[论文分享]An integrated framework utilizing machine learning to accelerate the optimization of energy-efficient urban block forms
📃 基本信息
[论文标题] 《利用机器学习加速节能城市街区形态优化的集成框架》
[期刊信息] Tsinghua University Press (2024) | 作者: Ke Liu, Xiaodong Xu, Ran Zhang, Lingyu Kong, Xi Wang, Deqing Lin
📌 一句话概括
本研究提出并验证了一个结合XGBoost算法的集成框架，用于加速城市街区形态的多目标优化，显著提升了城市节能设计的计算效率。
📚 深度总结
本研究旨在解决当前城市规划中街区形态优化面临的高计算负荷和低效率问题，提出了一套利用机器学习技术，尤其是XGBoost模型，来加速节能城市街区形态多目标优化的集成框架。
随着全球城市化进程加速，建筑能耗和环境问题日益突出。城市街区形态对建筑能耗、可再生能源利用及室外环境性能（如日照）有显著影响。传统基于性能模拟的多目标优化方法计算成本高昂，难以在早期设计阶段快速迭代，且多聚焦于单体建筑而非城市街区层面，也未能全面整合能耗、发电和环境因素。
本研究选择南京典型住宅街区作为案例，提取12种建筑原型（点式、板式、内院式），并根据层数分为3组。构建了基于Rhino-Grasshopper平台的参数化控制系统，通过建筑原型、层数和朝向等设计变量控制街区形态生成。同时 采用Ladybug工具的EnergyPlus引擎（经UWG修正的气象数据）模拟年均街区能耗强度（EUI），Ladybug-Radiance引擎模拟屋顶光伏发电量（PVE），以及最冷日室外日照时数（SH）的合格区域比例。然后使用拉丁超立方抽样（LHS）方法生成1000个样本进行性能模拟，构建数据集。以17个城市形态参数作为特征，EUI、PVE、SH作为标签。比较了ANN、SVM、RF和XGBoost四种模型，通过网格搜索和5折交叉验证进行超参数调优，并评估其预测性能。结果显示，XGBoost在EUI预测中R²值达0.897，PVE达0.993，SH达0.923，RMSE最低，证实其作为替代模拟的优越性。最终将训练好的XGBoost模型集成到Grasshopper平台上的Wallacei插件（使用NSGA-II算法）中。优化目标为最小化EUI，最大化PVE和SH。XGBoost模型取代了耗时的物理模拟，快速预测目标函数值，显著加速优化过程。最终生成了185个帕累托最优解。
本文的关键发现主要体现在以下几个方面：首先，该研究提出的框架极大地提高了计算效率。传统模拟方法通常需耗时7分钟，而通过引入XGBoost模型，优化速度提升了420倍以上，仅需不到1秒即可完成计算。其次，优化后的帕累托最优解在能耗强度（EUI）、光伏发电量（PVE）及室外日照时数（SH）等性能指标上均优于被支配解，验证了优化过程的有效性。此外，通过SHAP分析表明，形体因子（SF）和建筑朝向（BO）对能耗的影响最为显著，建筑密度（BD）对光伏发电量存在显著的正向作用，且BO与天空视野因子（SVF）共同影响室外日照时数（SH）。具体而言，当建筑朝向介于-15°与0°之间时，对能耗强度（EUI）有负面影响，而朝向为-45°、-30°与45°时更有利于冬季日照性能。
研究进一步发现，帕累托最优解更倾向于建筑朝向为-15°和0°，并且呈现出南低北高的垂直布局，多以P-3（高层点式）和S-1、S-2（多层板式）原型为主。该框架的实际应用价值体现在其能够为城市规划师和设计师提供高效、可靠的工具，用于早期阶段优化城市设计决策，助力实现城市能源效率和碳减排目标，为零碳或正能源城区的规划提供指导。然而，研究也存在一定的局限性。首先，该模型未考虑光伏板倾角的优化设定及系统损耗等问题；其次，机器学习模型的训练数据主要基于模拟结果，未来需通过实际数据校准以提高精度。此外，研究重点聚焦于新城区街区设计，对于现有建筑改造及小尺度开发的适用性尚未深入探讨，同时优化过程在时间解析度上也存在提升空间，可在未来探索更高精度的小时级或亚小时级优化。
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、性能模拟（EnergyPlus, Radiance）、机器学习（XGBoost, ANN, SVM, RF）、多目标优化（NSGA-II）
- 适用范围: 城市街区层面，以南京住宅街区为例，适用于夏季炎热冬季寒冷地区
- 使用工具: Rhino-Grasshopper, Ladybug tools (UWG, Honeybee, EnergyPlus, Radiance), Python, Wallacei
- 数据来源: 通过拉丁超立方抽样（LHS）生成的1000个模拟样本数据
- 参考标准: JGJ 134-2010, GB 50736-2012 (中国建筑规范), ASHRAE, ISO 7730