《Results in Engineering》：A Comparative Study of Multi-method Prediction of Indoor Wind Comfort in Residential Buildings Based on High-sensitivity Morphological Characteristics
编辑推荐：
随着自然通风在节能减排和居民健康方面的重要性日益凸显，在早期设计阶段准确预测室内通风舒适度已成为住宅设计的核心环节。本研究旨在揭示对室内舒适风区比率有显著影响的住宅单元形态特征，并对其进行快速预测。首先，基于流体力学理论，研究人员假设了六个影响室内舒适风区比率
随着自然通风在节能减排和居民健康方面的重要性日益凸显，在早期设计阶段准确预测室内通风舒适度已成为住宅设计的核心环节。本研究旨在揭示对室内舒适风区比率有显著影响的住宅单元形态特征，并对其进行快速预测。首先，基于流体力学理论，研究人员假设了六个影响室内舒适风区比率的形态特征参数，构建了天津市920个常见单元的数据库，并应用计算流体动力学（CFD）模拟样本单元的舒适风速室内面积比。其次，通过控制变量分组实验证实，室内舒适风速面积比与形态特征参数之间存在显著相关性，并呈现复杂的非线性耦合关系，但规律不一致，无法用数学公式描述。第三，通过随机森林的特征重要性排序方法，得出四个高敏感性形态特征参数，包括单元离地高度、进风口与出风口面积比、进风口角度和隔墙密度。然后，应用支持向量回归（SVR）、多层感知机回归（MLPR）和梯度提升回归（GBR）三种机器学习算法构建高敏感性形态特征参数与室内舒适风区比率的预测模型。拟合结果表明，GBR模型在预测性能上显著优于SVR和MLPR模型，展现出优越的稳定性和准确性。具体而言，GBR模型测试集的均方根误差（RMSE）相比SVR和MLPR分别降低了21.1%和17.8%；平均绝对误差（MAE）分别降低了22.4%和20.8%；决定系数（R2）分别提高了21.7%和69.7%。最后，通过30个未采样的单元对GBR预测模型进行验证，结果显示平均相对误差为8.16%，95%置信区间为5.61%至11.38%，具有统计学显著性，预测结果可靠。
**论文解读：基于高敏感性形态特征的住宅建筑室内风舒适度多方法预测研究**
**一、研究背景与问题**
随着城市化进程加速和能源消耗增加，营造良好的自然通风环境对节能减排和居民健康至关重要。自然通风的合理利用不仅能降低建筑能耗，还能改善城市居民健康状况，对城市可持续发展具有积极意义。然而，在早期设计阶段准确预测室内通风舒适度成为住宅设计的关键环节。当前研究存在以下问题：首先，室内自然通风舒适度评价指标缺乏统一标准，常用指标包括舒适风区比率、平均风速、每小时换气次数和空气龄等，但不同指标适用场景不同，舒适风区比率能直接评价室内风环境舒适度，适合本研究。其次，已有研究多关注单一或典型房间的形态参数（如建筑朝向、窗洞面积、房间进深等）对通风性能的影响，但实际住宅单元类型多样，缺乏对单元整体形态特征与通风性能普遍关系的研究。最后，传统CFD模拟方法复杂耗时，而机器学习技术可构建数据驱动代理模型，在保持精度的同时大幅提升预测效率。现有非线性回归方法（如SVR、GBR等）的适用性和准确性尚需比较。因此，本研究旨在提出一种适用于住宅建筑室内舒适通风性能快速预测的模型，将室内布局纳入形态特征参数，并将研究对象扩展至多种户型，通过对比三种机器学习算法，构建高精度预测模型，辅助设计师在方案阶段进行决策。
**二、主要技术方法概述**
本研究基于流体力学理论假设了六个形态特征参数（单元离地高度、进风口角度、进风口与出风口面积比、长宽比、隔墙密度、通风阻碍度），构建了天津市920个常见两居室和三居室单元的数据库（样本来源：天津市六城区，通过爬取房产信息网站获取），采用ANSYS Fluent软件进行CFD稳态模拟（标准k-ε湍流模型，SIMPLE算法），模拟风速采用梯度风公式（参考天津夏季高频东南风向，风速2.5 m/s）。通过控制变量分组实验验证非线性关系，利用距离相关性分析验证参数与舒适风区比率的显著性，采用随机森林（RF）特征重要性排序筛选高敏感性参数，最后应用支持向量回归（SVR）、多层感知机回归（MLPR）和梯度提升回归（GBR）三种算法构建预测模型，并通过网格搜索结合五折交叉验证优化超参数，以独立测试集和30个未采样单元进行验证。
**三、研究结果**
**4.1 不一致的非线性关系**
通过从数据集中提取四种通风类型的典型单元（A、B、C、D），进行控制变量分组实验（每个参数设置5个水平，共120次模拟），结果表明：每个形态特征参数与舒适风区比率均呈现非线性或更复杂的关系，且不同典型单元的变化趋势不一致，无法用统一线性关系描述。
**4.2 相关性验证**
从数据集中提取30个两居室和三居室单元，通过改变六个形态特征参数扩展至234个单元，进行CFD模拟。距离相关性分析显示，六个形态特征参数均与舒适风区比率存在显著相关性（p<0.05或p<0.01），假设成立。但部分变量间存在相关性（如隔墙密度与通风阻碍度、长宽比），需进一步筛选重要变量。
**5.3 高敏感性形态特征参数**
采用随机森林（RF）模型（最佳超参数：树数500，叶节点数1）重复计算500次特征重要性得分，结果表明：四个高敏感性参数（重要性均值>0.15，总贡献率近80%）依次为单元离地高度、进风口与出风口面积比、进风口角度、隔墙密度；长宽比和通风阻碍度影响较小，可忽略。
**6.3 三种预测模型性能比较**
以600个扩展单元（8:2划分训练集与测试集），通过网格搜索五折交叉验证优化超参数后，测试集拟合结果显示：GBR模型预测值更接近45°完美拟合线，其RMSE比SVR和MLPR分别降低21.1%和17.8%，MAE分别降低22.4%和20.8%，R2分别提高21.7%和69.7%，综合性能最优。
**6.4 预测模型验证**
选用30个未参与训练的常见住宅单元进行验证，GBR模型预测值与CFD模拟值的平均相对误差为8.16%，95%置信区间为5.61%~11.38%，在统计学可接受范围内（平均相对误差分级标准中良好预测范围为10%~20%，本研究设定为15%），预测结果可靠。但部分测试组（如第4组，进风口面积比0.5、进风口角度30°）因接近参数极值，误差较大，应用时需谨慎。
**四、讨论与结论**
**讨论部分：**
研究人员从物理机制角度解释了特征重要性排序：外部形态参数（离地高度、进风口角度、进风口与出风口面积比）直接影响风压差或通风量，其影响显著强于内部布局参数（隔墙密度、长宽比、通风阻碍度）。离地高度与风速呈指数关系（指数0.3），进而影响风压差（与风速平方成正比）；进风口面积直接增大通风量；进风口角度越接近90°（垂直入射），通风量越大。内部布局参数通过空间组织调节风速分布，隔墙密度影响风速衰减，长宽比变化范围小（0.7~1.43）导致影响较小，通风阻碍度受进风口角度和门窗相对位置影响而自身作用不显著。此外，GBR模型作为黑箱模型限制了工程应用，未来可结合Kolmogorov-Arnold网络和符号回归提取显式计算公式。本研究可为住宅单元多目标优化（如能耗、碳排放、热舒适、风舒适）提供夏季舒适风区比率最大化的判据，但需注意自变量不连续及相互关联，需结合拓扑约束和智能优化算法（如多智能体深度强化学习）生成最优解。未来还可利用迁移学习算法，通过20~50个目标域样本微调模型，适应其他气候区，但需注意建筑类型差异（如板式住宅与塔式住宅）带来的风险。
**结论部分翻译：**
首先，本研究基于流体力学理论假设了六个影响舒适风区比率的形态特征参数。然后，相关性分析确认了它们与该比率的显著关联，验证了假设。此外，通过控制变量分组实验进一步证明，在四种通风类型的住宅中，舒适风区比率与形态特征参数之间存在复杂的非线性耦合关系，且规律不一致。这表明因变量与自变量之间的关系无法用数学公式描述。
其次，随机森林权重分析结果表明，影响舒适风区比率的形态特征参数排序为：单元离地高度、进风口与出风口面积比、进风口角度、隔墙密度、长宽比和通风阻碍度。由于前四个形态特征参数的平均重要性得分均超过阈值0.15，且总贡献率接近80%，因此它们被识别为高敏感性形态特征参数，即预测模型的自变量。
最后，通过比较SVR、MLPR和GBR三种机器学习方法的拟合性能，结果表明GBR在RMSE、MAE和R2的综合评价指标上优于其他两种方法，具有更高的预测准确性和更好的模型可解释性。随后，应用误差统计检验方法验证了GBR模型的误差范围有95%的概率落在5.61%至11.38%之间，进一步从统计学意义上证明了模型的预测稳定性和准确性。
总之，本研究为天津市高层住宅建筑室内风舒适度提供了一个快速预测模型，有助于建筑师在住宅初步设计阶段和现有住宅通风舒适性优化中做出决策。
