《Energy》：Multi-Objective Design Optimization of Educational Buildings Using CatBoost and NSGA-III under Future Climate Scenarios
编辑推荐：
在气候变化加速与能源挑战持续加剧的背景下，提升教育建筑的适应性与可持续性具有关键意义。本研究提出了一个集成多源数据、气候情景模拟、代理建模与多目标优化的框架，以克服传统性能分析方法的局限性。研究采用基于CMIP6的4类共享社会经济路径（SSP，Shared S
在气候变化加速与能源挑战持续加剧的背景下，提升教育建筑的适应性与可持续性具有关键意义。本研究提出了一个集成多源数据、气候情景模拟、代理建模与多目标优化的框架，以克服传统性能分析方法的局限性。研究采用基于CMIP6的4类共享社会经济路径（SSP，Shared Socioeconomic Pathways）情景——SSP1-2.6、SSP2-4.5、SSP3-7.0与SSP5-8.5——下2050年与2080年的逐时气象数据，对夏热冬冷气候区3种典型学校建筑类型（I形、L形和C形）的热环境、采光与能耗性能进行了模拟。研究纳入6项性能指标，包括采光性能指标、建筑能耗强度以及热舒适性评价。基于CatBoost的代理模型将模拟速度提升约180倍，并在处理离散变量时表现出更高精度。集成训练优于单独建模，且能够实现不同建筑类型的同步模拟。在多情景优化中，于NSGA编码中固定气候情景与建筑类型的基因位置，使模型能够更好地捕捉其与设计变量之间的相互作用，从而实现更快且更稳定的收敛。窗墙比、朝向、遮阳构型与墙体材料是决定能耗与热适应性的关键因素，而更大的进深有助于提升舒适性并降低能耗。最优解倾向于东南—正南朝向以及更厚的外墙。该研究为气候不确定性条件下的可持续建筑设计提供了一种可扩展、可解释且具适应性的方法。
该论文发表于《Energy》，围绕未来气候变化背景下教育建筑设计优化这一问题，构建了一个融合未来气候情景模拟、机器学习代理模型与多目标优化算法的综合研究框架，旨在提升学校建筑在长期气候变化中的能源效率、热舒适表现与采光性能。研究背景在于，全球气候变暖与能源危机正在共同推动建筑行业向低碳化、高适应性方向转型。建筑部门是全球碳排放的重要来源，而学校建筑因人员密度高、使用时间规律性强、运行负荷集中，往往具有较高的能源消耗与环境性能优化需求。与此同时，许多既有教育建筑缺乏面向未来气候的设计考虑，若仅依据典型气象年（TMY）数据开展设计与评估，往往无法准确反映建筑在未来寿命周期内的运行性能。特别是在中国夏热冬冷地区，未来温度、湿度和风环境的变化将显著影响教学建筑的制冷、供暖、采光与热舒适表现，因此有必要建立面向未来情景的不确定性响应设计方法。
现有研究虽然已经表明气候变化会显著影响建筑能耗与室内外热环境，但仍存在若干突出问题。首先，多数研究集中于住宅或办公建筑，对教育建筑关注不足。其次，许多工作仅采用单一未来情景或有限气候年份，难以反映未来气候演变的时间变化特征。再次，不少研究更偏向性能评估而非设计优化，难以为建筑方案决策提供直接支持。此外，在建筑性能优化（BPO，Building Performance Optimization）领域，虽然代理模型与多目标优化已广泛应用，但传统方法通常仅针对单一建筑类型建模，且在处理包含大量离散变量与类别变量的设计数据时存在精度不足、训练冗余和可解释性偏弱等问题。基于此，研究人员提出本研究，以应对多建筑类型、多未来气候情景与复杂设计变量并存条件下的建筑性能预测与优化难题。
研究人员以3种典型学校建筑形态——I形、L形与C形——作为研究对象，在夏热冬冷地区背景下，构建了多类型建筑、多情景气候、多个设计变量共同参与的模拟—预测—优化体系。研究采用CMIP6框架下4种共享社会经济路径（SSP，Shared Socioeconomic Pathways）情景，即SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5，并分别生成2050年与2080年的逐时气象数据，用于驱动建筑热工、采光及能耗模拟。研究将6项性能指标作为优化目标与评价依据，涵盖采光表现、建筑能耗强度和热舒适评价。为提高建模效率，研究人员将多建筑类型和多气候情景数据进行统一整合训练，并比较了CatBoost、XGBoost、LightGBM和随机森林（Random Forest）等多种机器学习算法在离散型建筑设计数据上的预测表现。最终，研究采用CatBoost建立代理模型，并结合NSGA-III开展多目标优化，同时引入SHAP（SHapley Additive exPlanations）对输入变量的重要性与作用方向进行解释分析。
研究所采用的关键技术方法主要包括以下几类。首先，基于CMIP6未来气候数据构建2050年与2080年、4类SSP情景下的逐时天气文件，并对3类典型教育建筑开展热环境、采光与能耗模拟。其次，围绕建筑几何、围护结构和遮阳等综合设计变量进行采样，形成多源建筑性能数据集。再次，利用CatBoost等机器学习算法构建代理模型，并通过统一训练方式实现跨建筑类型与跨气候情景的性能预测。最后，将代理模型与NSGA-III多目标优化算法耦合，并通过在遗传编码中固定气候情景和建筑类型的基因位置，提升多情景条件下优化收敛的稳定性与效率；同时借助SHAP分析解释关键设计变量对预测结果的贡献。
在未来气候情景结果方面，研究首先分析了2050年与2080年、不同SSP情景下夏热冬冷地区月尺度气象要素的变化。结果表明，温度在夏季达到峰值、冬季降低，且高排放情景下升温更显著；在SSP5-8.5-2080情景中，夏季温度超过30 °C，而在SSP1-2.6下约为28 °C。冬季温度也在各情景中略有上升，且高排放路径更明显。这说明未来气候变化将显著改变学校建筑的运行边界条件，并强化其热适应性设计的重要性。
在集成优化框架与模型评价方面，研究提出了一个整合多建筑类型、机器学习代理模型和多目标优化算法的综合框架，用于提升教育建筑在不同未来气候下的整体环境性能。研究表明，该框架不仅能够优化设计参数，而且可借助SHAP分析揭示气候因素与设计变量对建筑环境性能的影响机制，从而支持更灵活、更具数据支撑的设计决策。模型比较结果显示，CatBoost在处理高度离散化、类别属性明显的建筑设计数据时具有最优综合表现。与全尺度模拟相比，CatBoost代理模型显著降低了计算时间，模拟速度约提升180倍，同时保持了较高预测精度。研究还指出，集成训练策略优于分别对不同建筑类型或情景单独训练的方式，既减少了重复训练成本，也增强了模型对多类型样本的适应能力。
在多情景优化机制方面，研究针对未来气候条件下建筑设计变量与气候变量耦合复杂的问题，对NSGA-III编码策略进行了改进。通过固定气候情景与建筑类型在遗传编码中的基因位置，优化模型能够更有效地捕捉外部情景因素与内部设计变量之间的交互关系。这一处理使得多目标优化在多情景并行条件下表现出更快、更稳定的收敛特征，说明该方法在应对未来气候不确定性时具备较高的适应性与可扩展性。
在关键设计变量影响方面，研究基于模型解释与优化结果指出，窗墙比、建筑朝向、遮阳配置以及墙体材料是影响建筑能耗与热适应性的核心因素。较大的房间进深则有助于改善热舒适并降低能耗。进一步的最优解分析显示，东南至正南朝向以及更厚的外墙更常出现在优选方案中，说明围护结构热工性能与建筑方位布局是教育建筑气候响应设计中的关键控制点。该结论源于对多种建筑形态与多类未来气候情景的综合分析，因此具有较强的方法论意义与推广价值。
从研究意义看，该论文的突出贡献主要体现在四个方面。第一，研究建立了统一的多建筑类型预测框架，通过整合不同建筑类型与不同气候情景下的数据，实现了多类型学校建筑的统一性能预测与优化。第二，研究将未来气候变化系统地引入建筑设计优化过程，突破了传统TMY或单一情景模拟的局限，使建筑设计更具长期适应性。第三，研究以教育建筑为实证对象，验证了CatBoost在处理类别变量、离散变量以及复杂建筑设计参数方面的优势，并提升了建筑性能代理建模的可解释性。第四，研究通过固定基因位置的动态多目标优化方法，实现了多维气候情景与复杂设计变量的高效联合处理，为未来不确定条件下的建筑设计决策提供了新的技术路径。
讨论部分主要围绕方法体系的有效性、模型的泛化能力以及未来气候响应设计的应用潜力展开。研究表明，传统单类型、单情景和黑箱式方法难以满足复杂建筑设计优化需求，而本研究所提出的集成框架能够在多个建筑类型和多个未来气候情景下保持较好的预测准确性、优化效率和解释能力。特别是在离散变量较多的建筑设计任务中，CatBoost较其他常用集成学习方法展现出更优性能；同时，SHAP分析增强了模型透明度，有助于理解设计变量如何作用于采光、能耗与舒适性目标。研究据此证明，面向未来气候的不确定性设计不应局限于静态性能评估，而应转向融合情景模拟、代理预测与多目标优化的一体化决策支持框架。
研究结论部分可译述为：本研究提出了一个整合多类型建筑数据集与多情景气候数据的综合框架，以克服传统建筑性能优化在单一建筑类型、单一气候情景以及类别变量处理不足方面的局限。通过整合4种未来气候情景与2个时间阶段的模拟数据，该框架能够捕捉气候变化条件下建筑性能的动态变化趋势。以学校建筑为案例的研究表明，CatBoost在类别变量处理、建模效率和预测精度方面具有明显优势。多情景多目标优化结果进一步证明，通过在NSGA编码中固定气候情景和建筑类型的位置，可以有效增强优化过程对复杂变量交互关系的表达能力，并提升收敛稳定性。整体而言，该研究为未来气候不确定性条件下教育建筑的可持续设计提供了可扩展、可解释且具有适应性的技术框架，并为气候响应型建筑设计提供了数据驱动的决策依据。
