[论文分享]Using intelligent multi-objective optimization and artificial neural networking to achieve maximum solar radiation with minimum volume in the archetype urban block
📃 基本信息
[论文标题] 《基于智能多目标优化与人工神经网络实现原型城市街区最大太阳辐射与最小体积》
[期刊信息] Sustainable Cities and Society (2022) | DOI: 10.1016/j.scs.2022.104101 | 作者: Omid Veisi, Amir Shakibamanesh, Morteza Rahbar
📌 一句话概括
本研究结合多目标遗传算法和人工神经网络，优化了城市街区形态以最大化太阳辐射吸收并最小化街区体积，实现了高精度预测。
📚 深度总结
该研究旨在通过智能优化方法解决城市街区在有限体积下实现最大太阳辐射吸收的问题，并实现从模拟到仿真的转化，以提高城市规划效率。研究背景指出，随着城市快速发展，对高效可再生能源（尤其是太阳能）的需求迫切，而被动式设计和城市街区尺度的优化是实现能源节约的关键。文章强调了现有研究在城市街区尺度优化方面的不足，以及将AI算法应用于该领域以缩短计算时间和提高精度的潜力。
研究方法采用了一套集成的工作流程：首先，在Kermanshah市选取了34种典型城市街区模式，并利用Rhino-Grasshopper平台进行参数化建模。这些模型被定义了包括高度、方向、地块数量和尺度在内的关键变量。其次，通过Ladybug插件结合OpenStudio/EnergyPlus和Radiance进行太阳辐射分析，生成了包含太阳辐射吸收量、街区体积和面积在内的170,305个数据样本的数据集。在优化阶段，研究应用了NSGA-II多目标遗传算法，旨在同时最大化太阳辐射吸收和最小化街区体积及面积。最后，利用人工神经网络（ANN）对优化后的数据集进行训练，以实现对不同城市街区太阳辐射、体积和面积的快速预测。ANN模型包含五个隐藏层，通过LeakyReLU激活函数和Adam优化器进行训练，最终验证结果的R2分数达到98%。
关键发现包括：街区的最佳尺寸约为100×100米，最佳高度在10至15米之间。通过多目标优化，模型能够找到平衡太阳辐射吸收和街区体积的帕累托前沿。研究发现庭院式街区（C1和C5类型）相比其他街区类型能吸收更多的太阳辐射。面积、体积和尺度与太阳辐射吸收量存在强相关性，而方向关联性较弱。ANN训练结果显示，该模型能以98%的准确率预测未训练的城市街区样本的太阳辐射吸收、体积和面积，证明了其将能耗模拟转化为仿真预测的潜力。
实际应用价值在于为城市规划师和设计师提供一个高效、准确的决策支持工具，使其在城市发展的早期阶段即可优化街区形态，提升太阳能利用效率，从而实现可持续发展。研究局限性在于数据采集主要基于特定气候区（Kermanshah），且现有数据集尚未覆盖所有本土街区模式，这限制了模型在不同气候条件和更广泛城市形态下的普适性。未来的研究可以扩展数据集并纳入更多气候模式。
本速览仅作研究参考，不替代原文阅读。如需引用，请参考原论文。
🔍 要点追溯
- 研究方法: 参数化建模、多目标遗传算法（NSGA-II）、太阳辐射模拟、人工神经网络（ANN）
- 适用范围: 城市街区尺度的太阳能利用优化，伊朗Kermanshah气候区作为案例研究地
- 使用工具: Rhino-Grasshopper, Ladybug, OpenStudio, Radiance, Jupyter Notebook, Excel
- 数据来源: 34种典型城市街区参数化生成及模拟获取的170,305个数据样本；Kermanshah气候区的EPW文件
- 参考标准: 未明确提及遵循的具体建筑或能源性能标准，主要基于模拟和优化结果。