断引入的突然过渡在预测过程中更容易被平滑、位移或减弱。这个问题在早期布局评估中尤为严重，因为替代模型的实际价值取决于它是否能够保留建筑分割的空间后果，而不仅仅是再现房间级别的趋势。这些考虑激发了开发一个基于场的编码框架的动机，该框架在共享的分析网格上组织几何、光学和开口相关信息，并为学习模型提供与日光传输相一致的空间先验。

为了解决现有机器学习日光预测替代模型中对内部隔断处理不足的问题，本研究提出了一种基于物理原理的框架，用于预测分隔单房间布局中的DA空间分布。核心目标是建立一种输入表示，保留与日光传播最相关的空间结构，从而使图像到图像的预测在具有不同内部分割模式的布局中保持鲁棒性。每个布局都被编码为一个与几何形状对齐的多通道表示，其中与日光相关的标量场与语义结构掩码共同注册。