CN109376941A - 基于人工神经网络和bim的建筑能耗模拟和优化方法 - Google Patents

基于人工神经网络和bim的建筑能耗模拟和优化方法 Download PDF

Info

Publication number
CN109376941A
CN109376941A CN201811304066.4A CN201811304066A CN109376941A CN 109376941 A CN109376941 A CN 109376941A CN 201811304066 A CN201811304066 A CN 201811304066A CN 109376941 A CN109376941 A CN 109376941A
Authority
CN
China
Prior art keywords
energy consumption
artificial neural
neural network
building
bim
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811304066.4A
Other languages
English (en)
Inventor
赵建国
董怡平
单彩杰
张占斌
陈俊杰
曹海良
杜先文
和嘉良
王慧彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China State Construction Engineering Corp Ltd CSCEC
China Construction Eighth Engineering Division Co Ltd
China Shanghai Architectural Design and Research Institute Co Ltd
Original Assignee
China State Construction Engineering Corp Ltd CSCEC
China Construction Eighth Engineering Division Co Ltd
China Shanghai Architectural Design and Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China State Construction Engineering Corp Ltd CSCEC, China Construction Eighth Engineering Division Co Ltd, China Shanghai Architectural Design and Research Institute Co Ltd filed Critical China State Construction Engineering Corp Ltd CSCEC
Priority to CN201811304066.4A priority Critical patent/CN109376941A/zh
Publication of CN109376941A publication Critical patent/CN109376941A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明公开了一种基于人工神经网络和BIM的建筑能耗模拟和优化方法，包括：建立建筑能耗数据库；通过人工神经网络算法，对建筑能耗数据库进行深度学习；通过Revit软件建立建筑方案的BIM模型，通过Rihno+Grasshopper平台提取BIM模型的建筑特征；通过人工神经网络算法计算出建筑的耗能评估结果；选择优化策略，得出各种优化策略的节能效果，形成优化后的设计方案。本发明将人工神经网络技术、BIM技术与建筑能耗模拟相结合。通过直接从BIM模型提取建筑特征信息，免除了传统在模拟软件上的建模环节；通过人工神经网络对数据库的学习，直接得出能耗计算结果，实现了建筑方案的实时优化和分析。

Description

基于人工神经网络和BIM的建筑能耗模拟和优化方法
技术领域
本发明涉及一种建筑物能耗预测技术领域，尤其涉及一种基于人工神经网络和BIM的建筑能耗模拟和优化方法。
背景技术
在各类建筑中，综合体建筑是典型的高能耗建筑，尤其是商业综合体建筑，具有体量大、能耗高、节能潜力大的特点。因此，设计和建造高能效的商业综合体建筑，对于整个社会的可持续发展具有重要的意义。
如图1所示，当前的建筑能耗模拟主要是在能耗模拟软件上进行：建模——计算——调整优化——再计算。整个过程耗费大量时间和人力，无法做到建筑方案的实时分析，因此往往只能起到事后验证的作用。
发明内容
鉴于上述现有技术中存在或潜在的不足之处，本发明提供了一种基于人工神经网络和BIM的建筑能耗模拟和优化方法，能够免除在模拟软件上重新构建建筑模型，高效、快捷地实现建筑方案的实时优化和分析。
为实现上述目的，本发明提供了一种基于人工神经网络和BIM的建筑能耗模拟和优化方法，其包括步骤：
建立建筑能耗数据库；
在Rihno+Grasshopper平台上搭建人工神经网络，对所述建筑能耗数据库进行深度学习；
通过Revit软件建立建筑方案的BIM模型，利用所述Rihno+Grasshopper平台提取所述BIM模型的建筑特征，作为所述人工神经网络的输入参数；
通过所述人工神经网络计算出所述建筑方案的建筑耗能评估结果；
根据计算得到的所述建筑耗能评估结果，结合所述建筑能耗数据库，选择优化策略；以及
通过所述人工神经网络计算所选择的所述优化策略的节能效果，形成优化后的设计方案。
本发明的一些实施例中，所述建筑能耗数据库中包括有建筑模型特征库、能耗数据和优化策略库。
本发明的一些实施例中，所述建筑模型特征库的数据组成包括：体形、朝向、层高、窗墙比、保温形式、动线形式、空调系统形式。
本发明的一些实施例中，所述能耗数据的数据组成包括：制冷能耗、供暖能耗、设备能耗、照明能耗。
本发明的一些实施例中，所述优化策略库的数据组成包括：围护结构、保温、遮阳、双层表皮、自然采光、自然通风。
本发明的一些实施例中，所述搭建人工神经网络，包括：
采用主成分分析法分析储存在所述建筑模型特征库中与建筑能耗相关的特征参数；
将与建筑能耗相关度最大的特征参数提取出来作为人工神经网络的输入层；
人工神经网络的输出层为建筑能耗数据库中建筑的能耗评估结果。
本发明的一些实施例中，所述优化策略选自所述建筑能耗数据库中的所述优化策略库。
本发明的一些实施例中，根据计算得到的所述建筑耗能评估结果，从所述优化策略库中选择多个优化策略；
并且，形成的优化后的所述设计方案为所选择的多个优化策略的组合。
本发明的一些实施例中，还包括步骤：将按照优化后的所述设计方案建成的建筑在实际工程的运行数据反馈至所述建筑能耗数据库，对所述建筑耗能数据库进行迭代优化。
本发明的一些实施例中，所述建筑能耗数据库为大型综合体建筑的建筑能耗数据库。
本发明由于采用上述技术方案，使其具有以下有益效果：
本发明将人工神经网络技术、BIM技术与建筑能耗模拟相结合。通过直接从BIM模型提取建筑特征信息，免除了传统在模拟软件上的建模环节；通过人工神经网络对数据库的学习，直接得出能耗计算结果，实现了建筑方案的实时优化和分析。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为传统能耗模拟方法的流程图。
图2为本发明实施例的基于人工神经网络和BIM的建筑能耗模拟和优化方法的流程图。
图3为本发明实施例的基于人工神经网络和BIM的建筑能耗模拟和优化方法的模块图。
图4～6为本发明实施例中建筑模型特征库的可选组成参数。
图7为本发明实施例中的麦克洛奇–皮兹神经元模型示意图。
图8为本发明实施例中的多层反向传播神经网络结构示意图。
图9为本发明实施例中的多层反向传播神经网络工作流程示意图。
图10为本发明实施例的人工神经网络应用阶段的工作流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
下面结合附图对本发明做进一步详细的说明。
参阅图2和图3所示，本发明提供了一种基于人工神经网络和BIM的建筑能耗模拟和优化方法，其主要包括以下步骤：
步骤1、建立建筑能耗数据库；
步骤2、通过人工神经网络算法，对建筑能耗数据库进行深度学习；
步骤3、通过Revit软件建立建筑方案的BIM模型，通过Rihno+Grasshopper平台提取BIM模型的建筑特征；
步骤4、通过人工神经网络算法计算出建筑的耗能评估结果；
步骤5、选择优化策略，得出各种优化策略的节能效果，形成优化后的设计方案；以及
步骤6、将实际工程的运行数据反馈至能耗数据，实现建筑能耗数据库的迭代优化。
其中，Grasshopper(简称GH)是一款在Rhino环境下运行的采用程序算法生成模型的插件(故表达为Rihno+Grasshopper平台)，是目前设计类专业参数化设计方向的入门软件。与传统建模工具相比，GH的最大的特点是可以向计算机下达更加高级复杂的逻辑建模指令，使计算机根据拟定的算法自动生成模型结果。通过编写建模逻辑算法，机械性的重复操作可被计算机的循环运算取代；同时设计师可以向设计模型植入更加丰富的生成逻辑。无论在建模速度还是在水平上照传统工作模式相比，都有较大幅度的提升。
人工神经网络(Artificial Neural Network，即ANN)，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
本发明将人工神经网络技术、BIM技术与建筑能耗模拟相结合。通过直接从BIM模型提取建筑特征信息，免除了传统在模拟软件上的建模环节；通过人工神经网络对数据库的学习，直接得出能耗计算结果，实现了建筑方案的实时优化和分析。
下面以大型商业综合体建筑能耗模拟和优化方法为例，对上述本发明实施例的基于人工神经网络和BIM的建筑能耗模拟和优化方法的各个步骤做进一步展开说明，具体如下。
步骤1、建立大型商业综合体的建筑能耗数据库，其中，该建筑能搞数据库包括但不限于如下内容：
1)建筑模型特征库(包含体形、朝向、层高、窗墙比、保温形式、动线形式、空调系统形式等十大项、26小项内容，详见图4～6所示)；
2)能耗数据(包含制冷能耗、供暖能耗、设备能耗、照明能耗等)。
上述数据的来源主要有：对现有商业综合体项目案例的总结；传统方法能耗模拟结果的收集；购买或授权取得的商业能耗数据。
3)优化策略库(亦称为绿色设计策略库)，包括在商业综合体项目中较为适用和常见的节能策略(例如围护结构保温、遮阳、双层表皮、自然采光、自然通风等)。
步骤2、在Rihno+Grasshopper平台上搭建人工神经网络框架，对建筑能耗数据库进行深度学习。
人工神经网络的搭建借助遗传优化算法得到最优节点数。在本发明中，人工神经网络的最小单位应用麦克洛奇–皮兹神经元，使用sigmoid函数(又称S型函数)来计算ANN的激活阈值，将收集到的加和映射至0到1之间，以避免输出结果的两极化和均一化，其中，麦克洛奇–皮兹神经元模型示意图如图7所示。
其中，
式中：y为输出参数，xi为输入参数，Wi为突触权重，bi为偏差值，Oj函数为sigmoid激活函数。
在此神经元的基础上，将生成多层感知神经系统，在多层神经系统中，反向传播神经网络是最接近大脑的工作过程且适应性最广的网络系统。本程序中的多层神经网络中有三层：输入层，隐藏层和输出层。首先，主成分分析法分析储存在建筑模型特征库中的共计26项建筑的绿色能耗相关参数，将与建筑能耗相关度最大的参数提取出来作为输入层。输出层为建筑能耗数据库中该建筑的能耗评估结果。他们由隐藏层两两连接为网络，通过改变各个神经元之间的连接权重来模仿生物神经学中大脑处理信息的方式激活相应的神经元。人工神经网络学习的过程是通过反向传播实现的。从输出层开始比对人工神经网络的计算结果与真实结果，不断修正和更新权重，直到偏差值小于设定值，达到正确处理数据的效果。人工神经网络结构与运行原理详见图8、图9。人工神经网络以数据库包含的参数值中由主成分分析后作为主成分的参数作为输入层神经元；输出层为打分制形式，以10分为间隔共计10个输出神经元。隐藏层神经元的数量需根据实际情况由遗传算法优化。层与层之间的神经元两两连接并存储有不同的权重，当权重超过激活函数中的阈值时，后一神经元将被激活。人工神经网络的工作原理即为不断调整各个神经元间的链接权重以给出相应的分数。
在数据库内训练样本较少的情况下，隐藏层中与输出层的神经元可以较少来保证算法的计算效率和避免过度拟合，随着数据库的增大，隐藏层和输出层中的神经元皆可随之增加，评估值的间隔也可减少至5分或1分，使此人工神经网络的计算值更精确。
步骤3、通过Revit软件建立建筑方案的BIM模型，再由Rihno+Grasshopper平台直接读取BIM模型的建筑特征参数，作为人工神经网络的输入参数。
步骤4、由人工神经网络计算出建筑方案的建筑耗能评估结果，计算结果随建筑方案实时生成，无需专门的建模环节。
步骤5、根据计算得到的建筑耗能评估结果，结合建筑能耗数据库，选择优化策略；以及，通过人工神经网络计算所选择的优化策略的节能效果，形成优化后的设计方案。
其中，由人工神经网络计算得出的能耗评估结果针对于主成分分析出的建筑参数，是对建筑能耗影响最大的参数。当能耗评估较高时，设计师可针对性选择合适的优化策略，从而得到最优方案。
其中的优化策略选自建筑能耗数据库中的优化策略库，根据计算得到的建筑耗能评估结果，从优化策略库中选择多个优化策略，并且，形成的优化后的所述设计方案为所选择的多个优化策略的组合。
步骤6、在建筑建成投入运营以后，将实际运营能耗数据重新输入能耗数据库，实现对现有数据库持续迭代优化，如图10所示。随着数据量的积累，计算结果日趋精确。
需要说明的是，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
以上所述仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于，包括步骤：
建立建筑能耗数据库；
在Rihno+Grasshopper平台上搭建人工神经网络，对所述建筑能耗数据库进行深度学习；
通过Revit软件建立建筑方案的BIM模型，利用所述Rihno+Grasshopper平台提取所述BIM模型的建筑特征，作为所述人工神经网络的输入参数；
通过所述人工神经网络计算出所述建筑方案的建筑耗能评估结果；
根据计算得到的所述建筑耗能评估结果，结合所述建筑能耗数据库，选择优化策略；以及
通过所述人工神经网络计算所选择的所述优化策略的节能效果，形成优化后的设计方案。
2.如权利要求1所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于，所述建筑能耗数据库中包括有建筑模型特征库、能耗数据和优化策略库。
3.如权利要求2所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于，所述建筑模型特征库的数据组成包括：体形、朝向、层高、窗墙比、保温形式、动线形式、空调系统形式。
4.如权利要求2所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于，所述能耗数据的数据组成包括：制冷能耗、供暖能耗、设备能耗、照明能耗。
5.如权利要求2所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于，所述优化策略库的数据组成包括：围护结构、保温、遮阳、双层表皮、自然采光、自然通风。
6.如权利要求2所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于，所述搭建人工神经网络，包括：
采用主成分分析法分析储存在所述建筑模型特征库中与建筑能耗相关的特征参数；
将与建筑能耗相关度最大的特征参数提取出来作为人工神经网络的输入层；
人工神经网络的输出层为建筑能耗数据库中建筑的能耗评估结果。
7.如权利要求2所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于：所述优化策略选自所述建筑能耗数据库中的所述优化策略库。
8.如权利要求7所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于：根据计算得到的所述建筑耗能评估结果，从所述优化策略库中选择多个优化策略；
并且，形成的优化后的所述设计方案为所选择的多个优化策略的组合。
9.如权利要求1所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于，还包括步骤：将按照优化后的所述设计方案建成的建筑在实际工程的运行数据反馈至所述建筑能耗数据库，对所述建筑耗能数据库进行迭代优化。
10.如权利要求1所述的基于人工神经网络和BIM的建筑能耗模拟和优化方法，其特征在于：所述建筑能耗数据库为大型综合体建筑的建筑能耗数据库。
CN201811304066.4A 2018-11-03 2018-11-03 基于人工神经网络和bim的建筑能耗模拟和优化方法 Pending CN109376941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811304066.4A CN109376941A (zh) 2018-11-03 2018-11-03 基于人工神经网络和bim的建筑能耗模拟和优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811304066.4A CN109376941A (zh) 2018-11-03 2018-11-03 基于人工神经网络和bim的建筑能耗模拟和优化方法

Publications (1)

Publication Number Publication Date
CN109376941A true CN109376941A (zh) 2019-02-22

Family

ID=65397589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811304066.4A Pending CN109376941A (zh) 2018-11-03 2018-11-03 基于人工神经网络和bim的建筑能耗模拟和优化方法

Country Status (1)

Country Link
CN (1) CN109376941A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111552200A (zh) * 2020-04-03 2020-08-18 五邑大学 基于bim的制冷设备综合优化方法、装置和设备
CN111723419A (zh) * 2020-04-26 2020-09-29 清华大学 一种居住建筑设计的确定方法及系统
GB2584614A (en) * 2019-05-17 2020-12-16 Arbnco Ltd Optimising building energy use
CN112906956A (zh) * 2021-02-05 2021-06-04 希盟泰克(重庆)实业发展有限公司 一种联合bim与cim的城市能耗预测方法
CN115097974A (zh) * 2022-07-06 2022-09-23 成都建工第四建筑工程有限公司 一种bim模型智能辅助会审系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530825A (zh) * 2012-07-04 2014-01-22 广州科创节能科技服务有限公司 一种建筑能耗监测软件系统及实现方法
CN104134097A (zh) * 2014-07-01 2014-11-05 哈尔滨工业大学 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530825A (zh) * 2012-07-04 2014-01-22 广州科创节能科技服务有限公司 一种建筑能耗监测软件系统及实现方法
CN104134097A (zh) * 2014-07-01 2014-11-05 哈尔滨工业大学 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
EMAD ELBELTAGI等: "Visualized strategy for predicting buildings energy consumption during", 《JOURNAL OF BUILDING ENGINEERING》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2584614A (en) * 2019-05-17 2020-12-16 Arbnco Ltd Optimising building energy use
GB2584614B (en) * 2019-05-17 2021-10-13 Arbnco Ltd Optimising building energy use
CN111552200A (zh) * 2020-04-03 2020-08-18 五邑大学 基于bim的制冷设备综合优化方法、装置和设备
CN111723419A (zh) * 2020-04-26 2020-09-29 清华大学 一种居住建筑设计的确定方法及系统
CN111723419B (zh) * 2020-04-26 2022-01-04 清华大学 一种居住建筑设计的确定方法及系统
CN112906956A (zh) * 2021-02-05 2021-06-04 希盟泰克(重庆)实业发展有限公司 一种联合bim与cim的城市能耗预测方法
CN115097974A (zh) * 2022-07-06 2022-09-23 成都建工第四建筑工程有限公司 一种bim模型智能辅助会审系统及方法
CN115097974B (zh) * 2022-07-06 2024-05-31 成都建工第四建筑工程有限公司 一种bim模型智能辅助会审系统及方法

Similar Documents

Publication Publication Date Title
CN109376941A (zh) 基于人工神经网络和bim的建筑能耗模拟和优化方法
Han et al. Product modeling design based on genetic algorithm and BP neural network
Vanegas et al. Inverse design of urban procedural models
He et al. Improved particle swarm optimization algorithms for aerodynamic shape optimization of high-speed train
CN107102727A (zh) 基于elm神经网络的动态手势学习与识别方法
CN111680451B (zh) 一种微观城市交通在线仿真系统及方法
Dong et al. Intelligent optimization: A novel framework to automatize multi-objective optimization of building daylighting and energy performances
CN114662201A (zh) 一种自然通风智能调控的寻优方法
Marsault Eco-generative Design for Early Stages of Architecture
Han et al. A performance-based urban block generative design using deep reinforcement learning and computer vision
CN106408649A (zh) 一种基于规则的体结构演化设计方法
Li et al. A study on urban block design strategies for improving pedestrian-level wind conditions: CFD-based optimization and generative adversarial networks
Yi et al. Integrating a wind turbine into a parking pavilion for generating electricity
Lin et al. The future of environmental performance architectural design based on human-computer interaction
CN103778284B (zh) 一种以建筑功能进行数字化立面设计的方法
Zheng et al. Generating and optimizing a funicular arch floor structure
Tang et al. Performative Computation-aided Design Optimization
He Urban experiment: Taking off on the wind of al
Zou et al. Design Optimization of Curved Curtain Wall Based on SPEA II‐GA‐BPNN Algorithm
Liang et al. Application of visual recognition based on BP neural network in architectural design optimization
Gui et al. Visual comfort generative design framework based on parametric network in underground space
Grobman Building the Digital World-Architectural Design Methods Based on the Use of Digital Tools-Performance Based Form Generation and Optimization
Hui et al. The Evaluation Model of Drone Appearance Design
Wu et al. Optimization of Landscape Design Scheme and Data Mining Based on CAD Data
CN106777914A (zh) 一种具有联盟合作的竞争性评价模型和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190222