基于物理原理的多模态深度学习在绿色建筑围护结构热性能预测中的应用
《BUILDING AND ENVIRONMENT》:Physics-guided multimodal deep learning for thermal performance prediction of green building envelopes
【字体:
大
中
小
】
时间:2026年08月07日
来源:BUILDING AND ENVIRONMENT 8.4
编辑推荐:
摘要
城市化进程加剧了城市热岛效应,导致建筑能耗持续上升。绿色建筑围护结构作为一种有效策略,有助于减轻建筑的热负荷并提升城市环境的可持续性。本研究提出了一种基于物理原理的多模态深度学习方法,用于预测绿色建筑围护结构的降温性能。该多模态框架通过跨模态注意力、自注意力融合以及门控
摘要
城市化进程加剧了城市热岛效应,导致建筑能耗持续上升。绿色建筑围护结构作为一种有效策略,有助于减轻建筑的热负荷并提升城市环境的可持续性。本研究提出了一种基于物理原理的多模态深度学习方法,用于预测绿色建筑围护结构的降温性能。该多模态框架通过跨模态注意力、自注意力融合以及门控融合机制,从热图像、可见光图像和气象参数中提取并整合数据特征。此外,研究还提出了结合Hargreaves–Samani模型与Penman–Monteith–Unsworth模型的传热公式,用于构建物理指导型神经网络(PINNs),使物理约束能够引导模型的学习过程。为保持物理可解释性,植被太阳吸收率(α)、长波辐射率(ε)、Hargreaves系数(CH)以及基底热导率(k)这四个关键参数被设为可学习参数,并在训练过程中动态估算。实验结果表明,该多模态方法的性能显著优于单一模态方法(R2=0.908,RMSE=1.661,MAE=1.166)。为验证模型在训练数据之外的泛化能力,研究使用了2025年12月收集的独立验证数据集。测试结果(R2=0.854,RMSE=1.180,MAE=0.970)表明,这种基于物理原理的多模态深度学习方法提升了建筑能耗的量化水平,为绿色建筑围护结构的可持续设计提供了方法论基础。
引言
城市化已成为全球发展的显著趋势,大城市的数量以前所未有的速度增长。联合国预计,到2050年,全球三分之二的人口将居住在城市地区[1,2]。随着建筑环境的快速扩张,城市中不透水表面的比例不断上升,与此同时,植被覆盖率则有所下降[3]。这一变化加剧了城市热岛效应,因为建筑表面会吸收并储存太阳辐射,随后将这些热量重新释放到周围大气中,从而导致城市气温持续升高[[4], [5], [6]]。根据国际能源署的数据,建筑约占全球最终能源消耗的40%,其中很大一部分用于机械冷却的电力需求[7,8]。因此,减少建筑表面的热量吸收对于降低建筑能耗至关重要[9,10]。绿色建筑围护结构的应用在这方面展现出巨大潜力,因为植被表面能够显著减少热量吸收,从而带来显著的节能效果,使其成为提升城市环境可持续性的重要策略[11,12]。绿色建筑围护结构主要分为两类:绿色屋顶和绿色墙体。这两种系统都已被证明能有效应对城市化带来的各种环境问题,包括降低能耗、缓解城市热岛效应、吸收二氧化碳、减少雨水径流和洪水风险,以及改善空气质量与城市生活条件[[13], [14], [15]]。因此,准确量化绿色建筑围护结构对建筑表面的降温效果,对于评估建筑的节能潜力具有重要意义[16,17]。已有研究表明,可通过在绿色屋顶基底中嵌入热电偶传感器,来测量其对下方建筑结构的降温效果[18,19]。Herfort和Grüneberg[20]使用Testo 174H温度数据记录仪,检测不同基底深度处的温度,从而计算降温性能。Vertal等人[21]则利用Comet Pt1000传感器,监测不同屋顶结构下的温度分布。然而,依赖离散点传感器的现场测量方法存在空间覆盖范围有限的缺陷,难以完整反映建筑围护结构表面的整体热量分布。此外,由于植被生长的空间异质性,单个测量点获取的数据可能无法准确体现整个系统的降温性能。
除了现场测量之外,数值模拟方法也被广泛用于评估绿色建筑围护结构的降温性能[[22], [23], [24]]。Scolaro和Ghisi[24]以及Wu等人[25]使用EnergyPlus软件,模拟了不同绿色屋顶材料、基底厚度及植被种类对建筑降温效果和节能效果的影响。Dahanayake和Chow[26]同样利用EnergyPlus,估算了香港不同类型建筑在不同场景下的年度降温负荷减少量。Morakinyo等人[27]通过结合ENVI-met与EnergyPlus模拟进行参数研究,探讨了四种不同类型的绿色屋顶在四种不同气候条件及三种不同城市密度下的室外与室内温度以及制冷需求的变化情况。Iaria和Susca[28]运用ENVI-met模拟,评估了绿色屋顶和绿色墙体在缓解城市热岛效应方面的作用。Polo-Labarrios等人[29]则开发了一个瞬态数学模型,用于描述绿色屋顶系统内的热传导机制。不过,基于物理原理的模型其准确性在很大程度上取决于输入参数的质量[30,31]。那些影响绿色建筑围护结构性能的关键生物物理参数,如植被叶面积指数和基底含水量,本质上具有时变性和随机性。在实际应用中,要获得这些参数的精确实时值十分困难,尤其是在较长的模拟周期内,这往往会导致模型预测结果与实际系统行为之间存在较大差异[32,33]。
近年来,数据驱动的深度学习方法因其具备实时预测能力而越来越受到关注。Daemei等人[34]以及Husting等人[35]分别采用人工神经网络和随机森林算法,来预测绿色建筑围护结构的降温性能。Mousavi等人[36]则运用集成机器学习方法,优化绿色屋顶的节能设计与运行方式。Tao等人[37]通过随机森林算法,实现了高达R2=0.98的降温负荷预测精度。然而,纯数据驱动的模型并不遵循基本的物理定律。在预测过程中,这类模型为逼近目标值,可能会产生违背热力学规律的输出结果。此外,大多数现有模型仅能处理一维的时间序列气象数据,而忽略了能够有效反映植被状况及绿色建筑围护结构表面温度分布的二维视觉和热图像信息。这种单模态的输入限制,从根本上制约了模型对复杂绿色建筑围护结构系统的认知能力。
为克服这些局限,本研究提出了一种将物理原理与多模态深度学习相结合的方法。该研究将物理指导型神经网络纳入深度学习架构的损失函数中,使得热力学方程能够在模型训练过程中对神经网络起到约束作用。同时,研究还进一步开发了一种基于绿色建筑围护结构热力学特性的创新多模态深度学习框架。该框架通过热图像(红外图像)、可见光图像(RGB)以及环境气象参数,建立多尺度的物理机制映射关系,从而实现绿色建筑围护结构降温性能的高精度预测。
章节节选
轻质地理合成植被基底
本研究介绍了一种轻质地理合成植被基底(LGVS)。这种复合结构由底层土工织物、可降解纤维覆盖层以及植物种子组成[38]。种子通过米浆粘合剂固定在各层之间,各组成部分再通过缝合方式机械固定,形成一个整体结构。底层采用聚酯(PET)土工织物,因其具备优异的化学稳定性和pH稳定性,因而能够确保长期的使用寿命。
基于物理原理的多模态框架
本研究构建了一种物理指导型多模态深度学习框架,该框架整合了红外热图像、可见光图像以及气象参数,用于预测绿色建筑围护结构的热性能。该架构包含四个专门的处理模块:特征提取、特征对齐、物理机制映射以及特征融合(见图7)。其中,有两个预训练的ResNet-18网络,分别用于从红外热图和RGB植被图像中提取空间特征。
模型实现与训练细节
实验在Windows 10操作系统上开展,所使用的深度学习框架为PyTorch。硬件配置包括一颗拥有80个物理核心和160个线程的AMD EPYC? 9V74(第4代)处理器、192 GB DDR5 ECC内存,以及一颗拥有32 GB内存的NVIDIA RTX 5090 GPU。第2.1节中描述的数据集被随机划分为训练集(70%)、验证集(15%)和测试集(15%)。为提升模型训练效果,还对训练集进行了数据增强处理。
结果讨论
如图9所示,展示了不同模态配置下模型的迭代训练过程。在训练初期,所有模型的训练损失均迅速下降,且训练过程保持稳定,没有出现严重的波动或损失值急剧上升的情况,这说明模型的优化效果良好,梯度传播也较为稳定。从定量角度来看,图9反映了决定系数(R2)的变化趋势。
结论
本研究通过将绿色建筑围护结构的多模态数据与基于物理原理的多模态深度学习框架相结合,对绿色建筑围护结构的热性能进行了全面分析和预测。研究结论如下:
1. 通过整合热图像、可见光图像及气象参数等多模态数据,并构建基于物理原理的多模态深度学习框架,该模型实现了高精度的预测效果(R2=0.908,RMSE=1.661,MAE=1.166)。
局限性
该模型的泛化能力受限于训练数据的范围;未来的研究应在不同城市微气候、多种植被物种以及更复杂的建筑几何形状条件下进行交叉验证,还需考虑极端热浪或长期干旱等异常气象场景,并将实验范围扩展到混凝土、砖材和砌体等具有不同热性能的代表性围护结构材料,以便进行更全面的分析。
未引用参考文献
[54,55]
CRediT作者贡献说明
郭军:写作——审阅与编辑,写作——初稿。李桐:验证。叶俊豪:研究调查。陈卓轩:研究调查。赵远芳:可视化。廖佳君:写作——审阅与编辑,写作——初稿。杨海生:形式分析。
郭军|李桐|叶俊豪|陈卓轩|赵远芳|廖佳君|杨海生
中国深圳,深圳大学土木与交通工程学院,邮编518060
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号