建筑中霉菌生长早期实时预测的物理信息人工智能集成数字孪生框架

《BUILDING AND ENVIRONMENT》：Physics-Informed AI-Integrated Digital Twin Framework for Early and Real-Time Prediction of Mould Growth in Buildings

　　

尽管建筑标准与能效法规持续改进，室内空气质量问题尤其是霉菌与潮湿仍是住宅建筑中持续存在的公共卫生隐患。当前霉菌管理多为被动式，依赖居住者投诉与可见霉斑出现后的目视检查，此时居住者可能已长期暴露于不健康室内环境。为突破该局限，研究人员提出一种基于数字孪生（Digital Twin）的框架，用于建筑内霉菌风险的连续监测与预测评估。该框架结合基于物联网（IoT）传感器网络的连续环境监测与经校准的建筑能耗模型（BEM），将实时传感器数据与仿真输出同步，以估算受监测与未受监测位置的表层湿热条件，进而采用VTT霉生长模型评估霉菌发展。在此物理驱动的霉菌动态表征基础上，研究人员开发基于极端梯度提升（XGBoost）的物理信息机器学习（PIML）模型，预测未来1小时至1周的霉菌生长。该框架在美国纽约州锡拉丘兹一所布设传感器的住宅建筑案例研究中实施验证，短期预测R2最高达0.99，提前一周的霉指数预测R2约0.90。结果表明在动态变化的室内环境下可可靠预测霉菌发展。该框架为新老建筑实时监测与主动式霉菌风险评估提供可扩展路径，提升运行维护水平并新增自动化层，支持早期智能决策与干预。

研究背景方面，发达国家居民约90%时间在室内，其中约69%在住宅，室内环境对健康影响显著。湿度失衡因与围护结构、通风、供暖及居住行为强耦合，且具健康与经济后果，成为最复杂的建筑性能挑战之一。现行法规依赖相对湿度（RH）与水活性（Water Activity，材料表面可供微生物生长的水分）等指标，但不足以刻画霉菌风险。大规模调查显示英美中澳等国约四分之一至二分之一住宅受潮湿霉菌影响。2020年英国两岁男童Awaab Ishak因长期暴露于未处理霉菌死亡，推动2023年《Awaab法》于2025年10月生效，要求社会房东10个工作日内核查、5个工作日内完成整改，紧急危险24小时内处置。然而既有管理仍属被动，目视霉斑已是生物生长的晚期表现，且流行病学表明仅湿度偏高即使无可见霉斑亦增加呼吸道与过敏风险。因此需从 episodic 检查转向低成本主动评估，在可见前连续评估驱动霉菌的湿热条件并转为定量指标。本研究据此开发集成数字孪生框架，融合IoT监测、校准BEM、VTT模型与PIML预测，实现早期实时评估。

主要关键技术方法方面，研究人员在美国纽约州锡拉丘兹一所传感器布设住宅开展案例研究；通过参数化建筑信息模型（BIM）构建几何、围护层级、材料热物性与运行特征，由IoT分室内环境质量（IEQ）、室外环境质量（OEQ）、围护传感器三类采集空气温湿度、CO?、PM?.?、PM??、TVOC及表面温度（ST）、表面相对湿度（SRH）、热流；以现场OEQ修正典型气象年生成实际气象年（AMY）驱动BEM，并用ASHRAE标准以MBE±10%、CVRMSE<30%校准逐时室内空气温度（AT）与空气相对湿度（ARH）；以VTT霉生长模型由表层ST/SRH计算霉指数；以极端梯度提升构建物理信息机器学习（PIML）模型，采用物理信息数据集机制（由仿真与实测生成特征，如湿热阈值、系统状态派生变量）训练并预测1小时至1周霉指数。

研究结果部分，引言指出被动管理局限与主动预警必要。文献综述中人工智能用于霉菌预测分计算机视觉（YOLOv9识别可见霉斑分类准确率76%）、静态数据集驱动（RF对英国2073条住房记录准确率79%，LightGBM对美国检查数据准确率88%）、MVOC化学指纹（RF达100%、SVM>91%但依赖GC-MS）、生物气溶胶传感（LSTM对荧光仪数据60–80%准确率、PM约90%但仪器昂贵）、湿热仿真代理模型（CNN-LSTM结合DELPHIN在夏热冬冷区RH R20.97温度R20.99；PLS回归预测加拿大木墙年最大霉指数R20.81–0.90；WUFI 2D结合PCA-GPR；传感器驱动墙内温湿度R20.95/0.81）五类，均难兼顾实时与早期。物理信息机器学习节阐明PIML四类嵌入机制：物理信息损失函数、模型结构、硬约束、数据集级特征工程，本研究取数据集级。数字孪生节指出既有霉研究缺几何材质空间上下文，本研究补此空白。方法论概述给出“监测—BEM估算未监测面ST/SRH—VTT算霉指数—PIML多步预测”流程。数字孪生数据获取管理节描述BIM与三类传感器近实时同步。仿真表层湿热分析节给出AMY驱动、ASHRAE校准准则。VTT霉生长模型节将ST/SRH转霉指数。PIML预测节以XGBoost在多 horizon 训练。案例研究节描述锡拉丘兹住宅传感器布设与AMY生成。结果与讨论中，BEM校准后MBE与CVRMSE达ASHRAE可接受；PIML短期1小时R20.99，逐时至1周R2约0.90；空间上未监测围护面亦能定位高风险；时间上动态室内环境变化可被提前捕获。结论部分译文如下：研究人员开发集成数字孪生框架，以稀疏感知与仿真估算融合实现建筑表面霉菌早期实时预测；PIML基于XGBoost在1小时至1周 horizon 达到R20.99至约0.90；框架在纽约州锡拉丘兹住宅验证可行，为主动式霉菌风险管理提供可扩展路径，支持运行调整与预防性维护决策。

讨论总结方面，原文强调单纯数据驱动黑箱易违背霉菌生长物理机制，PIML数据集级嵌入在保留物理意义的同时借实测自适应；数字孪生补足空间定位与实时干预能力，使传感觉、湿热场、建筑信息持续同步；案例证明即便仅部分表面布感，亦可通过BEM推算全表面ST/SRH再由VTT/PIML预警。该文发表于《BUILDING AND ENVIRONMENT》，意义在于将被动投诉驱动转为早期自动预警，呼应Awaab法时限要求，对住宅运营与设施管理具直接应用价值。