绿色屋顶与夜间通风联合制冷在多热工位置下的表现及屋顶热通量降低研究：一项可解释的机器学习分析

《Building and Environment》：Combined Green-Roof and Night-Ventilation Cooling across Multiple Thermal Positions and Roof Heat-Flux Reduction: An Interpretable Machine-Learning Study

　　

夜间通风主要增强绿屋顶面表面的降温效果。降温效果从屋面外表面向室内空气呈现逐渐衰减趋势。屋面热通量降低为夜间通风降温效益提供了补充证据。XGBoost能够跨多个热响应位置实现一致的预测。SHAP能够识别位置依赖的热驱动因素及其交互作用。引言频繁出现的极端高温事件和不断增加的制冷需求加剧了建筑运营期间的能源压力。建筑制冷负荷对气象条件、时间变化和空间分布高度敏感，在气候变暖和城市化的背景下，未来制冷需求预计将持续增长[1]。在湿热气候条件下，强太阳辐射、高空气湿度以及有限的夜间降温潜力共同加剧了屋面热量积聚，使屋面传热成为顶层空间热得热的主要来源。绿屋顶通过遮荫、蒸散发、基质蓄热和额外热阻来减少屋面热量获得，而夜间通风则通过室内外空气交换促进建筑围护结构散热。绿屋顶的热工性能取决于气候条件、屋面构造和种植介质的水热状态。既往研究表明，绿屋顶可以通过遮荫、蒸散发和增加热阻来降低屋面热负荷，但其节能效果具有很强的场景依赖性[2,3]。现场实测表明，绿屋顶可以改善屋面热工性能并提升建筑能效，而模拟研究则为描述基质与植被之间的热量和水分交换提供了建模框架[4,5]。后续的数值分析和综述研究进一步证实，绿屋顶的节能潜力受气候条件、屋面保温水平、基质含水率和结构参数的强烈影响[6,7]。近期研究已从单纯评估降温效果转向气候适应、设计敏感性和不同边界条件下性能变异性[8,9]。巴西和上海的实证研究表明，绿屋顶可以在不同夏季气候下调节屋面表面温度和室内热环境[10,11]，而香港和亚热带季风地区的研究进一步突出了其隔热性能、经济可行性和时空变异性[12,13]。综合这些研究表明，绿屋顶不应被视为固定的保温层；其降温性能会随着气象条件、屋面构造、基质状态和植被特征而动态变化。近期研究进一步表明，建筑一体化绿化的热工性能由基质厚度、含水率条件、植被结构和外部气候边界共同决定[14]。被动式屋面热调节材料的研究也显示，屋面表面的光热特性及其长期变化可显著影响屋面热响应[15]。因此，绿屋顶不应被视为固定保温层，而应被理解为受基质条件和外部边界条件共同调控的动态水热系统。夜间通风的降温效果取决于气候潜力、建筑蓄热能力和运行参数。夜间室外温度降低幅度以及室内外温差是评估夜间通风适宜性的关键气候指标[16]。既往研究表明，夜间通风可以减少办公建筑次日制冷负荷，但其效果取决于建筑运行模式和外部气象条件[17]。夜间通风还必须与建筑蓄热能力和围护结构热惯性协同作用，以有效释放白天储存的热量[18,19]。通风持续时间、风速、室内外温差和控制策略均被报道会影响夜间通风性能[20,21]。这种效果也依赖于边界条件。吊顶阁楼通风、复杂百叶窗开口和混合模式通风控制可以改变夜间排热效率和室内热舒适条件[[22], [23], [24]]。因此，夜间通风不应仅以通风时长或室内外温差来评估；应与围护结构热惯性、开口边界条件和气流组织联合分析。绿屋顶和夜间通风具有互补的传热路径。绿屋顶主要通过遮荫、蒸散发和种植介质内部蓄放热减少外表面热得热，作用于屋面外侧。夜间通风主要通过空气交换和换热促进围护结构散热，作用于屋面内侧。定量而言，Jiang和Tang [25]报道，将粗放型绿屋顶与夜间通风结合可使屋面热量获得减少约79%，而Ran和Tang [26]报道，在绿屋顶、夜间通风和墙体保温的组合条件下，室内平均温度可降低约2.3°C。这些结果为组合式被动降温策略的热工效益提供了定量证据，然而跨屋面外表面、屋面内表面和室内空气的同时降温传递，以及试验夜间屋面热通量降低的问题仍未得到充分解决。关于湿热地区自然通风和交叉通风的研究也强调，通风降温应考虑开口配置、外部风条件和室内热舒适准则来评估[[27], [28], [29]]。在热浪和气候适应的背景下，被动降温研究正从传统节能评估转向热韧性和多目标优化[[30], [31], [32]]。这些研究表明，绿屋顶和夜间通风可能产生耦合降温效益，但其在屋面和室内不同位置的响应路径和传递衰减仍未得到充分解决。绿屋顶–夜间通风耦合降温受相互作用的 метеological、基质、通风和前期热状态条件共同调控，因此表现出显著的非线性和时间依赖性特征。数据驱动方法为超越传统单因素分析解决此类关系提供了手段[33,34]。近期屋面性能研究展示了两个互补的建模方向。Li等[35]开发了一种基于图的混合深度学习框架来预测绿屋顶的内外表面温度，而Wang等[36]采用了优化的卷积神经网络–长短期记忆网络（CNN-LSTM）架构，用于多种节能屋面系统表面温度预测。这些方法展示了当关系或序列表示构成预测任务核心时，深度架构的价值。然而，对于结构化监测数据，XGBoost [37]提供了一个互补框架，其中可明确保留物理定义的气象、水热和运行预测变量，同时从数据中学习非线性关系和变量交互作用。这一特征与本研究尤为相关，因为本研究的目标不仅是预测降温响应，还要比较屋面外表面、屋面内表面和室内空气之间的控制归因结构差异。可解释机器学习将建筑性能预测从单纯追求精度扩展到揭示关键响应驱动因素的作用贡献、非线性效应和交互作用。SHAP为此目的提供了统一的归因框架[38]。可解释机器学习越来越多地被用于推动建筑性能预测从精度导向的建模转向对具有物理意义的响应驱动因素的解释。Cakiroglu等[39]将集成学习与SHAP结合用于建筑制冷负荷预测，表明高性能非线性模型可以伴随特征级别的供热需求响应解释。Cui等[40]进一步表明，住宅能耗的主导驱动因素因建筑类型不同而异，突出了归因结构是情境依赖的而非普遍可迁移的。超越全局特征排序，Zhou等[41]利用SHAP解析了建筑能耗变量之间的非线性和协同关系，而Li等[42]将基于SHAP的解释扩展到瞬态温度条件下的动态热舒适响应。近期，SHAP与局部可解释模型无关解释（LIME）在制热和制冷负荷预测中的比较使用，强化了事后解释在揭示多个建筑和热工预测变量如何贡献于模型输出方面的价值[43]。综合这些研究表明，可解释机器学习方法不仅能够表征哪些变量在预测中占主导地位，还能揭示其贡献如何随运行条件变化以及如何在非线性热工过程中相互作用。然而，现有应用主要关注总体能耗需求、热舒适或单一热工性能目标，对于绿屋顶–夜间通风耦合下同时测量的屋面外表面、屋面内表面和室内空气降温响应的归因结构，仍未得到充分解决。对于这一多响应问题，SHAP为跨三个目标特定的树模型比较全局特征贡献、非线性依赖模式和成对交互结构提供了统一的加法归因框架[38]。据此，本研究采用SHAP解析预测变量贡献和交互结构如何跨屋面到室内的响应链变化。外部湿热边界和通风状态的动态变化可显著影响建筑热环境模拟和自然通风评估[44,45]，为将相对湿度、风速、通风模式、夜间降温潜力和基质含水率纳入统一的可解释机器学习框架提供了基础。近期研究在绿屋顶热工性能、夜间通风降温和被动降温优化方面提供了重要基础。然而，大多数现有工作聚焦于建筑能耗需求、室内热舒适或单一屋面响应，而绿屋顶–夜间通风耦合下的多位置降温传递、屋面热通量降低以及关键变量交互作用仍未得到充分量化。本研究中的绿屋顶–夜间通风耦合指的是由绿屋顶热调节和夜间通风排热的互补效应所共同产生的协同热响应，体现在不同通风条件下的多位置降温响应和屋面热通量降低上。为弥补这一空白，本研究采用绿屋顶与素屋顶的同时配对测量来构建多位置降温响应和热通量降低指标，并应用目标特定的XGBoost模型结合SHAP分析来识别主导变量及其交互作用。本研究的主要贡献是：（1）表征不同通风条件下绿屋顶降温在屋面外表面–屋面内表面–室内空气响应链上的空间衰减规律；（2）同时评估多位置温度响应和热通量降低，以量化通风对屋面热工性能提升的增强作用；（3）结合目标特定XGBoost与SHAP分析，识别与基质水热状态、通风条件和外部湿热边界相关的依赖位置的特征贡献、非线性响应模式和交互结构。章节片段方法本研究结合同步对照现场测量和可解释机器学习，量化了不同夜间通风条件下绿屋顶的多位置降温响应和屋面热通量降低。素屋顶用作参考，绿屋顶用作试验屋面。在密封、自然夜间通风和机械夜间通风条件下比较热响应差异。降温响应变量由以下构成：代表性夜间通风日的温度与热通量响应在自然通风和机械通风的代表性日，Qred,night分别达到103.4和94.6 Wh m?2，表明绿屋顶使夜间向内屋面热量获得呈现净减少（图5）。降温响应从屋面外表面到屋面内表面再到室内空气呈现逐渐衰减趋势，显示屋面侧降温信号的渐进阻尼。在夜间和清晨，Δq以正值为主，而短暂的负值出现在（此处文本不完整）。结论基于绿屋顶与素屋顶参考的同时配对测量，本研究量化了在密封、自然夜间通风和机械夜间通风条件下的多位置降温响应和屋面热通量降低。主要结论如下：（1）绿屋顶降温在从屋面外表面到屋面内表面再到室内空气的方向上表现出明显的空间衰减。在试验夜间尺度上，屋面内表面降温中位数从–0.12°C开始（此处文本不完整）。局限性与未来研究本研究存在若干局限，需进一步探讨。首先，实验采用配对的小型测试单元进行。尽管这种配置便于绿屋顶与素屋顶参考之间的对照比较，但全尺寸建筑还涉及人员占用、室内热得热、围护结构配置和气流组织等附加效应。未来研究应在（此处文本不完整）中验证所观测到的多位置降温和热通量响应。资助本工作由中国国家自然科学基金（批准号：51478059）和西南科技大学研究生创新基金（项目编号：26ycx1095）资助。数据可用性声明本研究的支撑数据和代码可在合理请求下向通讯作者获取。作者贡献声明姜林：审阅与编辑、起草初稿、监督、方法论、调查、概念构思。薛王慧：审阅与编辑、可视化、验证、软件、形式分析、数据整理。姜林｜薛王慧