一种基于深度学习技术的零碳建筑布局优化方法及系统技术方案

本发明专利技术公开了一种基于深度学习技术的零碳建筑布局优化方法及系统，涉及零碳建筑布局优化技术领域，通过预先收集零碳建筑的训练数据集合，使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型，设置朝向调整步长以及尺寸调整步长、初始建筑朝向和初始窗户尺寸，计算出建筑光照强度、建筑通风度以及建筑温度稳定度，采用梯度下降法寻找合适的建筑布局；实现了在零碳建筑建造前，检索合适的建筑布局，从而保证在实际建造时，提高零碳建筑的能源利用率。提高零碳建筑的能源利用率。提高零碳建筑的能源利用率。

【技术实现步骤摘要】
一种基于深度学习技术的零碳建筑布局优化方法及系统


[0001]本专利技术涉及零碳建筑布局优化
，具体是一种基于深度学习技术的零碳建筑布局优化方法及系统。

技术介绍

[0002]传统的建筑设计中，对于零碳建筑的布局优化通常是基于经验和规则进行的。然而，这种方法存在一些不足之处。首先，人工设计需要大量的时间和经验，并且很难考虑到所有的影响因素和复杂的相互关系。其次，传统方法往往缺乏系统性和智能性，无法评估各种布局方案的能源利用率。
[0003]在现有技术中，一些基于计算模型和仿真方法的研究已经开始关注零碳建筑的布局优化。然而，这些方法往往基于固定的规则和假设，无法灵活适应不同场景和需求。此外，这些方法也很难处理大规模的建筑布局优化问题，并且在计算效率和准确性方面存在一定的限制。
[0004]为此，本专利技术提出一种基于深度学习技术的零碳建筑布局优化方法及系统。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于深度学习技术的零碳建筑布局优化方法及系统，实现了在零碳建筑建造前，检索合适的建筑布局，从而保证在实际建造时，提高零碳建筑的能源利用率。
[0006]为实现上述目的，根据本专利技术的实施例1提出一种基于深度学习技术的零碳建筑布局优化方法，包括以下步骤：
[0007]步骤一：预先收集零碳建筑的训练数据集合；
[0008]步骤二：使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型；
[0009]步骤三：收集待优化零碳建筑的环境数据；
[0010]步骤四：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；
[0011]将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；
[0012]并对初始建筑朝向、初始窗户尺寸做初次调整；
[0013]步骤五：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤五，直至综合能效值达到收敛；
[0014]步骤六：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建
筑布局；
[0015]其中，所述训练数据集合中的元素包括光照强度训练数据、通风度训练数据以及温度稳定度训练数据；
[0016]所述光照强度训练数据包括若干组光照特征数据以及建筑光照强度；
[0017]所述通风度训练数据包括若干组通风特征数据以及建筑通风度；
[0018]所述温度稳定度训练数据包括若干组温度稳定度特征数据以及建筑温度稳定度；
[0019]其中，所述光照特征数据包括测试零碳建筑所处建筑数据以及测试零碳建筑所处环境的环境数据；
[0020]所述测试零碳建筑为利用数字孪生技术构建的采用与待优化零碳建筑相同的建筑图纸的虚拟建筑模型，且在数字孪生形成的模拟环境中，通过控制测试零碳建筑所处的环境数据、建筑朝向以及窗户尺寸，再收集测试零碳建筑内部的光照强度、通风度以及温度稳定度；
[0021]预先设置收集时间周期T；
[0022]进一步的，每组所述光照特征数据包括测试零碳建筑的建筑朝向、窗户尺寸以及环境平均光照强度；
[0023]其中，建筑朝向采用偏离角度进行量化表达；具体的，建筑朝向可以将某一方向的偏离角度设置为0，其后计算建筑朝向与偏离角度为0的位置在旋转方向上偏离的角度值，该偏离的角度值即为偏离角度；
[0024]其中，窗户尺寸为窗户的面积；
[0025]环境平均光照强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均光照强度；
[0026]所述建筑光照强度为收集时间周期T内，测试零碳建筑内部的平均光照强度；
[0027]每组所述通风特征数据包括建筑朝向、窗户尺寸以及环境平均风力强度；
[0028]所述环境平均风力强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均风力强度；
[0029]所述建筑通风度为收集时间周期T内，测试零碳建筑内部的平均风力强度；
[0030]每组所述温度稳定度特征数据包括建筑朝向、窗户尺寸以及环境温差系数；
[0031]环境温差系数为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的温差系数；所述温度系数是指温度的最大值除以温度的最小值；
[0032]所述建筑温度稳定度为收集时间周期T内，测试零碳建筑内部的温差系数除以环境温差系数；
[0033]训练出预测光照强度的第一深度学习模型的方式为：
[0034]将每组光照特征数据作为第一深度学习模型的输入，所述第一深度学习模型以对每组光照特征数据的预测的建筑光照强度为输出，以该组光照特征数据在光照强度训练数据中对应的建筑光照强度为预测目标，以最小化所有光照特征数据的预测误差之和作为训练目标；对第一深度学习模型进行训练，直至预测准确度之和达到收敛时停止训练；所述第一深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
[0035]训练出预测建筑通风度的第二深度学习模型的方式为：
[0036]将每组通风特征数据作为第二深度学习模型的输入，所述第二深度学习模型以对
每组通风特征数据的预测的建筑通风度为输出，以该通风特征数据在通风度训练数据中对应的建筑通风度为预测目标，以最小化所有通风特征数据的预测误差之和作为训练目标；对第二深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第二深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
[0037]训练出预测建筑温度稳定度的第三深度学习模型的方式为：
[0038]将每组温度稳定度特征数据作为第三深度学习模型的输入，所述第三深度学习模型以对每组温度稳定度特征数据的预测的建筑建筑温度稳定度为输出，以该温度稳定度特征数据在温度稳定度训练数据中对应的建筑温度稳定度为预测目标，以最小化所有温度稳定度特征数据的预测误差之和作为训练目标；对第三深度学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第三深度学习模型是深度神经网络模型或多层感知器模型中的任意一个；
[0039]所述待优化零碳建筑的环境数据包括待优化零碳建筑在收集时间周期T内的环境平均光照强度、环境平均风力强度以及环境温差系数；
[0040]输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度的方式为：
[0041]将初始建筑朝向、初始窗户尺寸以及环境数据中的环境平均光照强度作为第一深度学习模型的输入，获得第一深度学习模型对建筑光照强度的预测输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，包括以下步骤：步骤一：预先收集零碳建筑的训练数据集合；步骤二：预先设置收集时间周期T；使用训练数据集合训练出预测光照强度的第一深度学习模型、预测建筑通风度的第二深度学习模型以及预测建筑温度稳定度的第三深度学习模型；步骤三：收集待优化零碳建筑的环境数据；所述待优化零碳建筑的环境数据包括待优化零碳建筑在收集时间周期内的环境平均光照强度、环境平均风力强度以及环境温差系数；步骤四：预先设置朝向调整步长以及尺寸调整步长，并设置初始建筑朝向和初始窗户尺寸；将初始建筑朝向、初始窗户尺寸以及环境数据作为输入，利用第一深度学习模型、第二深度学习模型以及第三深度学习模型分别输出待优化零碳建筑的建筑光照强度、建筑通风度以及建筑温度稳定度；基于建筑光照强度、建筑通风度以及建筑温度稳定度计算出综合能效值；并对初始建筑朝向、初始窗户尺寸做初次调整；步骤五：使用调整后的初始建筑朝向、初始窗户尺寸重新计算出综合能效值，基于调整步长调整待优化零碳建筑的初始建筑朝向以及初始窗户尺寸，并循环执行步骤五，直至综合能效值达到收敛；步骤六：将循环结束时的初始建筑朝向、初始窗户尺寸作为待优化零碳建筑的建筑布局。2.根据权利要求1所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，所述训练数据集合中的元素包括光照强度训练数据、通风度训练数据以及温度稳定度训练数据；所述光照强度训练数据包括若干组光照特征数据以及建筑光照强度；所述通风度训练数据包括若干组通风特征数据以及建筑通风度；所述温度稳定度训练数据包括若干组温度稳定度特征数据以及建筑温度稳定度。3.根据权利要求2所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，所述光照特征数据包括测试零碳建筑所处建筑数据以及测试零碳建筑所处环境的环境数据；所述测试零碳建筑为利用数字孪生技术构建的采用与待优化零碳建筑相同的建筑图纸的虚拟建筑模型，且在数字孪生形成的模拟环境中，通过控制测试零碳建筑所处的环境数据、建筑朝向以及窗户尺寸，收集测试零碳建筑内部的光照强度、通风度以及温度稳定度；每组所述光照特征数据包括测试零碳建筑的建筑朝向、窗户尺寸以及环境平均光照强度；其中，建筑朝向采用偏离角度进行量化表达；具体的，建筑朝向可以将某一方向的偏离角度设置为0，其后计算建筑朝向与偏离角度为0的位置在旋转方向上偏离的角度值，该偏离的角度值即为偏离角度；其中，窗户尺寸为窗户的面积；环境平均光照强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均光照强度；
所述建筑光照强度为收集时间周期T内，测试零碳建筑内部的平均光照强度；每组所述通风特征数据包括建筑朝向、窗户尺寸以及环境平均风力强度；所述环境平均风力强度为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的平均风力强度；所述建筑通风度为收集时间周期T内，测试零碳建筑内部的平均风力强度；每组所述温度稳定度特征数据包括建筑朝向、窗户尺寸以及环境温差系数；环境温差系数为在每个收集时间周期T内，测试零碳建筑所处的数字孪生形成的模拟环境中的温差系数；所述温度系数是指温度的最大值除以温度的最小值；所述建筑温度稳定度为收集时间周期T内，测试零碳建筑内部的温差系数除以环境温差系数。4.根据权利要求3所述的一种基于深度学习技术的零碳建筑布局优化方法及系统，其特征在于，训练出预测光照强度的第一深度学习模型的方式为：将每组光照特征数据作为第一深度学习模型的输入，所述第一深度学习模型以对每组光照特征数据的预测的建筑光照强度为输出，以该组光照特征数据在光照强度训练数据中对应的建筑光照强度为预测目标，以最小化所有光照特征数据的预测误差之和作为训练目标；对第一深度学习模型进行训练，直至预测准确度之和达到收敛时停止训练；所述第一深度学习模型是深度神经网络模型或多层感知器模型中的任意一个。5.根据权利要求4所述的一种基于深度学习技术的零碳建筑布局优化方法，其特征在于，训练出预测建筑通风度的第二深度学习模型的方式为：将每组通风特征数据作为第二深度学习模型的输入，所述第二深度学习模型以对每组通风特征数据的预测的建筑通风度为输出，以该通风特征数据在通风度训练数据中对应的建筑通风度为预测目标，以最小化所有通风特征数据的预测误差之和作为训练目标；对第...

【专利技术属性】
技术研发人员：陈思嘉，张孝德，
申请(专利权)人：上海嘉仕迈科技有限公司，
类型：发明
国别省市：