机器学习代理模型用于预测风驱雨渗漏下正交胶合木墙体组件的湿风险

《BUILDING AND ENVIRONMENT》：Machine Learning Surrogate Models for Moisture-Risk Prediction in Cross-Laminated Timber Wall Assemblies under Wind-Driven Rain Leakage

　　

数值湿热模拟被广泛用于评估大体积木结构围护结构的湿度耐久性，但其计算成本限制了在大规模概率评估中的使用。机器学习代理模型提供了一种更快的替代方案，然而其在预测风驱雨（WDR）渗漏下正交胶合木（CLT）墙体组件的非线性湿度响应方面的可靠性仍未得到充分理解。本研究评估了随机森林（RF）、长短期记忆（LSTM）和卷积神经网络（CNN）模型在预测CLT板外表面的温度、相对湿度（RH）和含水率（MC）方面的表现。模型使用DELPHIN生成的数据进行训练和测试，这些数据涵盖了四种CLT墙体配置、四个朝向、17个加拿大气候和两种湿度加载情景：无渗漏和1% WDR渗漏施加于CLT表面。在无渗漏条件下，所有模型都能准确预测温度，R²值大于0.99。对于RH和MC，LSTM和CNN优于RF，而LSTM在较短的训练时间内实现了高精度。在WDR渗漏条件下，LSTM和CNN能够重现使用透汽性外保温的组件的主要湿度响应趋势。然而，对于使用隔汽性外保温的组件，预测精度显著下降，因为渗漏导致局部水分滞留、高湿度积累和延迟干燥。在这些情况下，MC预测的R²值低于0.60。结果表明，基于LSTM的代理模型可以支持在正常湿度加载和具有足够干燥潜力的WDR渗漏条件下对CLT墙体组件进行高效的基于模拟的湿热评估，但对于受液态水传输和水分储存主导的受限干燥条件，需要基于物理信息的模型。

论文《BUILDING AND ENVIRONMENT》发表的研究聚焦于一种关键挑战：传统数值湿热模拟（如DELPHIN）虽能准确评估大体积木结构围护结构的湿度耐久性，但其计算成本高昂，限制了在大规模概率评估和实时数字孪生中的应用。现有机器学习代理模型多忽略雨渗漏，且主要针对轻质木结构或砌体，对正交胶合木（CLT）墙体组件的研究有限。CLT的高吸湿性导致水分积累和延迟干燥，尤其在风驱雨（WDR）渗漏时，其非线性响应增加了预测难度。因此，回答了两个核心问题：不同ML架构在CLT墙体中的可靠性如何？水分加载条件和组件干燥潜力如何影响模型准确性？研究人员通过系统评估，为高效模拟评估提供了指导。

研究人员使用DELPHIN 6生成数据集，涵盖四种CLT墙体配置（按外保温透汽性分为两组：透汽性石棉保温组1和隔汽性聚异氰脲酸酯保温组2）、17个加拿大城市（基于K?ppen-Geiger气候分类）、四个朝向和无渗漏及1% WDR渗漏两种情景。关键方法包括：滑动窗口特征工程（168小时窗口），输入四个动态气候变量（室外温度、RH、WDR、太阳辐射）和四个静态几何参数；三种模型RF（scikit-learn）、LSTM（PyTorch，两层128隐藏单元，解耦任务头）和CNN（基于WaveNet的1D-CNN，因果扩张卷积，256滤波器）。训练集11个城市，验证集3个，测试集Edmonton、Ottawa、Vancouver。评估使用MAE、RMSE、R²及VTT模型计算的最大霉菌生长指数。

无渗漏条件下，所有模型温度预测R²>0.99，LSTM和CNN在RH和MC预测上显著优于RF。LSTM在组1中达到RH的R²=0.989和MC的R²=0.984，组2略有下降。偶极图显示LSTM在组1中与DELPHIN输出高度一致，组2中偏差较大，但绝对误差较小。WDR渗漏条件下，温度预测仍保持高精度，但组1中LSTM和CNN能重现主要湿响应趋势，组2中预测精度骤降，MC的R²低于0.60，部分情况为负值。时间序列显示组2中LSTM未能捕捉持续水分积累和延迟干燥趋势。滑动窗口从168小时延长至401小时对组1性能提升有限，组2中MC的R²从0.535升至0.704（LSTM），但RH仍差。霉菌生长指数预测中，组1的LSTM与模拟结果高度一致，组2预测分散但偏保守，延长窗口未改善。

讨论指出，纯数据驱动模型在隔汽性外保温及WDR渗漏下表现不佳，主要因缺乏物理约束（如质量守恒）和内部状态输入。未来需引入自回归湿度状态输入和基于物理信息的模型。结论部分翻译如下：本研究评估了RF、LSTM和CNN代理模型在不同CLT墙体配置和加拿大气候下的性能。结果表明，温度预测在所有情景下均高精度（R²>0.99）。潮湿变量预测更具挑战性：无渗漏时LSTM和CNN优于RF，LSTM在准确性和计算效率间达到最佳平衡。WDR渗漏下，透汽性外保温组件中LSTM和CNN能合理重现主湿响应，但隔汽性外保温组件中性能显著下降，尤其MC预测。延长滑动窗口至401小时仅部分改善，但未根本解决。结论指出，LSTM和CNN可作为无渗漏和具有足够干燥潜力下WDR渗漏情景的高效替代，但受限干燥条件下需谨慎使用。未来模型应纳入自回归湿度输入和物理约束，并需现场监测数据验证。