基于深度学习的复杂窗系统热光学与光传输特性测定，面向高通量应用

《BUILDING AND ENVIRONMENT》：Deep Learning based determination of thermal-optical and light transmission properties of complex fenestration systems for high throughput applications

　　

摘要
复杂的窗户系统（CFSs）的物理详细热光学模型计算成本高昂，特别是在评估具有强角度依赖性的玻璃和遮阳系统时。这限制了基于 ISO 15099 的计算在大规模设计探索、优化以及建筑性能模拟工作流中的实际应用。本研究探讨了物理信息神经网络代理模型是否能在保持足够保真度的同时，重现 ISO 15099 衍生的热光学响应场，以满足建筑级模拟的需求。本研究利用 5,760 个符合 ISO 15099 的立面配置开发了一种基于 TabNet 的代理模型，并训练其预测 145 维的太阳得热系数（SHGC）分布以及方向 - 半球可见光透射率。结果表明，该代理模型以远低于基于插值的 k 近邻（kNN）基准方法的误差重构了这些高维响应场，将 SHGC 的均方根误差（RMSE）从 0.0372 降低至 0.0074，将可见光透射率的 RMSE 从 0.0423 降低至 0.0075。相对于确定性的 ISO 15099 计算，每个立面配置的评估时间从 57.78 秒减少到 2.25 × 10?? 秒。学习曲线分析表明模型收敛稳定，过拟合证据有限，并且在不同的训练数据比例和随机初始化下表现出鲁棒性。消融研究进一步证明，与常规损失公式相比，对物理敏感和能量相关的角度区域进行物理信息加权可提高预测准确性。为了评估下游适用性，代理模型预测的 SHGC 场被传播到斯图加特和多哈气候下的年度 TRNSYS 模拟中。对于这两个地点，超过 92% 的配置保持在 ISO 15099 参考结果的 5% 偏差范围内，超过 98% 的配置保持在 10% 偏差范围内，表明局部预测误差在建筑尺度上 largely 被衰减。结果表明，物理信息代理建模可以将详细的窗户分析扩展到高通量立面设计、优化和建筑性能模拟工作流。

引言
建筑立面通过调节室内环境与室外环境之间的太阳辐射、热传递和日光可用性，在建筑能源性能和室内环境质量中起着核心作用。从能源和采光角度来看，立面必须在允许有用日光进入的同时，控制太阳得热，限制眩光，保持向外视野，并支持热舒适和视觉舒适 [1]。这些功能直接影响供暖、制冷和电气照明需求，因此是建筑性能法规、标准和认证框架的组成部分。因此，准确表征立面行为对于可靠的建筑能源和照明模拟至关重要。

透明立面系统，特别是结合集成遮阳装置的中空玻璃单元（IGU），由于其对材料特性、几何配置和太阳入射角的强烈依赖，需要详细的热光学建模。结合多层玻璃、低发射率涂层、充气的腔体以及百叶窗或蜂窝帘等遮阳装置的先进窗户系统表现出非线性和角度依赖性。这些特性直接影响关键性能指标，包括太阳和可见光透射率、总热传递和太阳得热系数（SHGC），这些指标是整体建筑能源和采光评估的关键输入 [[2], [3], [4]]。

在实践中，复杂窗户系统（CFS）通常使用简化的描述符来表示，如法向 - 法向、法向 - 半球或漫射 - 半球透射率和反射率值。虽然此类表征已嵌入欧洲和国际标准中（例如 EN 14500, EN 14501, ISO 52022 系列）[5]，但它们无法完全捕捉角度依赖性性能。在评估光照分布、眩光风险、视野质量或动态太阳得热时，简化方法可能会引入重大不准确。因此，在动态日照条件下的性能驱动型立面设计需要更复杂的建模方法论。

双向散射分布函数（BSDF）方法能够对太阳光学行为进行详细的角度表征，并广泛用于准确评估 CFS 性能 [3,4]。最近的研究 [31] 进一步通过数据驱动方法改进了基于 BSDF 的表征，以模拟高度定向和镜面传输过程，突显了高效处理高维角度性能数据的重要性日益增长。ISO 15099:2003 提供了一个全面的框架，用于计算窗户、门和遮阳装置的热性能，并在建筑物理学中被广泛采用，以高保真度表征窗户系统 [10]。诸如 [28] 的实验和数值研究进一步证明了准确评估包含遮阳装置的玻璃系统 SHGC 的重要性。ISO 15099 已实现在 LBNL 的 WINDOW 软件 [6] 等工具中，纳入了多层光学计算、辐射和对流热传递以及角度相关特性。对比分析证明了其方法论的严谨性，并相对于替代方法（包括基于 ASHRAE 的方法 [7]）提高了准确性，它经常被国际窗户评级系统综述所引用 [8]。

尽管标准化的 SHGC 评估方法提供了物理一致的结果，但将其应用于复杂窗户系统仍然计算成本高昂，通常不适合大规模参数研究或实时应用 [29]。这种计算成本限制了其在参数研究、优化工作流和早期立面设计中的直接应用，在这些场景中必须高效地评估大量配置。

机器学习和代理建模方法越来越多地被探索，作为加速建筑物理分析并减少对计算成本高昂的模拟或大规模实验活动依赖的手段。例如，Pourghorban 开发了用于预测封闭空间热阻的数据驱动模型，证明机器学习技术可以作为传统热计算程序的效率替代方案 [32]。类似地，Moghaddam 等人研究了用于玻璃性能评估的机器学习方法，利用短期原位测量来预测玻璃表面温度、热舒适指标以及动态玻璃行为的某些方面 [33]。这些研究的动机在于减少监测时间、计算工作量以及与详细性能评估相关的实际障碍。这些工作共同表明，通过数据驱动方法加速建筑围护结构和立面性能评估的兴趣正在增长。

尽管人们对机器学习在建筑围护结构分析中的应用兴趣日益增长，但据我们所知，有限的工作解决了在保持角度响应保真度、物理一致性和下游建筑性能准确性的同时，替换基于 ISO 15099 的热光学模拟的挑战。现有研究主要集中在标量数量上，如热阻、玻璃表面温度或舒适指数，而不是高维角度热光学输出。为了弥补这一差距，本研究探讨了物理对齐的神经网络代理模型能否准确重现复杂窗户系统的 ISO 15099 衍生热光学响应场，同时保持足够的保真度以满足建筑级能源评估。本研究受以下研究问题指导：
RQ1：神经网络代理模型在多大程度上能够重构由符合 ISO 15099 的模拟生成的 145 维角度 SHGC 和方向 - 半球可见光透射率响应场，并且相对于确定性工作流和基于传统插值的参考模型，它能提供多少计算加速？
RQ2：代理模型的性能对可用训练数据量和随机初始化有多敏感，模型是否显示出有意义的泛化差距或过拟合的证据？
RQ3：通过非均匀加权物理相关的角度输出区域来纳入领域知识，是否比均匀加权损失公式能改善局部和全局预测准确性？
RQ4：当传播到对比气候条件下的年度被动太阳得热、供暖需求和制冷需求中时，代理模型预测的角度 SHGC 场中的误差在多大程度上被放大、保留或衰减？

贡献和论文概述
基于这些研究问题，本研究做出了四个主要贡献：
1. 开发了一种用于 ISO 15099 输出的代理模型，能够预测复杂窗户系统的 145 维角度 SHGC 和方向 - 半球可见光透射率响应场。
2. 评估了优先考虑物理相关角度区域的物理信息损失加权策略及其对预测准确性的影响。
3. 评估模型鲁棒性和泛化能力，包括训练数据规模、随机初始化和过拟合行为的影响。
4. 通过在不同气候条件下的年度 TRNSYS 模拟中集成代理模型预测的 SHGC 场，调查代理模型误差在建筑尺度上的影响。

章节片段
基础算法 - ISO 15099:2003
ISO 15099:2003，标题为“窗户、门和遮阳装置的热性能 - 详细计算”，是一项全面的国际标准，提供了确定窗户系统热学和光学特性的详细算法 [10]。它由国际标准化组织（ISO）开发，旨在统一和正式化全球用于计算建筑窗户系统能源性能的方法。
该标准建立在早期工作的基础上
代理建模框架
代理模型的目标是近似立面描述符与 ISO 15099 衍生的热光学输出之间的映射。输入包括第 2 节中描述的玻璃和遮阳系统特性，而输出则由一个 145 维响应向量组成，包含角度相关的 SHGC 场和方向 - 半球可见光透射率。评估了两种代理方法：基于距离的 k 近邻（kNN）基准和基于 TabNet 的
学习曲线分析与训练数据敏感性
为了评估代理模型对可用训练数据的敏感性，使用逐渐增加的训练数据集比例训练了 CFS_TabNet，范围从可用样本的 10% 到 100%。每个实验使用五种随机初始化重复进行，结果训练和验证 RMSE 值报告为平均值 ± 一个标准差。因此，学习曲线分析提供了关于数据效率以及鲁棒性的见解
建筑热模拟背景下的验证
除了第 4 节中直接模型评估和真实与预测 SHGC 的比较外，还需要在建筑热模拟的背景下进行分析，以评估预测偏差如何影响建筑级的模拟结果——这是设计实践中至关重要的一方面。TRNSYS 是一个模块化的动态模拟平台，广泛用于建筑热能和性能评估，作为验证环境，用于评估预测的 SHGC 对整体建筑热的
结论
复杂窗户系统的详细热光学模拟为立面设计和建筑性能评估提供了有价值的信息，但其计算成本限制了其在大规模参数研究、优化工作流和交互式设计应用中的使用。本研究探讨了物理信息代理模型能否重现由 ISO 15099 生成的高维热光学响应场，同时保持足够的保真度以

写作过程中使用的人工智能及人工智能辅助技术声明
在准备本工作期间，作者使用了 [ChatGPT 5.2] 以 [改进作品的语言，特别是语法检查]。在使用该工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。

未引用的参考文献
[11,16,17,22]

CRediT 作者贡献声明
Ankita Saha: 写作 – 原稿，可视化，验证，软件，方法论，形式分析，数据管理，概念化。
Yuan Fang: 写作 – 原稿，可视化，验证，软件，数据管理。
Jan de Boer: 写作 – 审查与编辑，监督，项目管理，资金获取，概念化。

Ankita Saha|Yuan Fang|Jan de Boer
弗劳恩霍夫建筑物理研究所 IBP