《Buildings》:Reinforcement Learning-Based Design Approach for Kinetic Facades in ICU Rooms: Enhancing Patient Comfort and Visual Conditions
编辑推荐:
重症监护病房(ICU)在现代医院中发挥着关键作用。ICU患者常处于严重的身心应激状态,因此有必要营造一种能够减轻压力并促进康复的疗愈环境。在常见环境参数中,光环境尤为关键,因为患者通常面临行动能力受限和体位受限等问题。具有可调外遮阳构件的动态立面因其能够有效调
重症监护病房(ICU)在现代医院中发挥着关键作用。ICU患者常处于严重的身心应激状态,因此有必要营造一种能够减轻压力并促进康复的疗愈环境。在常见环境参数中,光环境尤为关键,因为患者通常面临行动能力受限和体位受限等问题。具有可调外遮阳构件的动态立面因其能够有效调节日照而受到关注。然而,这类系统的复杂性也给设计与实施带来了挑战。该研究提出了一种基于强化学习(RL)的方法,采用Q-learning处理离散立面构型,并在变化的太阳条件下实现自适应控制,以优化ICU病房中的立面构型。该方法旨在:(1)降低直射阳光眩光与热量;(2)最大化景观视野。以Providence Alaska Medical Center为案例的研究表明,该方法通过模拟实现了眩光与得热的降低,并提升了景观视野可达性。结果凸显出强化学习(RL)在应对ICU特定环境挑战方面的潜力。
该论文发表于《Buildings》,聚焦重症监护病房(ICU)这一高度特殊的医疗空间,讨论如何通过动态立面(kinetic facades)设计改善患者的舒适性与视觉环境。研究背景在于,ICU患者通常病情危重、住院周期较长,且常伴随行动受限、体位固定、昼夜节律紊乱和心理压力增加等问题,因此病房环境不仅是物理容器,更直接关系到康复质量。既有研究已指出,自然采光、窗外景观、昼夜节律支持性照明等因素对患者恢复具有积极影响;但与此同时,ICU空间中的直射阳光、局部过热和眩光又会造成额外不适,甚至与某些治疗需求相冲突。尤其在高纬度地区,低太阳高度角与极昼现象会增强直射日光持续时间与干扰强度,使传统静态窗体与固定遮阳策略难以在“遮挡阳光”和“保留视野”之间取得稳定平衡。现有ICU光环境研究多集中于室内人工照明系统、静态窗设计或昼夜节律导向的照明干预,而对可随环境变化持续响应的自适应建筑表皮研究相对有限;另一方面,强化学习(RL)虽已在建筑性能优化、空间生成和环境控制中展现出处理复杂多目标问题的能力,但其在医疗建筑、尤其是ICU动态立面设计中的应用仍属不足。正是在这一问题背景下,研究人员提出了面向ICU病房动态立面的基于强化学习的设计方法,希望在变化的太阳条件下同时降低患者床位区域的直射阳光暴露,并尽量保留患者对外部景观的视野。
研究人员以美国阿拉斯加州安克雷奇的Providence Alaska Medical Center为案例,建立了一个针对ICU病房外窗动态遮阳系统的优化框架。该研究将窗面完全纳入动态立面覆盖范围,并采用由400 mm × 400 mm方形折叠面板组成的规则网格系统。每个面板可向四个不同方向折叠,因此整体构型空间极其庞大。研究将设计目标设定为三类:优先减少景观视野遮挡、优先减少患者床面直射阳光暴露,以及兼顾上述两项目标。研究结论表明,基于Q-learning的强化学习模型能够在这一高维离散构型空间中有效寻找更优的立面折叠方案;与纯水平折叠、纯垂直折叠及随机生成立面相比,RL生成立面在视野遮挡和直射阳光控制两方面总体表现最佳,尤其在接近夏至的高太阳暴露阶段优势更为明显。研究还显示,该方法可适配镜像ICU布局,在不同病床与窗户相对关系下产生相应优化方案。其重要意义在于:该研究不仅为ICU这类特殊医疗环境提供了兼顾采光控制与景观保留的设计路径,也证明了强化学习在建筑早期自适应表皮设计中的实用潜力,并提出了一个计算效率较高、适合持续迭代优化的工作流程。
就主要技术方法而言,研究人员首先选取Providence Alaska Medical Center的ICU病房作为案例对象,分别考虑常规布局与镜像布局;随后构建由方形折叠遮阳单元组成的动态立面参数体系,并将面板折叠方向作为核心优化变量;算法层面采用基于马尔可夫决策过程(MDP,Markov Decision Process)的Q-learning,通过Q表迭代更新求解多目标构型优化;性能评估层面未采用Radiance或EnergyPlus等高计算成本物理仿真,而是结合Python 3与Grasshopper脚本建立轻量化几何投影模拟,以患者视点景观遮挡比例和患者床面日照投影面积作为评价指标,并利用阿拉斯加安克雷奇真实气象数据开展长时段模拟比较。
在研究结果部分,论文依次呈现了以下内容。
4.1. Generated Facade Designs Under Different Objectives
这一部分主要说明在不同设计目标下,强化学习模型能够生成差异化且具有针对性的动态立面方案。研究人员首先设定并反复调整学习率、折扣因子以及奖励函数系数,使模型训练过程与设计目标一致。训练结果表明,随着训练轮次增加,智能体(agent)逐渐趋于稳定,并更有可能获得更低评价值的设计结果,即在降低患者床面直射阳光和减少景观遮挡方面取得更优综合表现。进一步地,针对“兼顾视野与遮阳”“优先遮阳”“优先保留视野”三类目标,模型均生成了对应的最优立面构型。研究特别指出,在常规动态立面设计中,向上折叠面板通常较少使用,因为其遮阳效率有限;但在ICU环境下,由于患者视点较低,向上折叠反而更有利于减少景观遮挡。强化学习模型能够在不增加额外直射阳光暴露的前提下合理采用该类折叠方式,体现出对特殊使用场景的适应能力。除此之外,研究还将镜像ICU布局纳入训练,结果显示,当病床与窗户关系发生镜像变化时,模型会相应调整垂直折叠面板方向,以进一步减少对患者视野的阻挡。这说明该方法并非仅适用于单一平面条件,而具有一定的空间布局适应性。
4.2. Performance Comparison of Facade Configurations
这一部分通过模拟实验比较了多种立面构型的性能差异。研究人员将RL生成立面与纯水平立面、纯垂直立面以及随机生成立面进行对照,分别评估其在视野遮挡和直射阳光暴露方面的表现。结果表明,RL生成立面在两个评价维度上整体优于其余三类方案,说明强化学习优化所得到的折叠构型能够更有效地兼顾遮阳控制与视野保留。研究还发现,RL立面的优势在接近夏至时期最为显著,这与训练阶段以夏至附近太阳条件作为主要采样情境有关,因此模型更能识别并学习峰值太阳暴露条件下的有效构型。相较之下,在远离夏至的时间段,不同立面之间的性能差异有所缩小,部分基准方案在个别时段也可能获得较好结果;但从整个评估周期看,RL生成立面仍保持总体最优。这一结果说明,该方法不仅在极端高照射条件下具有针对性优势,也在较长时间尺度上展现出较稳定的综合性能。
在讨论与总结层面,论文的核心贡献主要体现在三个方面。其一,在方法论上,研究构建了一个面向ICU动态立面优化的强化学习设计框架。与传统基于规则的控制或静态设计不同,该框架将环境评价与迭代学习耦合起来,使系统能够在多目标约束下持续寻找更优构型。其二,在建筑应用层面,研究证明了强化学习优化可被引入具有高度专门化环境需求的医疗建筑中,并通过Providence Alaska Medical Center案例展示了动态立面系统在高纬度ICU环境中缓解眩光相关问题、同时保留日光和外部视野的应用潜力。其三,在实践层面,研究提出了将Python强化学习与Grasshopper几何环境评估结合的轻量化流程,以投影几何分析替代高成本物理仿真,从而满足强化学习数千次迭代所需的实时反馈与计算效率要求。
论文也明确指出了研究局限。首先,本研究中的强化学习优化范围仅限于若干关键设计参数,未来可进一步纳入更多变量,以增强系统适应性与设计性能。其次,景观视野评价仅考虑遮挡面积,并未纳入外部景观质量差异,后续研究可对视域中的景观进行质量分区并赋予不同权重。再次,当前验证方式主要依赖计算机模拟,未来应结合实体测试检验真实环境表现。最后,该研究聚焦高纬度地区案例,其太阳条件具有显著特殊性,因此后续还需在不同地理位置与气候条件下验证方法的普适性。
研究结论部分可译为:该研究从三个主要方面对ICU设计研究和计算建筑设计作出了贡献。首先,在方法层面,研究提出了一种用于ICU环境中动态立面优化的基于强化学习(RL)的设计框架。不同于传统基于规则或静态的立面设计方法,该框架将自适应环境评估与迭代式强化学习相结合,使系统能够在减少直射阳光与保留外部景观视野等多个相互竞争目标之间实现平衡。其次,在建筑应用层面,研究展示了基于强化学习的优化如何适用于具有特殊环境需求的医疗建筑。通过Providence Alaska Medical Center案例,研究表明动态立面系统有潜力应对高纬度ICU环境中的眩光相关问题,同时维持患者获得日光与外部视野的机会。第三,在实际设计层面,研究提出了一种结合Python强化学习与Grasshopper几何环境评估的计算高效型工作流程。通过采用轻量化的投影式模拟方法,该框架能够兼容需要持续环境反馈的迭代优化过程,为早期阶段的自适应立面探索提供了一种可行路径。