CN111259481B - 一种整合空间信息的建筑室内光环境设计评价方法及装置 - Google Patents
一种整合空间信息的建筑室内光环境设计评价方法及装置 Download PDFInfo
- Publication number
- CN111259481B CN111259481B CN202010072355.7A CN202010072355A CN111259481B CN 111259481 B CN111259481 B CN 111259481B CN 202010072355 A CN202010072355 A CN 202010072355A CN 111259481 B CN111259481 B CN 111259481B
- Authority
- CN
- China
- Prior art keywords
- model
- light environment
- design
- building
- prediction
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000012417 linear regression Methods 0.000 claims description 31
- 238000003066 decision tree Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 12
- 230000035807 sensation Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种整合空间信息的建筑室内光环境设计评价方法、装置,该方法包括:构建参数化几何原型,实测局地光气候数据,采用拉丁超立方采样法对模型参数空间进行采样,获得设计参量数据组,导入模拟分析模型获得光环境性能数据;特征工程提取空间信息,将采样点空间坐标与设计参量整合作为输入参量;训练MLR、XGBT和MLP,并以集成学习模式进行整合,得到预测模型;获取待评价的设计模型,得到符合输入要求的输入参量,输入预测模型,得到光环境预测结果;将预测结果输出并进行比较,得到评价结果。本发明可解决既有建筑室内光环境设计评价效率低、耗时长、泛化能力弱的缺陷,为方案阶段的建筑室内光环境设计提供决策支持。
Description
技术领域
本发明涉及建筑设计技术领域,尤其涉及一种整合空间信息的建筑室内光环境设计评价方法、装置及计算机可读存储介质。
背景技术
建筑室内光环境对建筑节能效果及使用者舒适度具有显著影响。建筑室内光环境设计评价,即针对初步设计后的建筑结构,预测其成品建筑室内全年工作平面照度,也包括UDI、DA等基于照度衍生的室内光环境指标,并基于各项光环境指标,评价该建筑设计结构所能提供的室内光环境。在建筑设计阶段进行建筑室内光环境设计评价,是建筑形态空间与材料构造设计决策制定的基础,对于提高最终成品建筑室内光环境品质和能效水平具有重要意义。同时,建筑室内光环境指标预测精度与效率,也直接影响着建筑设计决策制定精度和效率。
目前,现有的建筑室内光环境设计评价方法对于光环境进行预测时,大致可分为基于软件模拟进行预测和基于机器学习法进行预测两大类。
基于软件模拟进行预测多应用Radiance、Daysim等模拟软件工具来预测建筑室内光环境,采用光线追踪法求解建筑室内照度等各项光环境指标,需建立建筑设计方案相应的几何结构模型,输入材料构造参数,建模工作量大,建模过程复杂,且计算过程需逐项求解光线多次反射对照度的影响,计算效率低、耗时长,不适用于建筑设计方案阶段,也难以有效支撑建筑设计决策制定。
基于机器学习法进行预测则以建筑实测数据或模拟数据来训练人工神经网络(ANNs)、支持向量机(SVM)和随机森林(RF)等,实现预测建筑室内光环境,获得各项光环境指标。相比基于软件模拟,其预测指标的耗时短、效率高。但既有基于机器学习法的预测方案仍存在泛化能力弱,对不同光环境预测问题需要分别建模的缺陷,只能应用于特定布局、固定朝向的房间光环境预测,对于不同的建筑布局,例如房间尺寸,窗户位置或朝向略有不同,无法适用。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是解决现有建筑室内光环境设计评价方法处理效率低、耗时长,且泛化能力弱的问题。
(二)技术方案
为了解决上述技术问题,本发明提供了一种整合空间信息的建筑室内光环境设计评价方法,该方法包括如下步骤:
S1、构建具备多项设计参量的建筑空间参数化几何原型,将所述参数化几何原型导入光环境模拟软件,建立参数化光环境模拟分析模型;
S2、实测局地光气候数据,作为边界条件导入所述参数化光环境模拟分析模型;
S3、采用拉丁超立方采样法,对所述参数化光环境模拟分析模型对应的模型参数空间进行采样,获得设计参量数据组,并将其导入所述参数化光环境模拟分析模型执行光环境模拟计算,获得相应的室内光环境性能数据;
S4、对设计参量数据进行归一化,并应用特征工程提取空间信息,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量;
S5、以输入参量作为输入,相应室内光环境性能数据作为输出,训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型,并以集成学习模式进行整合,得到建筑室内光环境预测模型;
S6、获取待评价的建筑空间设计模型,根据所述参数化几何原型,对所述设计模型进行分类和/或分割,解析提取所述设计模型中的各项设计参量;对所述设计模型空间平面进行网格划分,生成光感位置点,采样对应的设计参量数据,并整合光感位置点坐标,得到符合所述预测模型输入要求的输入参量,输入相应的所述预测模型,得到光环境预测结果;
S7、将所述设计模型对应的预测结果输出,并与预定的光环境指标进行比较,得到所述设计模型的评价结果。
优选地,所述参数化几何原型包括三类原型模块房间,分别对应在长方体结构的建筑空间的外墙上开一、二、三扇窗。
优选地,每类所述原型模块房间具备的设计参量包括进深长度、开间长度、净高、窗宽、窗高、窗台高、窗户朝向。
优选地,所述步骤S4中,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量时,对于每一类原型模块房间,将每个采样点的空间坐标X、Y值与相对应的设计参量整合作为输入参量,并使用基于房间方向的坐标系将点坐标映射至0~1区间内。
优选地,所述步骤S5包括如下步骤:
S5-1、以各组输入参量作为输入,相应室内光环境性能数据作为输出,分别训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型;
S5-2、采用贝叶斯优化法,分别对训练后的梯度提升决策树模型和多层感知器神经网络模型的超参数进行优化,并根据均方误差分别筛选出每类模型中的最佳模型;
S5-3、应用集成学习Stacking方法,集成得到的两类模型中的最佳模型及多元线性回归模型,计算三者的加权结果,得到最终的预测模型。
优选地,所述步骤S2中,实测局地光气候数据时,采用全天空扫描仪、全天空成像仪,测量待评价的建筑所处地区的局地光气候数据。
本发明还提供了一种整合空间信息的建筑室内光环境设计评价装置,该装置包括:光环境模拟模块、光环境预测模块和设计解析模块;
其中,所述光环境模拟模块包括:
参数化单元,用于构建具备多项设计参量的建筑空间参数化几何原型,并将所述参数化几何原型导入光环境模拟软件,建立参数化光环境模拟分析模型;
边界导入单元,用于获取实测局地光气候数据,作为边界条件导入所述参数化光环境模拟分析模型;
采样单元,用于采用拉丁超立方采样法,对所述参数化光环境模拟分析模型对应的模型参数空间进行采样,获得设计参量数据组,并将其导入所述参数化光环境模拟分析模型执行光环境模拟计算,获得相应的室内光环境性能数据;
训练样本单元,用于对设计参量数据进行归一化,并应用特征工程提取空间信息,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量;
所述光环境预测模块与所述光环境模拟模块连接,用于以输入参量作为输入,相应室内光环境性能数据作为输出,训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型,并以集成学习模式进行整合,得到建筑室内光环境预测模型;
所述设计解析模块与所述光环境预测模块连接,包括:
预测单元,用于获取待评价的建筑空间设计模型,根据所述参数化几何原型,对所述设计模型进行分类和/或分割,解析提取所述设计模型中的各项设计参量;对所述设计模型空间平面进行网格划分,生成光感位置点,采样对应的设计参量数据,并整合光感位置点坐标,得到符合所述预测模型输入要求的输入参量,输入所述预测模型,得到光环境预测结果;
评价单元,用于将所述设计模型对应的预测结果输出,并与预定的光环境指标进行比较,得到所述设计模型的评价结果。
优选地,所述参数化几何原型包括三类原型模块房间,分别对应在长方体结构的建筑空间的外墙上开一、二、三扇窗;每类所述原型模块房间具备的设计参量包括进深长度、开间长度、净高、窗宽、窗高、窗台高、窗户朝向。
优选地,所述光环境预测模块进一步包括:
训练单元,用于以各组输入参量作为输入,相应室内光环境性能数据作为输出,分别训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型;
优化单元,用于采用贝叶斯优化法,分别对训练后的梯度提升决策树模型和多层感知器神经网络模型的超参数进行优化,并根据均方误差分别筛选出每类模型中的最佳模型;
集成单元,用于应用集成学习Stacking方法,集成得到的两类模型中的最佳模型及多元线性回归模型,计算三者的加权结果,得到最终的预测模型。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
(三)有益效果
本发明的上述技术方案具有如下优点:本发明提供了一种整合空间信息的建筑室内光环境设计评价方法、装置及计算机可读存储介质,该方法构建参数化几何原型并基于此进行光环境模拟及神经网络训练,使得该方法可应用的建筑设计方案平面布局类型更广;通过特征工程,在训练样本数据中融入采光点位置信息来提高神经网络训练样本数据量,拓展训练预测模型的训练样本数据规模,提高预测模型泛化能力,解决泛化能力弱的缺陷。
本发明通过集成学习,可发挥不同机器学习法的预测优势,实现多机器学习法的协同工作和优势互补,解决既有预测方法在精度、效率和泛化能力方面的缺陷。
附图说明
图1是本发明实施例中一种整合空间信息的建筑室内光环境设计评价方法步骤示意图;
图2是本发明实施例中参数化几何原型模块示意图;
图3是本发明实施例中生成多层感知器人工神经网络训练样本数据示意图;
图4是本发明实施例中一种整合空间信息的建筑室内光环境设计评价方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1至图4所示,本发明实施例提供的一种整合空间信息的建筑室内光环境设计评价方法,包括如下步骤:
S1、构建具备多项设计参量的建筑空间参数化几何原型,将参数化几何原型导入光环境模拟软件,建立参数化光环境模拟分析模型。
本发明针对常见的建筑空间设计方案,提出了以参数化几何原型模块化建筑空间设计,参数化几何原型具有多项可调节的、影响室内光环境的设计参量,通过改变设计参量的数值,可对应不同的建筑设计方案,即对应不同的建筑室内环境。通过参数化建筑室内环境信息建模,建立以影响建筑室内光环境性能的设计参量为变量,具备模拟分析建筑室内光环境能力的参数化光环境模拟分析模型,可对不同设计方案下的建筑室内光照情况进行模拟。光环境模拟软件可采用现有技术,例如Radiance、Daysim等软件工具,在此不再进一步限定。
优选地,步骤S1中,构建具备多项设计参量的建筑空间参数化几何原型时,参数化几何原型包括三类原型模块房间,三类原型模块房间分别对应在长方体结构的建筑空间的外墙上开一、二、三扇窗。如图2所示,图2(a)示出了在建筑空间的外墙上开一扇窗的原型模块房间,图2(b)示出了在建筑空间的外墙上开两扇窗的原型模块房间,图2(c)示出了在建筑空间的外墙上开三扇窗的原型模块房间。通过缩放、拼接等不同组合方式,上述三类原型模块房间可覆盖大部分建筑设计方案。
进一步地,如图2所示,每类原型模块房间具备的设计参量包括:进深长度、开间长度、净高、窗宽、窗高、窗台高、窗户朝向。设计者可通过设计参量数值调节,结合三类原型模块房间的组合,生成多元化的建筑平面布局和形态空间,显著增大了本方法的适用范围。
S2、实测局地光气候数据,作为边界条件导入步骤S1建立的参数化光环境模拟分析模型。
以实测局地光气候数据作为室外光照条件进行室内光环境模拟,能够有效提高光环境模拟的精度及可靠性,有助于获得更为准确的训练样本数据。
优选地,步骤S2中实测局地光气候数据时,采用全天空扫描仪、全天空成像仪进行测量,测量待评价的建筑所处地区的局地光气候数据。实测待评价的建筑所处地区(例如精确到该建筑预计所在的城市),能够得到更为准确的光环境模拟结果。
S3、采用拉丁超立方采样法,对步骤S1建立的参数化光环境模拟分析模型对应的模型参数空间进行采样,获得设计参量数据组,并将采样获得的各设计参量数据组导入参数化光环境模拟分析模型,利用光环境模拟软件执行光环境模拟计算,获得相应的室内光环境性能数据。
基于机器学习法实现建筑室内光环境预测,需要大量不同的建筑设计方案及相应的建筑室内光环境作为训练样本,此步骤S3的目的是获得机器学习训练样本所需的设计参量数据和光环境性能数据,设计参量数据组将作为人工神经网络训练样本中的输入,相应的室内光环境性能数据作为输出,构成人工神经网络训练样本数据集。
优选地,此步骤S3中,模拟计算获得的室内光环境性能数据具体包括:全年内建筑室内工作平面照度、UDI(Useful Daylight Illuminance)、DA(Daylight Autonomy)等。其中,UDI、DA为全年光环境评价指标,由每小时照度计算(UDI指在计算时间内,照度范围在[100,2000]lux内的时间占总计算时间的百分比。DA含义相同,但使用区间为[300,+∞])。
S4、对设计参量数据进行归一化,并应用特征工程提取空间信息,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量。
通过光环境模拟计算能够获得较为准确的建筑室内光环境预测,但由于计算过程耗时长、效率低,难以在短时间内获得大量训练样本,而训练样本过少,将影响人工神经网络训练效果。如图3所示,其中,M表示执行光环境模拟计算得到的样本数,N表示采样点(即预测点)个数,模拟参量R:[进深长度、开间长度、净高、窗宽、窗高、窗台高、窗户朝向],UDIn、UDIs、UDIa、UDIx分别表示UDI(或DA),计算区间分别为[0,100]、[100,300]、[300,2000]、[2000,+∞],此步骤S4应用特征工程生成人工神经网络训练样本数据,将每个照度采样点的空间坐标整合入输入参量,有效扩充训练样本数据集,同时,使用照度测点的相对坐标作为训练输入,利用了预测点之间的空间信息,能够提升精确度,并实现对室内任意点的预测成为可能。
步骤S4中,对设计参量与性能数据样本进行处理,归一化设计参量时,使用Min-Max函数将各项设计参量归一化至(0,1)区间范围内,即x_norm=(x-Min)/(Max-Min),其中x_norm表示归一化后的设计参量,x表示归一化前的设计参量,Min表示该设计参量最小值,Max表示该设计参量最大值。
优选地,步骤S4中,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量时,对于每一类原型模块房间对应的各组设计参量数据,将每个采样点的空间坐标X、Y值与相对应的设计参量整合作为输入参量,并使用基于房间方向的坐标系将点坐标映射至0~1区间内,使得不同建筑空间原型模块房间的测量点范围均在单位坐标系之内。使用基于房间方向的坐标系即使用房间四角点定位本地坐标系,使其坐标不随房间朝向变化而改变。
S5、以步骤S4得到各组输入参量作为输入,步骤S3光环境模拟计算获得的相应室内光环境性能数据作为输出,构建训练样本数据集及多元线性回归模型(MLR)、梯度提升决策树模型(XGBT)和多层感知器神经网络模型(MLP),利用训练样本数据集训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型;并以集成学习模式对训练后的多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型进行整合,得到建筑室内光环境预测模型。
此步骤S5旨在建立集成多元线性回归模型、多层感知器和决策树的建筑室内光环境预测模型,其输入为步骤S4中处理后房间参数及各点的位置信息,输出为该点的光环境性能数据(包括UDI、DA指标)。
优选地,步骤S5进一步具体包括如下步骤:
S5-1、以各组输入参量作为输入,相应室内光环境性能数据作为输出,分别训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型。
S5-2、采用贝叶斯优化法,分别对训练后的梯度提升决策树模型和多层感知器神经网络模型的超参数进行优化,并根据均方误差(MSE)分别筛选出每类模型中的最佳模型。根据MSE进行筛选时,可采用由训练样本数据集中随机抽取15%得到的测试样本数据集。
S5-3、应用集成学习Stacking方法,集成得到的(梯度提升决策树模型和多层感知器神经网络模型)两类模型中的最佳模型及多元线性回归模型,计算三者的加权结果,得到最终的预测模型。
此步骤S5-3中构建新的集成用神经网络,在多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型三者训练完成并经过优化的基础上(其中多元线性回归模型没有模型超参数,不进行贝叶斯优化),使用三者的输出进行训练,该网络作用即是对三个模型输出进行加权计算,其权重通过网络学习得到,得到最终的集成学习模型。
优选地,当参数化几何原型包括三类原型模块房间时,对于每一类原型模块房间,均分别执行上述步骤S2至S5,得到其相对应的建筑室内光环境预测模型。即,对每一类原型模块房间分别进行光环境模拟分析、训练光环境预测模块,提高模型的准确性。
S6、获取待评价的建筑空间设计模型,根据参数化几何原型,对设计模型进行分类和/或分割,解析提取设计模型中的各项设计参量;对所述设计模型空间平面进行网格划分,生成光感位置点,采样对应的设计参量数据,并整合光感位置点坐标,得到符合所述预测模型输入要求的输入参量,输入步骤S5得到的、相应的预测模型进行光环境预测,得到光环境预测结果。
此步骤S6中,对于任意设计模型,按其各个空间开窗数量,依照参数化几何原型(三类原型模块房间)进行分类、分割,将复杂的建筑空间设计模型拆分(分类),以便应用相应的预测模型预测其实际建成后的建筑室内光环境。通过对空间平面进行网格划分,生成光感位置点,采样生成与光感位置点数量相应的输入数据,并依照步骤S4所述方式特征变换,将空间坐标与相对应的设计参量整合,组成符合预测模型格式要求的输入数据,发送至预测模型,即实现了对于任一设计模型执行光环境预测,得到相应预测结果。
S7、将设计模型对应的预测结果输出,并与预定的光环境指标进行比较,得到所述设计模型的评价结果。
优选地,步骤S7中将设计模型对应的预测结果(即室内光环境数据)输出,包括将预测结果绘制为分析图表。通过将分析图表中的各项数值与预定的光环境指标进行比较,即可预估该建筑设计模型是否能够满足用户需要,若多项数值与预定的光环境指标相比,不符合用户预期设计要求,显然,该设计方案存在光环境设计缺陷,不宜继续深化。
本发明还比较了该建筑室内光环境设计评价方法与现有技术已有方法预测光环境的性能差异,结果表明,在一个具体的实施方式中,基于实测哈尔滨地区的光气候数据,对4m开间、8m进深的建筑空间,以0.5m为间距划分光环境分析网格,应用基于Daysim的光线追踪法进行光环境预测需要3min,应用本发明提供的方法进行预测仅需20ms。同时,应用本发明方法得到的建筑室内光环境预测值与Radiance软件模拟值之间的MAE为0.8,RMSE为5%,说明本发明方法在显著提高建筑光环境预测效率的同时,也呈现出较高的光环境预测精度,能够实现在设计决策制定阶段,快速、有效地评价设计方案的光环境优劣。
综上,本发明提供的建筑室内光环境设计评价方法,至少具有如下优势:
1.适用范围广
应用本发明,设计者可应用建筑空间原型模块房间构建出不同建筑空间形态布局的室内光环境模拟分析模型,适用于多元化的建筑室内光环境预测及评价问题,相比既有基于机器学习法的建筑室内光环境预测及评价方法,本发明具有更广的适用范围。
2.泛化能力强
本发明凭借特征工程扩充训练样本数据,通过贝叶斯优化求解人工神经网络等机器学习法的最佳结构参数,应用决策树和神经网络集成学习建模,大幅提升了建筑室内光环境设计评价方法泛化能力,避免了神经网络模型的重复训练和建构,显著提高了建筑室内光环境预测精度和效率。
3.预测耗时短
本发明应用神经网络代替既有基于光线追踪的建筑室内光环境预测方法,可将建筑室内光环境预测耗时由数十分钟降至0.5秒以下,显著减少了建筑室内光环境预测耗时,改善了建筑室内光环境预测过程中的人机交互体验,使得设计方案阶段的室内光环境实时预测、评价成为可能。
4.学习成本低
设计者应用本发明方法展开建筑室内光环境预测及设计评价时,可通过与既有建筑信息模型的交互,直接读取建筑形态空间、材料构造信息,无需逐项输入上述信息,其操作过程也不需要设计者了解模拟模型训练和运行知识,显著降低了本方法的学习成本。
本发明还提供了一种整合空间信息的建筑室内光环境设计评价装置,包括光环境模拟模块、光环境预测模块和设计解析模块。
其中,光环境模拟模块包括参数化单元、边界导入单元、采样单元和训练样本单元,具体地:
参数化单元用于构建具备多项设计参量的建筑空间参数化几何原型,并将所述参数化几何原型导入光环境模拟软件,建立参数化光环境模拟分析模型。
边界导入单元用于获取实测局地光气候数据,作为边界条件导入所述参数化光环境模拟分析模型。
采样单元用于采用拉丁超立方采样法,对所述参数化光环境模拟分析模型对应的模型参数空间进行采样,获得设计参量数据组,并将其导入所述参数化光环境模拟分析模型执行光环境模拟计算,获得相应的室内光环境性能数据。
训练样本单元用于对设计参量数据进行归一化,并应用特征工程提取空间信息,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量。
光环境预测模块与所述光环境模拟模块连接,用于以所述光环境模拟模块得到输入参量作为输入,相应室内光环境性能数据作为输出,训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型,并以集成学习模式进行整合,得到建筑室内光环境预测模型。
设计解析模块与所述光环境预测模块连接,包括预测单元和评价单元。
其中,预测单元用于获取待评价的建筑空间设计模型,根据所述参数化几何原型,对所述设计模型进行分类和/或分割,解析提取所述设计模型中的各项设计参量;对所述设计模型空间平面进行网格划分,生成光感位置点,采样对应的设计参量数据,并整合光感位置点坐标,得到符合所述预测模型输入要求的输入参量,输入所述预测模型,得到光环境预测结果。
评价单元用于将所述设计模型对应的预测结果输出,并与预定的光环境指标进行比较,得到所述设计模型的评价结果。
优选地,参数化单元构建具备多项设计参量的建筑空间参数化几何原型时,所述参数化几何原型包括三类原型模块房间,分别对应在长方体结构的建筑空间的外墙上开一、二、三扇窗。进一步地,每类所述原型模块房间具备的设计参量包括进深长度、开间长度、净高、窗宽、窗高、窗台高、窗户朝向。
优选地,训练样本单元将每个采样点的空间坐标与相对应的设计参量整合作为输入参量时,对于每一类原型模块房间,将每个采样点的空间坐标X、Y值与相对应的设计参量整合作为输入参量,并使用基于房间方向的坐标系将点坐标映射至0~1区间内。
优选地,光环境预测模块进一步包括训练单元、优化单元和集成单元。
其中,训练单元用于以各组输入参量作为输入,相应室内光环境性能数据作为输出,分别训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型。
优化单元用于采用贝叶斯优化法,分别对训练后的梯度提升决策树模型和多层感知器神经网络模型的超参数进行优化,并根据均方误差分别筛选出每类模型中的最佳模型。
集成单元用于应用集成学习Stacking方法,集成得到的两类模型(即经过优化的梯度提升决策树模型和多层感知器神经网络模型)中的最佳模型及多元线性回归模型,计算三者的加权结果,得到最终的预测模型。
在本发明另一些优选的实施方式中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施方式中所述的建筑室内光环境设计评价方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程,在此不再重复说明。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种整合空间信息的建筑室内光环境设计评价方法,其特征在于,包括如下步骤:
S1、构建具备多项设计参量的建筑空间参数化几何原型,将所述参数化几何原型导入光环境模拟软件,建立参数化光环境模拟分析模型;
S2、实测局地光气候数据,作为边界条件导入所述参数化光环境模拟分析模型;
S3、采用拉丁超立方采样法,对所述参数化光环境模拟分析模型对应的模型参数空间进行采样,获得设计参量数据组,并将其导入所述参数化光环境模拟分析模型执行光环境模拟计算,获得相应的室内光环境性能数据;
S4、对设计参量数据进行归一化,并应用特征工程提取空间信息,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量;
S5、以输入参量作为输入,相应室内光环境性能数据作为输出,训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型,并以集成学习模式进行整合,得到建筑室内光环境预测模型;
S6、获取待评价的建筑空间设计模型,根据所述参数化几何原型,对所述设计模型进行分类和/或分割,解析提取所述设计模型中的各项设计参量;对所述设计模型空间平面进行网格划分,生成光感位置点,采样对应的设计参量数据,并整合光感位置点坐标,得到符合所述预测模型输入要求的输入参量,输入相应的所述预测模型,得到光环境预测结果;
S7、将所述设计模型对应的预测结果输出,并与预定的光环境指标进行比较,得到所述设计模型的评价结果。
2.根据权利要求1所述的方法,其特征在于:
所述参数化几何原型包括三类原型模块房间,分别对应在长方体结构的建筑空间的外墙上开一、二、三扇窗。
3.根据权利要求2所述的方法,其特征在于:
每类所述原型模块房间具备的设计参量包括进深长度、开间长度、净高、窗宽、窗高、窗台高、窗户朝向。
4.根据权利要求3所述的方法,其特征在于:
所述步骤S4中,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量时,对于每一类原型模块房间,将每个采样点的空间坐标X、Y值与相对应的设计参量整合作为输入参量,并使用基于房间方向的坐标系将点坐标映射至0~1区间内。
5.根据权利要求1所述的方法,其特征在于,
所述步骤S5包括如下步骤:
S5-1、以各组输入参量作为输入,相应室内光环境性能数据作为输出,分别训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型;
S5-2、采用贝叶斯优化法,分别对训练后的梯度提升决策树模型和多层感知器神经网络模型的超参数进行优化,并根据均方误差分别筛选出每类模型中的最佳模型;
S5-3、应用集成学习Stacking方法,集成得到的两类模型中的最佳模型及多元线性回归模型,计算三者的加权结果,得到最终的预测模型。
6.根据权利要求1所述的方法,其特征在于:
所述步骤S2中,实测局地光气候数据时,采用全天空扫描仪、全天空成像仪,测量待评价的建筑所处地区的局地光气候数据。
7.一种整合空间信息的建筑室内光环境设计评价装置,其特征在于,包括:光环境模拟模块、光环境预测模块和设计解析模块;
其中,所述光环境模拟模块包括:
参数化单元,用于构建具备多项设计参量的建筑空间参数化几何原型,并将所述参数化几何原型导入光环境模拟软件,建立参数化光环境模拟分析模型;
边界导入单元,用于获取实测局地光气候数据,作为边界条件导入所述参数化光环境模拟分析模型;
采样单元,用于采用拉丁超立方采样法,对所述参数化光环境模拟分析模型对应的模型参数空间进行采样,获得设计参量数据组,并将其导入所述参数化光环境模拟分析模型执行光环境模拟计算,获得相应的室内光环境性能数据;
训练样本单元,用于对设计参量数据进行归一化,并应用特征工程提取空间信息,将每个采样点的空间坐标与相对应的设计参量整合作为输入参量;
所述光环境预测模块与所述光环境模拟模块连接,用于以输入参量作为输入,相应室内光环境性能数据作为输出,训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型,并以集成学习模式进行整合,得到建筑室内光环境预测模型;
所述设计解析模块与所述光环境预测模块连接,包括:
预测单元,用于获取待评价的建筑空间设计模型,根据所述参数化几何原型,对所述设计模型进行分类和/或分割,解析提取所述设计模型中的各项设计参量;对所述设计模型空间平面进行网格划分,生成光感位置点,采样对应的设计参量数据,并整合光感位置点坐标,得到符合所述预测模型输入要求的输入参量,输入所述预测模型,得到光环境预测结果;
评价单元,用于将所述设计模型对应的预测结果输出,并与预定的光环境指标进行比较,得到所述设计模型的评价结果。
8.根据权利要求7所述的装置,其特征在于:
所述参数化几何原型包括三类原型模块房间,分别对应在长方体结构的建筑空间的外墙上开一、二、三扇窗;每类所述原型模块房间具备的设计参量包括进深长度、开间长度、净高、窗宽、窗高、窗台高、窗户朝向。
9.根据权利要求7所述的装置,其特征在于:
所述光环境预测模块进一步包括:
训练单元,用于以各组输入参量作为输入,相应室内光环境性能数据作为输出,分别训练多元线性回归模型、梯度提升决策树模型和多层感知器神经网络模型;
优化单元,用于采用贝叶斯优化法,分别对训练后的梯度提升决策树模型和多层感知器神经网络模型的超参数进行优化,并根据均方误差分别筛选出每类模型中的最佳模型;
集成单元,用于应用集成学习Stacking方法,集成得到的两类模型中的最佳模型及多元线性回归模型,计算三者的加权结果,得到最终的预测模型。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072355.7A CN111259481B (zh) | 2020-01-21 | 2020-01-21 | 一种整合空间信息的建筑室内光环境设计评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072355.7A CN111259481B (zh) | 2020-01-21 | 2020-01-21 | 一种整合空间信息的建筑室内光环境设计评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259481A CN111259481A (zh) | 2020-06-09 |
CN111259481B true CN111259481B (zh) | 2024-02-13 |
Family
ID=70945601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072355.7A Active CN111259481B (zh) | 2020-01-21 | 2020-01-21 | 一种整合空间信息的建筑室内光环境设计评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259481B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011035A (zh) * | 2021-03-25 | 2021-06-22 | 上海市建筑科学研究院有限公司 | 一种融合空间属性的建筑室内环境满意度预测模型和方法 |
CN113420501B (zh) * | 2021-06-10 | 2024-04-02 | 南京邮电大学 | 一种改进的人工神经网络室内光源布局方法 |
CN113408206B (zh) * | 2021-06-23 | 2022-12-06 | 陕西科技大学 | 一种室内天然光照度建模方法 |
CN113591180A (zh) * | 2021-07-14 | 2021-11-02 | 北京建筑大学 | 采光遮阳设施生成方法、装置、电子设备及存储介质 |
CN114417478A (zh) * | 2022-01-28 | 2022-04-29 | 深圳市建筑设计研究总院有限公司 | 一种建筑采光评估方法、装置及存储介质 |
CN114646348A (zh) * | 2022-03-21 | 2022-06-21 | 贵州航天天马机电科技有限公司 | 一种用于履带车舱室作业环境评价的监视装置及方法 |
CN115290139A (zh) * | 2022-08-01 | 2022-11-04 | 中认国证(北京)评价技术服务有限公司 | 一种基于大数据的建筑物室外环境性能检测预测平台 |
CN115913413B (zh) * | 2023-02-22 | 2023-07-14 | 西安电子科技大学 | 一种智能化空间毫米波传播特征分析方法 |
CN115952590B (zh) * | 2023-03-14 | 2023-06-13 | 华中科技大学 | 基于bo-rf-mompa的盾构隧道优化设计方法及设备 |
CN117556524B (zh) * | 2024-01-11 | 2024-04-30 | 深圳市郑中设计股份有限公司 | 一种室内设计的智能数据处理系统、方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377084A (zh) * | 2019-07-30 | 2019-10-25 | 天津大学 | 一种基于智慧控制策略的建筑室内环境调控方法 |
CN110532687A (zh) * | 2019-08-29 | 2019-12-03 | 哈尔滨工业大学 | 一种寒地体育馆建筑自然通风参数化设计方法 |
-
2020
- 2020-01-21 CN CN202010072355.7A patent/CN111259481B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377084A (zh) * | 2019-07-30 | 2019-10-25 | 天津大学 | 一种基于智慧控制策略的建筑室内环境调控方法 |
CN110532687A (zh) * | 2019-08-29 | 2019-12-03 | 哈尔滨工业大学 | 一种寒地体育馆建筑自然通风参数化设计方法 |
Non-Patent Citations (1)
Title |
---|
东北严寒地区农村住宅耦合环境设计研究;甄蒙;照明工程学报;20160831;第27卷(第4期);113-121 * |
Also Published As
Publication number | Publication date |
---|---|
CN111259481A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259481B (zh) | 一种整合空间信息的建筑室内光环境设计评价方法及装置 | |
CN112034789B (zh) | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 | |
CN111639748B (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
CN110675370A (zh) | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
CN112163496B (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN111551888A (zh) | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 | |
CN114117953A (zh) | 水文模型结构诊断方法、径流预报方法及装置 | |
CN112884717A (zh) | 实时工件表面检测与刀具寿命预测的系统及方法 | |
Sun | Wood quality defect detection based on deep learning and multicriteria framework | |
Nakhaee et al. | DeepRadiation: An intelligent augmented reality platform for predicting urban energy performance just through 360 panoramic streetscape images utilizing various deep learning models | |
CN113159990A (zh) | 一种光伏发电运维系统的设计方法 | |
CN116578915B (zh) | 一种基于图神经网络的结构化户型解析方法和系统 | |
CN117218375A (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN117493798A (zh) | 一种气象环境数据分析方法及系统 | |
TW201903653A (zh) | 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
CN116029160A (zh) | 光伏组件缺陷与发电效率损失的映射模型构建方法及系统 | |
JP2023168193A (ja) | 学習モデル | |
JP2023167502A (ja) | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム | |
Hinkle et al. | Dynamic subset sensitivity analysis for design exploration | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |