【技术实现步骤摘要】
本专利技术提供一种基于合院式建筑建筑性能的多目标优化方法，属于建筑。
技术介绍
1、随着机器学习技术的广泛应用，越来越多的研究致力于利用机器学习或深度学习技术来预测建筑性能。目前，国内外建筑领域的相关研究涵盖了风环境、热环境、能耗、日照和污染物等多个方面。这些研究通常通过输入大量数据来训练预测模型，然后使用误差评价指标来评估各预测模型的准确性。
2、例如，qiushi h.等人使用卷积神经网络（cnn）和人工神经网络（ann）算法建立了一套预测模型，可以根据建筑平面图预测建筑的自然采光性能。此外，alawadi和sadi等人介绍了四种基于人工神经网络（ann）的机器学习方法，用于对暖通空调（hvac）系统进行建模，以预测公共研究大楼的室内温度。这些研究大多依赖于大量的建筑性能数据，这些数据通常通过政府部门的性能检测或大量实际调研获取。
3、当前的研究主要集中在如何高效地收集和利用这些数据以提高预测模型的准确性，然而，现有技术在数据获取和模型优化方面仍存在诸多挑战。因此，迫切需要进一步的研究和改进，以解决这些问题并提升建筑性能预测的精度和可靠性。本专利技术旨在解决这一技术问题，提出一种更为高效和准确的建筑性能预测方法。
技术实现思路
1、本专利技术提出了一种结合机器学习和遗传算法多目标优化的建筑性能快速预测的方法，能够在合院式建筑改造中方便建筑师对设计方案进行快速决策。
2、具体技术方案为：
3、一种基于合院式建筑建筑性能的多目标优化方
4、步骤1，建立用于建筑性能模拟的参数化模型；
5、步骤2，基于wallaceix的多目标优化；
6、步骤3，基于理想点法求出最优解。
7、具体的，步骤1中所述建筑性能模拟的参数化模型的构建，包括以下过程：
8、确定合院式建筑的优化目标和设计参数，构建合院式建筑多目标优化模型；所述多目标优化模型包括优化目标、设计参数和约束条件，所述约束条件表示所述设计参数的取值范围；所述优化目标包括热气候指数、采光系数、建筑全年能耗强度；所述设计参数包括内院的长度、内院的宽度、东西向房屋进深、南北向房屋进深、建筑高度、窗墙比、院落空间的朝向；按照建筑的几何尺寸的约束条件，建立可调参的建筑几何模型。
9、进一步的步骤1具体子步骤为：
10、s1.1目标物理量选择
11、选择全年能耗强度tli、采光系数df、室外热舒适度utci作为性能评价指标。
12、utci模型的计算公式如下：
13、utci = + offset（,,,）（1）
14、其中，ta表示大气温度，℃，va表示风速，m/s，td表示露点温度，℃，offset是一个函数，其值取决于大气温度ta、平均辐射温度tmrt、风速va和露点温度td。
15、tmrt=- 273
16、tmrt表示平均辐射温度，t为日平均温度,℃。
17、df模型的计算公式如下：
18、df = （2）
19、其中，a表示窗户和其他透光结构的面积总和（m²），t表示采光结构的透光程度，是一个介于0和1之间的数值，表示光线通过窗户或其他透光结构的能力，s表示采光结构面积所对应的室内面积（m²），h表示从室内地面到采光结构顶部的高度（m）。
20、建筑全年能耗强度是一个用于评估建筑物在一年内的能源消耗效率的指标。通过将建筑全年总能耗除以建筑面积来计算：
21、t =（3）
22、e =（4）
23、其中，t 代表建筑全年总能耗，kwh，表示第j类系统年能耗，表示第j类系统消耗由可再生能源系统提供的年能源量，e 代表建筑全年能耗强度，kwh/m²，a 代表建筑面积，m²。
24、s1.2 参数调整
25、基于rhino与ladybug tools套件的协同配合，根据当地气候条件和场地环境对数字化模型进行建筑性能模拟。
26、s1.2 参数调整包括以下步骤：
27、s1.2.1，根据当地气候条件和场地环境对数字化模型进行建筑性能模拟。将包含气候特征的气候epw文件导入到ladybug。用hb-radiance对气候环境模拟、评价建筑的自然采光。用hb-energy和open studio对建筑类型、构造类型、活动日程和建筑负荷等进行自定义，根据定义模型模拟建筑能耗相关性能。
28、s1.2.2，能耗模拟设定参数如下，period(模拟的周期)为全年，建筑构造为木结构（2010：climatezone4：woodframed），建筑类型为住宅，并根据国家和地方标准，对活动、居住、照明、电气设备、供暖和制冷进行设置。
29、s1.2.3，自然采光模拟和室外热环境模拟设定参数如下，period(模拟的周期)为全年，grid_size（探测器网格大小）为1.0，dist_floor(探测面距离地面高度)为0.75米。将定义后的参数输入到hb daylight facter和hb utci comfort map运算器。
30、s1.3 参数化模型建构
31、采用多目标遗传算法优化迭代的方式获得一个包含空间设计变量和优化目标值的数据集，并得出pareto前沿解和非前沿解。
32、步骤s1.3中的遗传算法参数设置：
33、交叉率(crossover probability)数值设置为0.9；变异率(mutationprobability)数值设置为1/r；交叉分布指数(crossover distribution index)数值设置为20；变异分布指数(mutation distribution index)数值设置为20；随机种子(randomseed)数值设置为1。
34、进一步的，步骤2中多目标优化算法优化过程包括以下子步骤：
35、步骤2.1，将全年能耗强度、采光系数、热气候指数作为优化目标输入wallaceixobjectives优化目标端口，其中全年总能耗强度越小越好，因多目标优化过程中默认寻找最大值，所以设置为相反数。采光系数和热气候指数取平均值优化，评价结果可能存在少量偏差，但对优化结果影响小。
36、步骤2.2，genes端口则输入控制建筑参数的变量。generationsize（迭代数量）为40代，generationcount(每代子集)为80，populationsize(种群规模)为3200。
37、步骤2.3，多目标优化的解集以散点图的形式显示在wallaceix的坐标系中，其中x,y,z坐标轴分别对应全年能耗、采光系数和热气候指数。
38、进一步的，步骤（3）采用公式（5）计算出pareto最优解集点到理想点之间的距离：
39、=（5）
40、其中（）是对应本文档来自技高网...
【技术保护点】
1.一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，步骤1中所述建筑性能模拟的参数化模型的构建，包括以下过程：
3.根据权利要求1或2所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，步骤1具体子步骤为：
4.根据权利要求3所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，S1.2 参数调整包括以下步骤：
5.根据权利要求1所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，步骤2中多目标优化算法优化过程包括以下子步骤：
6.根据权利要求3所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，步骤S1.3中的遗传算法参数设置：
7.根据权利要求1所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，步骤（3）采用公式（5）计算出pareto最优解集点到理想点之间的距离：
【技术特征摘要】
1.一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，步骤1中所述建筑性能模拟的参数化模型的构建，包括以下过程：
3.根据权利要求1或2所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，步骤1具体子步骤为：
4.根据权利要求3所述一种基于合院式建筑建筑性能的多目标优化方法，其特征在于，s1.2 参数...
【专利技术属性】
技术研发人员：俞天琦，李欣雨，战晓琦，王冠，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。