基于CFD和FNN代理模型的多场景教室自适应开窗优化

《ENERGY AND BUILDINGS》：Adaptive window opening optimization of multi-scenario classrooms using CFD and FNN surrogate model

　　

• 前馈神经网络代理模型用于预测十二个教室窗玻璃的开启面积。
• 来自四种教学场景的计算流体力学（CFD）数据支持多角度窗户控制。
• 加权多气流分配（WMAV）降低了二氧化碳浓度并缩短了室内空气龄。
• 在场景A和C中，空气扩散性能指数（ADPI）达到88.89%，满足舒适度标准。
• 该框架实现了窗户策略的快速多目标筛选。

**引言**

近年来，快速的城市化和工业化进程，加上数字经济的兴起，从根本上改变了人们的生活方式、职业实践和社交互动。因此，室内环境质量（IEQ）变得至关重要，尤其是考虑到人类约90%的时间都在室内度过[1]。研究表明，IEQ对认知功能——包括注意力、感知力、记忆力和执行能力——具有显著影响，从而影响工作生产力[2]。具体而言，升高的二氧化碳浓度和室内污染物会损害注意力和短期记忆，而充足的通风可以缓解这些不利影响，凸显了有效管理IEQ的迫切需求[3]。

当代建筑设计通常优先考虑结构完整性和空间效率等基本考量，而非环境质量和使用者行为模式。这种疏忽往往导致建筑无法满足实际的使用需求。这一局限性在建筑改造中尤为明显，因为固定的窗户配置往往不足以维持最佳的IEQ和气流调节。先前的研究已探索了各种窗户优化策略：Liu等[4]评估了四种欧洲气候条件下具有不同玻璃材料的十五种窗户配置；Yao等[5]研究了窗户尺寸和窗墙比，以提升寒冷气候下的自然采光和热性能；而Fung和Lee[6]证明，朝向西南、垂直于主导风向的窗户配置显著改变了换气率。尽管这些研究提供了宝贵的见解，但传统的窗户设计方法仅关注静态参数优化，缺乏对室内环境动态波动的适应性。

自然通风是一种可持续、节能的策略，具有提升热舒适度的巨大潜力，并能克服传统建筑方法的局限性。Ahmed等[7]证明，在温暖气候下，交叉通风比单侧通风提供更优越的热舒适度。Yadeta等[8]强调了自适应自然通风策略的节能潜力。同样，Zoure和Genovese[9]证明，将自然通风与遮阳装置、蒸发冷却和蓄热体结合使用，可大幅降低暖通空调（HVAC）的能源需求。然而，大多数研究仅聚焦于特定的通风技术，忽略了建筑类型、内部布局、气象变量及其对通风效率的综合影响的复杂交互作用。因此，能够适应波动条件和使用者需求的动态响应智能窗户系统已成为一种有前景的解决方案。

建筑自动化的发展为实现使用者舒适度与通风效率之间的平衡提供了新方法。Wang等[10]开发了一种智能窗户控制算法，基于对环境参数的持续监测动态调整窗户位置。Grygierek等[11]为教育环境设计了一种智能窗户控制器，证明虽然自然通风能有效降低二氧化碳浓度，但还需要补充策略来降低综合感染风险。Li等[12]提出了一种智能窗户系统，通过优化太阳能透射率和红外发射率，在炎热气候下维持持续冷却。尽管有这些创新，智能窗户系统仍需在决策框架方面进一步优化。数据驱动的机器学习方法为管理环境变量与多样化使用者需求之间的复杂交互作用提供了有前景的途径。

此外，Zhang等[13]提出了一种基于多送风模块（MAV）的自适应通风系统，通过组合不同的扩散器模块形成各种送风模式，以适应常规讲授、讨论、会议和辩论等不同的教学场景。研究结果表明，该系统可根据不同场景切换到相应的通风方案，在气流场组织、局部热舒适度以及ADPI、PMV和DR等指标方面优于传统混合通风，验证了自适应通风策略在多场景建筑环境中的应用潜力。然而，该研究主要采用基于规则的、由预设通风模式驱动的控制策略，根据场景切换预设的送风方案。它尚未建立室内环境参数与最优控制参数之间的数据驱动映射关系，也未实现基于实时环境条件的智能预测和自主决策。因此，如何利用机器学习建立环境参数与最优自然通风策略之间的非线性关系，以实现智能决策控制，仍需进一步研究。

近年来，随着人工智能技术的发展，越来越多的研究人员开始使用机器学习算法优化室内使用者的热舒适度。Morozova等[14]提出了一种基于多保真机器学习的CFD代理模型，在保持预测精度的同时显著减少了预测热舒适度参数所需的计算时间，为实时智能控制提供了新的技术途径。López-Pérez等[15]采用人工神经网络（ANN）开发了一种快速代理模型，利用CFD生成的数据评估自然通风风塔室的性能。该模型准确预测了努塞尔数（Nusselt number）、空气交换效率（AEE）、PMV和PPD，同时将CFD仿真的794.2小时计算时间减少至约0.1秒，降幅超过99%。这些结果展示了基于ANN的代理模型在通风和热舒适度性能快速评估方面的潜力。Sim?es和Carrilho da Gra?a[16]开发了一种多层感知器ANN，用于实时预测自然通风的气流量。该模型使用从一座大型混合模式学术建筑中收集数月数据训练，并通过基于二氧化碳衰减的气流测量进行实验验证。以内外部温度、有效窗户开启面积、风速和风向作为关键输入，该ANN的平均绝对百分比误差约为30%。该研究进一步证明了基于神经网络的模型支持实时自然通风预测和高级建筑控制策略的潜力。Choi等[17]在系统综述中进一步指出，CFD与人工智能的整合已从传统的数据拟合演变为多尺度、多场景耦合建模，在室内空气质量预测、热舒适度评估和智能建筑控制等领域展现出广阔的发展潜力。Jiang等[18]采用了一种AI驱动的通风优化系统，结合实时传感器数据、建筑信息模型（BIM）和CFD验证结果，实现热舒适度、空气质量和能耗之间的多目标协同优化。然而，当前研究主要聚焦于基于规则的自适应通风控制或HVAC机械通风优化。利用神经网络学习室内环境参数与自然通风控制参数之间非线性映射关系的数据驱动智能决策研究仍相对有限。此外，现有研究大多采用预设控制策略，缺乏能够根据实时环境条件自动预测最优窗户开启角度的智能自然通风控制框架。

因此，有必要进一步探索将神经网络与CFD耦合的智能窗户开启优化方法，以实现室内环境质量和热舒适度性能的协同提升。Ahmed Ouaret等[19]采用基于多层感知器（MLP）神经网络的智能控制方法来调控建筑区域的室内温度。他们的研究进一步表明，该方法不仅确保热舒适度，还实现了节能。Yang等[20]基于自适应机器学习构建了具有非线性自回归外生结构的动态人工神经网络，以优化建筑能耗和热舒适度。Wang等[21]提出了一种基于卷积神经网络-长短期记忆（CNN-LSTM）模型的高效热舒适度预测方法，用于快速准确地评估室内热舒适度。结果表明，CNN-LSTM在预测热环境信息和热舒适度指标时表现出低预测误差和稳定性能。Ji Hyeon Cho等[22]开发了用于预测预测平均投票（PMV）、二氧化碳浓度、PM10和PM2.5的人工神经网络预测模型。通过多目标遗传算法训练，这些模型实现了高精度（低RMSE值），能够同时优化室内环境和HVAC能耗，并提供精确的集成控制方案。Han等[23]研究了三维卷积神经网络（3DCNN）在建筑CFD模拟中的应用。研究结果表明，3DCNN在建筑CFD建模方面具有潜力，特别是在早期建筑设计阶段，可能减少建模所需的计算时间。Tran Van Quang等[24]提出了一种将CFD模拟与深度神经网络（DNN）模型结合以准确预测室内气流分布的可行方法。结果表明，DNN能够忠实地再现室内气流模式和温度分布。Wang等[21]基于CFD数据集构建了CNN-LSTM模型，实现了对风速、温度、PMV和DR等室内热舒适度指标的 rapid 预测。在保持预测精度的同时，该方法相比传统CFD计算显著减少了计算时间。Hou等[25]进一步将LSTM与深度强化学习相结合，提出了OccD-LSTM-DDQN控制框架，能够基于占用状态预测实现动态HVAC优化。该框架在平衡室内空气质量、热舒适度和建筑能耗方面实现了良好的控制性能。Erdem等[26]比较了RNN、LSTM和GRU在预测HVAC运行变量方面的性能。结果表明，GRU在大多数变量的预测精度上优于LSTM，更适合实时建筑控制系统。Jia等[27]提出了一种混合LSTM–Transformer模型，用于预测建筑室内操作温度。该模型相比传统循环神经网络表现出更高的预测精度，尤其适合长时间序列预测任务。然而，上述模型如LSTM、GRU和Transformer主要是为连续时间序列预测而设计的，需要来自多个时间戳的历史环境状态来建立动态时间依赖性。它们的优势主要体现在长期预测、状态演化建模和在线控制等任务中。循环神经网络和基于注意力机制的架构旨在挖掘有序历史数据中的长期时间依赖性，使其适用于具有连续时间特征的任务场景。例如，CNN-LSTM架构已被应用于室内温度的预测建模[28]，带迁移学习的Transformer被用于数据稀缺场景下的热舒适度预测[29]。相关文献综述也指出，模型架构的选择应根据数据结构、研究目标和验证需求来确定，而非仅仅追求模型的新颖性[30]。

相比之下，本研究的主题并非连续长期时间序列预测，而是基于短期CFD样本，在平均风速、估算的二氧化碳浓度、PPD和PMV与最优窗户开启策略之间建立静态非线性映射。每一组样本都是独立的，不包含连续历史时刻的状态序列；因此，无需专门学习长期时间依赖性。

对于此类静态监督学习问题，前馈神经网络（FNN）可以直接逼近复杂的非线性映射关系，具有网络结构简单、训练效率高、参数少和推理速度快等优势，同时避免了循环网络因时间展开带来的额外计算开销。例如，Rankovic等[31]使用FNN和数字循环网络（DRN）进行非线性系统辨识，基于模型与实际系统输出之间的辨识误差训练神经网络。仿真结果表明，两种方法在识别复杂非线性动态特征方面均取得了良好效果。Akbaba等[32]设计了一种基于FNN的室内空气质量监测系统，将前馈神经网络与定期采集温度、湿度和气体浓度值的传感器连接，结合实时监测和深度算法提升室内空气质量。Tanaya Chaudhuri等[33]提出了一种数据驱动的前馈神经网络方法，构建智能自适应室内气候控制系统，在确保使用者热舒适度的同时，最小化暖通空调系统和空调机械通风（ACMV）系统的能耗。

因此，本文采用前馈神经网络（FNN）作为智能开窗决策模型，该模型在保证预测精度的同时，更适合部署于实时课堂智能控制系统中，以实现从环境状态到最优窗扇开启角度的快速映射。针对上述研究空白，本文旨在构建基于神经模糊的窗扇多通风模块自适应通风（WMAV）系统，建立室内环境参数与最优窗扇开启角度之间的非线性映射关系，从而实现在不同课堂场景下自然通风策略的智能优化。本研究聚焦于以下两个科学问题：（1）FNN是否能学习风速、CO?浓度、温度、PMV与最优窗扇开启策略之间的非线性关系，并在现有CFD设计空间内实现有效插值；（2）基于FNN的WMAV系统相比传统手动开窗（MWO）方式，是否能进一步提升课堂室内空气质量、热舒适度和气流分布均匀性，实现空气质量与热舒适性能的协同优化。为验证上述研究目标，本文首先基于CFD构建了四种典型课堂场景的自然通风模型，利用多组不同窗扇开启角的仿真结果建立训练数据集。随后，将FNN应用于学习风速、CO?浓度、PPD、PMV与12块窗扇开启面积映射之间的关系。接着，将所选WMAV配置与传统固定窗扇开启策略进行比较，并采用风速、温度、CO?、PMV、PPD、ADPI、DR和空气龄来评估其综合性能。

## WMAV系统设计理念

本研究设计了一种名为WMAV（基于窗扇多通风模块的自适应通风）的自适应通风系统，旨在满足多样化课堂场景下的室内空气质量和热舒适度需求。该系统通过实时监测关键环境指标，智能动态调节每扇窗的开启角度，从而提供最优通风策略。WMAV系统融合了混合通风与多模式通风的特征。

## 场景布局

为分析不同窗扇开启角度对室内环境的影响，基于CFD仿真结果对比了四种教学场景下呼吸区高度的风速、CO?浓度和温度分布。同时分析了不同手动开窗场景下的通风有效性和舒适性特征。

## 研究局限性

尽管FNN优化的WMAV系统在课堂室内舒适度和空气质量方面相比传统固定开窗模式取得了一定提升，但该系统无法同时满足所有室内环境评价指标。其工程实现和科学普适性仍受限于以下方面，需在后续工作中加以解决：（1）CFD数值验证：在典型条件下，并非所有流场残差均满足1e-3的要求。

## 结论

本研究针对传统固定窗扇通风模式难以适应多样化教学场景、无法兼顾多维室内环境需求的问题，构建了基于FNN的WMAV离线代理框架。通过建立环境参数与最优窗扇角度之间的非线性映射关系，实现了不同教学场景下自然通风策略的智能优化。

## CRediT作者贡献声明

陈晓：指导、经费获取。徐江：原创撰写、概念构思。陈星银：方法论、形式分析。黄丝兰：软件、方法论。钟沁瑞：可视化、调查。王丁勇：软件、方法论。刁艳：验证、方法论。

## 利益冲突声明

作者声明，不存在可能影响本文所述工作的已知竞争性经济利益关系或个人关系。

陈晓 | 徐江 | 陈星银 | 黄丝兰 | 钟沁瑞 | 王丁勇 | 刁艳