[论文分享]A new synthesized framework of artificial neural network-based sensitivity analysis for building energy performance: A case study of Shanghai, China
📃 基本信息
[论文标题] 《基于人工神经网络的新型建筑能耗敏感性分析集成框架：以上海为例》
[期刊信息] Building and Environment (2025) | 作者: Hui Liu, Yanfeng Wu, Wenbiao Liu, Tingting Xue, Jun Xu
📌 一句话概括
该研究提出一种整合AI（ANN）、Mojo编程与EnergyPlus的新型建筑能耗敏感性分析框架，显著提升了早期设计阶段多目标评估的效率与准确性。
📚 深度总结 (300-500字)
本研究针对当前建筑能耗敏感性分析中传统工具计算资源需求高、AI方法应用不足以及缺乏多目标（能耗、舒适度、环境影响）集成分析的问题，提出了一种创新性的AI驱动框架。论文首先指出建筑部门能耗与碳排放逐年增长的严峻现状，强调敏感性分析在优化建筑设计和减排中的核心作用，并梳理了现有局部敏感性分析（LSA）和全局敏感性分析（GSA）工具的局限性，特别是Sobol方法的计算成本高昂。
研究核心在于构建了一个融合EnergyPlus、Mojo编程环境和人工神经网络（ANN）的集成框架。其中，Mojo作为高效的编程语言，负责衔接EnergyPlus仿真和ANN模型，实现自动化工作流和数据处理。ANN模型被训练为替代传统繁琐仿真的代理模型，能以少量仿真数据学习并快速预测建筑性能。该框架在LSA中引入了一种新的归一化相对敏感性指数（NRSI），用于量化单个变量效应；在GSA中则利用Sobol指数捕捉变量间的交互作用，并通过新的公式确定了ANN训练所需的最佳仿真样本量。
以上海住宅建筑作为案例研究，该方法评估了建筑朝向（BO）、窗墙比（WWR）、悬挑深度（OD）、HVAC设定点（CS和HS）、外墙太阳吸收率（SAw,ext）、外墙热阻（TRw,ext）和窗玻璃太阳得热系数（STwin）等八个设计参数对总能耗（TEC）、等效二氧化碳排放（ECE）、不舒适眩光指数（DGI）和预测平均投票（PMV）的影响。关键发现包括：该ANN-based方法预测准确性高（RMSE小于0.027，R2大于0.993），与SimLab结果吻合度高，且计算效率提升超过77.8%。研究揭示，制冷设定点（CS）对TEC和ECE的影响最为显著（敏感性指数接近70%），PMV主要受制冷和采暖设定点影响（敏感性指数分别为84.9%和88.3%），而DGI则主要受建筑朝向和窗墙比影响（约38%）。优化建筑朝向可年均减少约1.2 GJ能耗和37 kg二氧化碳排放。研究也验证了NRSI作为敏感性评估指标的可靠性。
本研究的实际应用价值在于，它提供了一个高效、精确且可扩展的工具，使建筑师和工程师能够在早期设计阶段快速评估多参数对建筑性能的综合影响，从而辅助决策，缩短设计周期，促进高性能绿色建筑的实现。研究的局限性主要在于案例研究的特定气候（上海）和建筑类型。
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: 基于人工神经网络（ANN）的敏感性分析（包括局部敏感性分析SFA和全局敏感性分析SSA），EnergyPlus仿真，Mojo编程集成，拉丁超立方采样(LHS)，贝叶斯正则化训练。
- 适用范围: 湿热亚热带气候区的住宅建筑（框架本身具有通用性和可扩展性）。
- 使用工具: EnergyPlus, Mojo, MATLAB (Neural Network Toolbox), SimLab (用于对比验证)。
- 数据来源: EnergyPlus模拟生成的数据，U.S. Department of Energy’s Commercial Reference Buildings数据集。
- 参考标准: 热舒适度(PMV)评估基于Fanger模型；眩光指数(DGI)评估基于通用舒适度阈值。