联邦学习与数字孪生技术在城市建筑更新的全生命周期优化中的应用

《Scientific Reports》：Federated learning and digital twins for lifecycle optimization in Urban building renewal

　　

摘要

中国城市基础设施的老龄化问题亟需借助计算智能与优化生命周期管理方法来推动改革。目前的建筑翻新方式由于缺乏实时运行数据与预测性生命周期管理之间的有效衔接，尤其是在隐私保护以及异构环境下的多建筑管理方面存在局限。本文提出了一种融合联邦深度强化学习与行为数字孪生的模拟框架，旨在将中国建筑转变为智能建筑。该框架由三层系统构成：物理层在分布式建筑群中部署基于物联网的传感网络；数字孪生层实现BIM模型与实际运营模型的实时同步，并借助激光雷达提升几何精度；智能层则通过考虑隐私因素的联邦近似策略优化来实现分布式决策。该框架通过整合能够响应人员变动、能源消耗及结构老化情况的持续学习机制，弥补了固定3D模型与动态行为建模之间的差距。对中国城市住宅社区的模拟研究表明，该方案能够降低27.3%的生命周期运营成本，在保持相同舒适度的前提下提高34.6%的能源效率，还能通过碳纤维增强材料优化提升39.7%的结构完整性预测精度。采用联邦学习架构还可实现5.8%的成本节省和6.2%的碳排放减少，为中国的城市化进程提供可扩展且注重隐私保护的更新决策支持。