《ADVANCED ENGINEERING INFORMATICS》：An AI-assisted workflow for generative building design and energy modeling: Converting natural language design intent and images into 3D building energy model inputs
编辑推荐：
摘要建筑能耗对碳排放贡献巨大。将概念设计与建筑能耗模拟相结合有助于推动节能设计，但很少有研究将人工智能（AI）辅助的生成式设计与建筑能耗模拟联系起来，并在其中明确将生成输出转化为EnergyPlus兼容的几何模型。本研究提出了一种AI辅助的工作流程，将高层次设计意图转化为建筑
摘要
建筑能耗对碳排放贡献巨大。将概念设计与建筑能耗模拟相结合有助于推动节能设计，但很少有研究将人工智能（AI）辅助的生成式设计与建筑能耗模拟联系起来，并在其中明确将生成输出转化为EnergyPlus兼容的几何模型。本研究提出了一种AI辅助的工作流程，将高层次设计意图转化为建筑能耗模型（BEM）的几何输入。在该工作流程中，ChatGPT-image生成或预处理二维建筑表示，Hunyuan3D-2.1重建三维几何，网格至EnergyPlus的方法将重建的网格转化为可模拟的几何。基于专门构建的包含13,000栋建筑的合成数据集训练的图神经网络（GNN）分类器将网格面分类为建筑构件。该工作流程在五个中国气候区域中使用三种尺度的多种平面形状进行了评估，并通过基于香港某校园办公楼的图片重建和文本驱动设计探索展示了其实用性。在多尺度合成案例中，确定性标定使目标总建筑面积（GFA）和窗墙比（WWR）接近预设值，而在相同边界条件下，能耗强度（EUI）与手动创建的参考模型保持一致。该工作流程进一步通过从单张图片重建香港某校园办公楼以及从一个受限提示词生成六种替代设计方案进行了展示。这些结果支持使用生成式AI将非结构化的设计意图和视觉输入与结构化的BEM几何连接起来，以进行快速的、面向能耗的设计探索。
引言
建筑部门是全球能源需求和碳排放的主要贡献者[1], [2]。在人口稠密的城市区域（如香港），这种影响更为显著：建筑用电约占90%，为建筑发电产生的碳排放占比超过50%[3]。为了实现雄心勃勃的脱碳目标，提高建筑能效已成为一项全球性紧迫任务[4]。建筑能耗模型（BEM）是指导这一转型的主要分析工具之一[5]。通过模拟传热、气象、人员占用和建筑系统，BEM可以支持新建建筑设计优化、改造评估和合规性评估[6]。在建筑能耗模拟引擎中，EnergyPlus被广泛用于整体建筑性能分析[5]。
BEM的准备工作仍然耗时，因为需要筛选许多概念方案[7]并将其几何转化为可模拟的形式[8]。从扫描到BEM可以通过激光扫描恢复现有几何[9], [10]，但需要现场访问、专业设备和对无语义点云的大量处理[11]。从BIM到BEM将Revit等结构化模型[12]转化为模拟输入[13]，但此类来源在早期设计阶段或既有建筑中往往不可用。几何到BEM的自动化受重复模型准备成本的驱动[14]，可将CAD[15], [16]或几何[17]转化为可模拟的输入，已在研究[18]和商业实施[19]中得到验证。尽管这些方法进一步减少了模型准备工作量，但它们有相同的基本要求：几何必须已经可用。因此，未解决的问题不仅仅是如何将几何进行转换，而是当起始信息是非结构化的（如自然语言设计意图或单张建筑图片）时，如何获得BEM就绪的几何。
生成式AI提供了从这类非结构化输入到三维表示的潜在桥梁。基于扩散的图像生成器如DALL-E 2[20]、Stable Diffusion[21]和Midjourney[22]可以将文本转化为图像。与此同时，三维生成和重建方法如神经辐射场[23]及其变体[24], [25]、DreamFusion[26]和Zero-1-to-3[27]、InstantMesh[28]、Shap-E[29]和Hunyuan3D-2.1[30]表明，可以从有限的文本或视觉输入生成有用的三维表示。这些进展扩展了从文本或视觉设计输入自动生成三维建筑表示的潜力。在建筑领域，生成式AI已被应用于平面图生成[31], [32], [33]、窗墙比控制的单视角建筑重建[34]、体块分析[35]和建筑形态生成[36]，而运动恢复结构[37]和基于深度学习的深度估计[38]支持几何重建。此外，研究人员已开始使用大语言模型（LLM）通过微调技术[39]和自然语言接口[40], [41]来自动化EnergyPlus模型生成。现有的二维图像到三维的方法主要关注几何重建，而未将生成的模型与能耗性能评估联系起来，而基于LLM的BEM自动化也尚未完全集成到生成式设计工作流程中。因此，仍有一个关键差距：目前还没有建立的工作流程能够通过生成式AI和经验证的建筑能耗模拟将自然语言描述或单视角建筑图片等高层输入转化为可量化的能耗性能。
本研究通过提出一个具有两个入口点的AI辅助工作流程来解决这一差距。对于概念设计，首先将文本提示转化为建筑图像；对于既有建筑重建，工作流程从提供的单视角图像开始。从该点之后，两个入口点使用相同的顺序：二维到三维重建、网格构件分类、确定性几何重建和EnergyPlus模型组装。构件分类阶段将网格面标记为墙体、窗户、屋顶和地面/噪声；图神经网络（GNN）被用于实施的工作流程中。该工作流程通过在香港某真实建筑上的两个应用进行了进一步评估：从单张图片重建既有建筑，以及从文本生成替代设计方案。研究范围有意仅限于几何自动化：时间表、构造、暖通空调模板和内部负荷是预定义的，以便能耗强度可以被视为受控的一致性指标，而非真实建筑性能的端到端预测。
本研究做出四项贡献。首先，建立了一条从有噪声的、无语义的生成网格到可用于EnergyPlus的水密、平面、楼层分区几何的实际转换路线。其次，将基于图的构件分类与有监督和无监督基线进行了评估，以量化网格拓扑和几何上下文的价值。第三，构建了一个涵盖多种平面形状和楼层数的专用合成数据集，用于构件分类的训练和评估。第四，该工作流程通过香港某校园办公楼上的两个应用进行了展示：从单张图片重建可模拟的EnergyPlus模型，以及文本驱动的替代设计方案生成，将评估从合成案例扩展到真实建筑。
各节摘要
方法
基于上述差距和研究范围，本节首先介绍整体的AI辅助工作流程，然后详细说明其用于建筑设计和能耗模拟的组成部分。
结果
本研究的主要目标是开发一个用于自动化建筑能耗模拟几何输入的AI辅助工作流程。本节介绍了研究案例、多尺度验证、构件和生成模型比较、基于图片的重建以及文本驱动的生成式设计应用。
讨论
本研究建立了一个具有两个入口点的AI辅助工作流程：文本用于概念设计，提供的图像用于既有建筑重建。两者都使用相同的序列：二维到三维重建、构件分割、确定性几何重建和EnergyPlus组装。主要贡献是在预定义的几何外假设条件下，将高层设计意图或有限图像输入实际转化为可模拟的几何。多尺度
结论
本研究提出并评估了一个AI辅助工作流程，将高层设计输入转化为EnergyPlus兼容的建筑几何。该工作流程在预定义的几何外假设条件下集成了多模态图像生成、图像到三维的生成重建和网格到EnergyPlus的转换。结果支持其用于受控的概念设计探索和基于图片的重建。主要结论如下：
作者贡献声明
温世康：撰写——初稿，验证，软件，方法论，调查，正式分析，数据管理。陈清艳：撰写——审阅与编辑，监督，资源，项目管理，概念化。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本论文所报告的工作。
致谢
本文所展示的研究工作在JC STEM健康建成环境实验室进行并得到资助，该实验室由香港赛马会慈善信托基金资助。
温世康|陈清艳
