未来气候情景下基于贝叶斯神经网络的热韧性优化：热带地区可负担住房案例研究

对炎热湿润地区的低层住宅来说，加厚屋面保温、降低屋顶太阳吸收率通常是降低室内过热风险的常用做法。但当气候变暖持续推高室外基准温度、缩小室内外温差时，原本依赖热压自然通风排散的立面太阳得热会更难排出，围护结构各设计变量的相对权重也会发生变化。来自日本九州大学等机构的研究团队以印度尼西亚苏拉卡尔塔（Surakarta）的可负担住房为案例，将贝叶斯神经网络（BNN）引入多气候情景优化，在预测过热表现的同时量化预测不确定性，并将不确定性约束写入进化搜索的目标函数。

基准模型校准与多情景模拟

研究对象是苏拉卡尔塔贫民区升级项目中的一栋两层 RUSPIN 预制混凝土框架住宅，一层布置起居室与卫生间，二层是紧贴金属屋面的卧室与露台。团队通过 Grasshopper 与 Ladybug Tools / Honeybee 搭建 EnergyPlus 模型，并利用 2023 年 10 月连续 20 天的现场实测室温核验基准模型，卧室逐时温度的均方根误差（RMSE）为 1.0 °C、平均绝对误差（MAE）为 0.8 °C。为了考察围护结构参数本身的影响，模拟将门窗启闭按现场观察到的生活习惯固定，把二层卧室全年室内作用温度超过东南亚自适应热舒适 80% 可接受上限的小时占比（${\mathrm{B}\mathrm{R}}_{\mathrm{p}\mathrm{c}\mathrm{t}\mathrm{h}\mathrm{o}\mathrm{t}}$）作为评价指标。

借助 Meteonorm 8.2，团队生成了当前气候以及 RCP4.5、RCP8.5 排放路径下 2050、2070、2090 年共 7 组典型气象年文件（制冷度日数 CDD 从当前气候的约 1759 °C·d 上升至 RCP8.5-2090 的约 3142 °C·d）。在每种气候情景下，研究对屋面 XPS 保温厚度、屋面太阳吸收率、墙体保温与吸收率、外窗太阳得热系数（SHGC）、外窗传热系数（U 值）、正立面与侧立面窗墙比、外遮阳挑出深度以及建筑朝向开展 Sobol 准随机采样，每个情景生成 500 组方案，7 个情景共完成 3500 组全年模拟。

统计结果显示，卧室平均过热比例（${\mathrm{B}\mathrm{R}}_{\mathrm{p}\mathrm{c}\mathrm{t}\mathrm{h}\mathrm{o}\mathrm{t}}$）从当前气候的 1.40% 升至 RCP4.5-2090 的 9.21%，并在极端升温情景 RCP8.5-2090 下达到 22.92%，是当前气候的 16 倍以上。如果把偶发的低温不适与高温不适一并计入全年总不舒适小时（TDH），样本均值则从当前气候的 188.0 h（其中含 0.75% 的欠热时段）扩大到 RCP4.5-2090 的 811.7 h 和 RCP8.5-2090 的 2007.9 h。

设计变量敏感性的跨期变化

基于覆盖 7 个气候情景的代理模型，作者开展了全局 Sobol 敏感性分析，对比了不同气候情景下设计变量重要性的变化。

在当前气候情景下，金属屋面传热主导了卧室的过热波动。屋面 XPS 保温厚度的一阶主效应指数（$S_1$）高达 0.44，计入与其他参数交互后的总效应指数（$S_T$）达到 0.86；屋面太阳吸收率的 $S_1$ 与 $S_T$ 分别为 0.09 和 0.44。仅这两项屋顶参数的直接主效应之和就解释了约 53% 的过热方差，而外窗 SHGC、侧立面窗墙比和建筑朝向的一阶指数均只有 0.02（总效应 0.04—0.05）。

到了 RCP8.5-2090 极端升温情景，随着室外空气温度逼近室内温度，热压驱动的自然通风排热能力显著减弱。此时屋面保温厚度与屋面太阳吸收率的总效应 $S_T$ 分别回落至 0.47 和 0.20（降幅超过一半），而外窗 SHGC（$S_1=0.12$，$S_T=0.12$）、侧立面窗墙比（$S_1=0.10$，$S_T=0.11$）的一阶主效应均超过屋面太阳吸收率（$S_1=0.09$），建筑朝向的一阶主效应（$S_1=0.09$，$S_T=0.10$）也追平了屋面太阳吸收率。因此，仅按当前气候排定的屋顶隔热改造方案，在未来高排放变暖情景下如果不配合控制侧窗 SHGC 与窗墙比，降温效果会明显下降。

图 1｜a：七种气候情景下每种 500 组设计方案的卧室年过热比例（BRpcthot）均值与 25%–75% 四分位距；b：当前气候与 RCP8.5-2090 情景下 5 个关键被动参数的一阶（S1）与总效应（ST）Sobol 敏感性指数对比，圆点为 S1、线端为 ST（数据来源：原论文表 6、表 8）。

贝叶斯神经网络与风险约束

在模拟驱动优化（SBO）里，用常规确定性人工神经网络（ANN）替代 EnergyPlus 虽然能大幅提速，但由于确定性网络只输出单个点预测值，进化算法在搜索极端参数组合时，容易把训练样本稀疏区里模型算不准的低过热值当成全局最优解。

研究团队为此构建了包含两个变分全连接层（128 与 64 个神经元）的贝叶斯神经网络（BNN）。对任意输入方案，模型通过多次随机前向传播生成过热比例的预测分布，并将总预测方差拆解为输出似然对应的偶然不确定性（aleatoric）与模型参数对应的认知不确定性（epistemic）。按论文分解口径，前者约占测试集总方差的 89%（反映模型对确定性模拟样本的概率分解，不同于实际运行中的测量噪声占比）。在差分进化（DE）寻优阶段，目标函数 $J(x)$ 用预测分布中最差 10% 分位区间的条件期望（${\mathrm{C}\mathrm{V}\mathrm{a}\mathrm{R}}_{90\%}$）替代单一均值预测，同时引入按每代种群中位数归一化的认知不确定性惩罚，以及标准化特征空间中到训练集样本的 k 近邻距离惩罚，防止搜索跑出训练数据的支撑域。

在按 CDD 分层随机划分的 15% 保留测试集上，BNN 的决定系数 $R^2$ 达 0.9905，MAE 为 0.521 个百分点，连续分级概率评分（CRPS）为 0.3768 个百分点，名义 95% 预测区间的实际样本覆盖率（${\mathrm{P}\mathrm{I}\mathrm{C}\mathrm{P}}_{95}$）达到 95.05%（测试集由七个情景分层随机抽取，反映已覆盖情景内部的预测与校准表现）。

高保真复算验证与适用条件

团队在当前气候、RCP4.5-2090 和 RCP8.5-2090 三个情景及西北、东南两个朝向组合下开展了 6 组独立优化，并把每组差分进化末代种群（共 600 个候选方案）全部送回 EnergyPlus 做高保真复算对比。

在 600 个寻优末代方案上，BNN 预测值与 EnergyPlus 复算值的 MAE 为 0.3309 个百分点、RMSE 为 0.4321 个百分点；而采用相同数据集训练并单独调参的确定性 ANN 对照模型，末代复算 MAE 与 RMSE 分别高达 1.7812 和 2.2289 个百分点，误差降低约五分之四。经 EnergyPlus 复算确认，BNN 筛选出的最优方案与直接调用 EnergyPlus 跑差分进化（jEDE）所得最优解的 ${\mathrm{B}\mathrm{R}}_{\mathrm{p}\mathrm{c}\mathrm{t}\mathrm{h}\mathrm{o}\mathrm{t}}$ 差距仅在 0.01—0.14 个百分点之间（例如在 RCP8.5-2090 西北向场景下，可将卧室过热比例从情景均值 22.92% 压低到约 10.2%）。单次直接模拟寻优耗时约 3 小时 10 分钟（190 分钟），而 BNN 代理搜索加末代复算合计仅需 11.5 分钟，单次优化搜索耗时缩短约 94%—96%。

应用这套方法时需考虑两项前提。首先，94%—96% 的省时比例针对网络训练完成后的单次寻优阶段，前期仍需计入生成 3500 组 EnergyPlus 样本的固定算力开销，更适合在同一建筑原型上反复开展多朝向、多气候情景推演的任务。其次，模拟假定房屋几何与住户开窗习惯在未来数十年保持不变，未计入保障性住房入住后的自发加建改造。

来源：Ibrahim Elwy, Yasser Ibrahim, Fatima Zahrau Muhammed, Xiong Zhilun, Aya Hagishima，《Bayesian Neural Networks for Thermal Resilience Optimization Under Future Climate Scenarios: A Case Study of Affordable Housing in Tropical Regions》，Buildings，2026，16(2)，328。