CN113094798B - 一种基于生命周期碳中和的建筑多目标优化设计方法 - Google Patents
一种基于生命周期碳中和的建筑多目标优化设计方法 Download PDFInfo
- Publication number
- CN113094798B CN113094798B CN202110436592.1A CN202110436592A CN113094798B CN 113094798 B CN113094798 B CN 113094798B CN 202110436592 A CN202110436592 A CN 202110436592A CN 113094798 B CN113094798 B CN 113094798B
- Authority
- CN
- China
- Prior art keywords
- carbon
- building
- information
- design
- performance
- 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
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Abstract
本发明提供了一种基于生命周期碳中和的建筑多目标优化设计方法,包括碳部品参数化、模块化建构,构建几何、材料、热工、碳排四维信息集成的碳部品库;基于确定的建筑设计参量及数值约束条件、绿色性能多优化目标,探索建筑部品与建筑设计参量、碳中和目标的的信息关联;构建基于碳中和的绿色性能优化设计方法,包括设计初始方案生成模块、设计神经网络预测模型建构模块、设计多目标优化搜索模块、设计优化设计决策模块。本发明结合建筑设计参量智能优化的要求,通过参数化的、全生命周期的、集成碳信息的建筑部品,将碳中和目标集成到常规绿色性能中,共同驱动建筑优化设计,革新设计流程和框架。
Description
技术领域
本发明涉及一种基于生命周期碳中和的建筑多目标优化设计方法,属于建筑碳排放技术领域。
背景技术
建筑部品是具有相对独立功能的建筑构件,表皮部品一般包括不透明墙体、门窗、屋顶、地面,良好的设计能有效较少建筑运行过程中二氧化碳的排放,称之为减排部品。从碳中和的角度,表皮部品还包括固碳部品和消碳部品,固碳部品是指垂直绿化和屋顶绿化,能够吸收、固定建筑全寿命期排放的二氧化碳,消碳部品是指BIPV、集热蓄热墙等与表皮集成的产能部品,获得的可再生能源能够抵消建筑排放的二氧化碳。减排部品、固碳部品和消碳部品统称建筑碳部品,其排放、固化、抵消二氧化碳的能力统称为碳性能。
碳部品以几何尺寸为变量参数化建模,模型需要表征部品模块化特征,并满足性能驱动设计过程对于设计参量自适应协同调整的需求,因此碳部品模型的模块化、参数化建构是拟解决的关键科学问题之一。散点图、平行坐标图不能进行非支配解数据特征的挖掘,无法为建筑师指明进一步深化设计的方向,因此基于建筑设计参量、建筑优化目标两个维度,聚类、解读非支配解集的特征是拟解决的另一个关键科学问题。
发明内容
本发明目的是提供了一种基于生命周期碳中和的建筑多目标优化设计方法,通过参数化的、全生命周期的、集成碳信息的建筑部品,将碳中和目标集成到常规绿色性能中,共同驱动建筑优化设计,革新设计流程和框架。
本发明为实现上述目的,通过以下技术方案实现:
步骤1:碳部品参数化、模块化建构
1-1:以几何尺寸为变量,材料、性能为定值,使用的Grasshopper+Rhino参数化平台,通过尺寸模数增值、基本模块重复累加,探索参数化、模块化的碳部品建模,构建几何、材料、热工、碳排四维信息集成的碳部品库;部品依据其材料、性能进行编码,几何信息函数、碳信息函数计算部品的特征碳排量Ct,并分别反映部品的模数化和参数化特征;
1-2:基于确定的建筑设计参量及数值约束条件、绿色性能多优化目标,探索建筑部品与建筑设计参量、碳中和目标的的信息关联;
步骤2:构建基于碳中和的绿色性能优化设计方法
2-1:设计初始方案生成模块:分析碳部品构成立面的特征,归纳立面组合的美学、功能、性能规则,作为初始建筑形态生成的依据;根据建筑部品与建筑立面的逻辑关系,使建筑拥有高效碳性能的形态基因;
2-2:设计神经网络预测模型建构模块:基于设计目标、设计参量及约束条件,研究高效的建筑形态与性能的映射关系,构建基于碳中和目标的建筑性能优化设计预测模型;
2-3:设计多目标优化搜索模块:基于遗传优化搜索模型与神经网络预测模型,对初始建筑形态设计参量进行选择、交叉和重构,评价、重构后新建筑形态的建筑性能,展开迭代计算,求解多性能目标具有非劣性的非支配解;
2-4:设计优化设计决策模块:针对非支配解筛选、解读,基于SOM自组织映射神经网络,结合建筑设计参量导向和优化目标导向,运用神经元聚类及筛选、神经元层次聚类及筛选,研究兼顾建筑优化目标与建筑设计参量的决策流程,提出进一步深化的设计方案和深化设计的方向。
优选的,所述步骤1中部品的特征碳排量方法如下:
(1):部品参数化、模块化建模
以部品基本模块为基础,以几何尺寸为变量,材料、性能为定值,使用的Grasshopper+Rhino参数化平台,通过尺寸模数增值、基本模块重复累加等方式,进行参数化、模块化的碳部品建模,构建几何、材料、热工、碳排四维信息集成的碳部品库;
(1-1)基本模块以模数增值方式组成碳部品
几何信息函数:
x=a+mΔx
y=b+nΔy
碳信息函数:
(1-2)基本模块以重复阵列方式组成碳部品
几何信息函数:
x=ia
y=jb
碳信息函数:
Ct=ijC′t
其中x、y是碳部品的几何宽度和高度,a、b是基本模块的几何宽度和高度,Δx、Δy是碳部品宽度、高度的增值模数,Ct是碳部品的特征碳排量,C′t是碳部品基本模块的特征碳排量,m、n、i、j是整数。
优选的,所述基本模块特征碳排计算具体步骤如下:
建筑部品具备四维信息,几何信息、材料信息、性能信息和碳排信息,每一类部品根据其材料信息和几何信息,计算其全寿命周期性能信息和碳排信息;建筑部品全生命周期碳排包括建材生产C1、运输C2、施工C3、维护C4、使用C5、拆除C6、废弃C7阶段的碳排量;基于区域性均值数据,建筑部品在建材生产、运输、施工、维护、拆除、废弃阶段的碳排放量为特征碳排量(Ct,Ct=C1+C2+C3+C4+C6+C7);建筑部品使用阶段的排碳、固碳、消碳量为环境碳排量(Ch,Ch=C5);建筑碳部品四维信息中碳信息是指部品的特征碳排量Ct;
碳部品基本模块的特征碳排C′t计算公式如下:
C′t=C′1+C′2+C′3+C′4+C′6+C′7
C′4=R(C′1+C′2+C′3)
其中,C′1、C′2、C′3、C′4、C′6、C′7是碳部品基本模块建材生产、运输、施工、维护、拆除和废弃阶段的碳排量,i是组成基本模块的建材种类,j是运输类型,k是施工机械的种类,R是基本模块在使用过程中的替换系数R取整数;小数部分大于零,整数部分加1,g是拆除机械的种类。Ni是第i类建材的数量,fi是第i类建材的碳排因子;Nj是采用j类运输的建材的数量,Dj是采用j类运输的运输距离,fj是第j类运输方式的碳排因子;Nk是第k类施工机械的台班数,fk是第k类施工机械的碳排因子;Ng是第g类拆除机械的台班数,fk是第k类施工机械的碳排因子;Wi是第i类建材的再利用系数,可再利用建材取值0,不可利用建材取值1;DV是建筑垃圾公路运输的运输距离,fV是公路运输的碳排因子。
优选的,所述步骤1-2中信息关联包括:几何信息与几何参量、光伏墙体面积比、绿化屋顶面积比碳信息与CNA-、CNA、CNA+三个层级的碳中和目标通过函数实现关联;材料信息与构造做法参量、性能信息与性能参量,通过离散数值的约束条件关联。
优选的,所述步骤2-2所述构建基于碳中和目标的建筑性能优化设计预测模型的具体方法为:使用拉丁超立方采样工具,获取可行解样本设计参量数值,集成碳部品库和Ladybug+Honeybee软件计算建筑性能目标值;应用Octopus、Crow工具,以设计参量数值、性能目标值作为BP神经网络模型训练和测试的输入、输出数据。
优选的,所述步骤2-3中应用DSE的Sampler组件、Octopus、Crow工具对初始建筑形态设计参量进行选择、交叉和重构。
优选的,所述步骤2-4中应用Matlab工具箱SOM-ToolBox。
本发明的优点在于:本发明通过参数化的、全生命周期的、集成碳信息的建筑部品,将碳中和目标集成到常规绿色性能中,共同驱动建筑优化设计,革新设计流程和框架,提出一种基于生命周期碳中和的建筑多目标优化设计方法。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明窗部品的四维信息建构示意图。
图2为本发明建筑碳部品四维信息示意图。
图3为本发明部品与建筑的关联结构示意图。
图4为本发明基于碳中和目标的性能优化设计方法流程及模块示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
1、生命周期碳部品参数化、模块化建构研究
以几何尺寸为变量,材料、性能为定值,使用的Grasshopper+Rhino参数化平台,通过尺寸模数增值、基本模块重复累加等方式,探索参数化、模块化的碳部品建模,构建几何、材料、热工、碳排四维信息集成的碳部品库,如图1所示。部品依据其材料、性能进行编码,便于部品的分类、检索和调取;几何信息函数、碳信息函数计算部品的特征碳排量(Ct),并分别反映部品的模数化和参数化特征。
(1-1)基本模块以模数增值方式组成碳部品
几何信息函数:
x=a+mΔx
y=b+nΔy
碳信息函数:
(1-2)基本模块以重复阵列方式组成碳部品
几何信息函数:
x=ia
y=jb
碳信息函数:
Ct=ij′C
其中x、y是碳部品的几何宽度和高度,a、b是基本模块的几何宽度和高度,Δx、Δy是碳部品宽度、高度的增值模数,Ct是碳部品的特征碳排量,C′t是碳部品基本模块的特征碳排量,m、n、i、j是整数。
(1-3)基本模块特征碳排计算
建筑部品具备四维信息,几何信息、材料信息、性能信息和碳排信息,每一类部品根据其材料信息和几何信息,计算其全寿命周期性能信息和碳排信息,如图2所示。建筑部品全生命周期碳排包括建材生产(C1)、运输(C2)、施工(C3)、维护(C4)、使用(C5)、拆除(C6)、废弃(C7)阶段的碳排量。基于区域性均值数据,建筑部品在建材生产、运输、施工、维护、拆除、废弃阶段的碳排放都是定值,称之为特征碳排量(Ct,Ct=C1+C2+C3+C4+C6+C7);建筑部品使用阶段的排碳、固碳、消碳量受自身设计和外界环境影响,称之为环境碳排量(Ch,Ch=C5)。建筑碳部品四维信息中碳信息是指部品的特征碳排量Ct。
碳部品基本模块的特征碳排C′t计算公式如下:
C′t=C′1+C′2+C′3+C′4+C′6+C′7
C′4=R(C′1+C′2+C′3)
其中,C′1、C′2、C′3、C′4、C′6、C′7是碳部品基本模块建材生产、运输、施工、维护、拆除和废弃阶段的碳排量,i是组成基本模块的建材种类,j是运输类型(内河水运、铁路、公路运输),k是施工机械的种类,R是基本模块在使用过程中的替换系数(R取整数;小数部分大于零,整数部分加1),g是拆除机械的种类。Ni是第i类建材的数量,fi是第i类建材的碳排因子;Nj是采用j类运输的建材的数量,Dj是采用j类运输的运输距离,fj是第j类运输方式的碳排因子;Nk是第k类施工机械的台班数,fk是第k类施工机械的碳排因子;Ng是第g类拆除机械的台班数,fk是第k类施工机械的碳排因子;Wi是第i类建材的再利用系数,可再利用建材取值0,不可利用建材取值1;DV是建筑垃圾公路运输的运输距离,fV是公路运输的碳排因子。
为满足碳部品自适应协同调整的需求,基于调确定的建筑设计参量及数值约束条件、绿色性能多优化目标,探索建筑部品与建筑设计参量、碳中和目标的的信息关联,如图3“信息关联”部分所示。几何信息与几何参量(如窗墙面积比(WWR,Window to Wall Ratio)、光伏墙体面积比(PVWR,PV to Wall Ratio)、绿化屋顶面积比(GRR,Green to Roof Ratio)等)碳信息与CNA-、CNA、CNA+三个层级的碳中和目标,通过函数实现关联;材料信息与构造做法参量、性能信息与性能参量(传热系数、固碳能力系数、消碳能力系数等),通过离散数值的约束条件关联。
2、基于碳中和的绿色性能优化设计方法研究
基于碳中和的绿色性能优化设计方法包括4个模块:初始方案生成模块、神经网络预测模型建构模块、多目标优化搜索模块和优化设计决策模块,如图4所示。
初始方案生成模块:基于组合规则,探索建筑部品与建筑立面的逻辑关系,使建筑设计能够继承优秀中小学建筑案例的美学、功能特征,拥有高效碳性能的形态基因。以某建筑设计为例,基于信息关联和逻辑关联(图3),以建筑师为主体,以Grasshopper+Rhino为平台,通过设计参量建立建筑体量、立面模型,研究建筑方案设计阶段初始建筑形态生成方法。
神经网络预测模型建构模块:基于设计目标、设计参量及约束条件,使用拉丁超立方采样工具(DSE的Sampler组件),获取可行解样本设计参量数值,集成碳部品库和Ladybug+Honeybee软件计算建筑性能目标值;应用Octopus、Crow工具,以设计参量数值、性能目标值作为BP神经网络模型训练和测试的输入、输出数据,研究高效的建筑形态与性能的映射关系,构建基于碳中和目标的建筑性能优化设计预测模型。
多目标优化搜索模块:基于遗传优化搜索模型与神经网络预测模型,应用DSE的Sampler组件、Octopus、Crow工具,对初始建筑形态设计参量进行选择、交叉和重构,评价、重构后新建筑形态的建筑性能,展开迭代计算,求解多性能目标具有非劣性的非支配解。
优化设计决策模块:针对非支配解筛选、解读问题,基于SOM自组织映射神经网络,应用Matlab工具箱SOM-ToolBox,结合建筑设计参量导向和优化目标导向,灵活运用神经元聚类及筛选、神经元层次聚类及筛选,研究兼顾建筑优化目标与建筑设计参量的决策流程,提出可进一步深化的设计方案(集)和深化设计的方向。
Claims (7)
1.一种基于生命周期碳中和的建筑多目标优化设计方法,其特征在于,包括如下步骤:
步骤1:碳部品参数化、模块化建构
1-1:以几何尺寸为变量,材料、性能为定值,使用的Grasshopper+Rhino参数化平台,通过尺寸模数增值、基本模块重复累加,探索参数化、模块化的碳部品建模,构建几何、材料、热工、碳排四维信息集成的碳部品库;部品依据其材料、性能进行编码,几何信息函数、碳信息函数计算部品的特征碳排量Ct,并分别反映部品的模数化和参数化特征;
1-2:基于确定的建筑设计参量及数值约束条件、绿色性能多优化目标,探索建筑部品与建筑设计参量、碳中和目标的的信息关联;
步骤2:构建基于碳中和的绿色性能优化设计方法
2-1:设计初始方案生成模块:分析碳部品构成立面的特征,归纳立面组合的美学、功能、性能规则,作为初始建筑形态生成的依据;根据建筑部品与建筑立面的逻辑关系,使建筑拥有高效碳性能的形态基因;
2-2:设计神经网络预测模型建构模块:基于设计目标、设计参量及约束条件,研究高效的建筑形态与性能的映射关系,构建基于碳中和目标的建筑性能优化设计预测模型;
2-3:设计多目标优化搜索模块:基于遗传优化搜索模型与神经网络预测模型,对初始建筑形态设计参量进行选择、交叉和重构,评价、重构后新建筑形态的建筑性能,展开迭代计算,求解多性能目标具有非劣性的非支配解;
2-4:设计优化设计决策模块:针对非支配解筛选、解读,基于SOM自组织映射神经网络,结合建筑设计参量导向和优化目标导向,运用神经元聚类及筛选、神经元层次聚类及筛选,研究兼顾建筑优化目标与建筑设计参量的决策流程,提出进一步深化的设计方案和深化设计的方向。
2.根据权利要求1所述的基于生命周期碳中和的建筑多目标优化设计方法,其特征在于,所述步骤1中部品的特征碳排量方法如下:
部品参数化、模块化建模
以部品基本模块为基础,以几何尺寸为变量,材料、性能为定值,使用的Grasshopper+Rhino参数化平台,通过尺寸模数增值、基本模块重复累加等方式,进行参数化、模块化的碳部品建模,构建几何、材料、热工、碳排四维信息集成的碳部品库;
(1-1)基本模块以模数增值方式组成碳部品
几何信息函数:
x=a+mΔx
y=b+nΔy
碳信息函数:
(1-2)基本模块以重复阵列方式组成碳部品
几何信息函数:
x=ia
y=jb
碳信息函数:
Ct=ijC′t ′
其中x、y是碳部品的几何宽度和高度,a、b是基本模块的几何宽度和高度,Δx、Δy是碳部品宽度、高度的增值模数,Ct是碳部品的特征碳排量,C′t是碳部品基本模块的特征碳排量,m、n、i、j是整数。
3.根据权利要求2所述的基于生命周期碳中和的建筑多目标优化设计方法,其特征在于,所述基本模块特征碳排计算具体步骤如下:
建筑部品具备四维信息,几何信息、材料信息、性能信息和碳排信息,每一类部品根据其材料信息和几何信息,计算其全寿命周期性能信息和碳排信息;建筑部品全生命周期碳排包括建材生产C1、运输C2、施工C3、维护C4、使用C5、拆除C6、废弃C7阶段的碳排量;基于区域性均值数据,建筑部品在建材生产、运输、施工、维护、拆除、废弃阶段的碳排放量为特征碳排量(Ct,Ct=C1+C2+C3+C4+C6+C7);建筑部品使用阶段的排碳、固碳、消碳量为环境碳排量(Ch,Ch=C5);建筑碳部品四维信息中碳信息是指部品的特征碳排量Ct;
碳部品基本模块的特征碳排C′t计算公式如下:
C′t=C′1+C′2+C′3+C′4+C′6+C′7
C′4=R(C′1+C′2+C′3)
其中,C′1、C′2、C′3、C′4、C′6、C′7是碳部品基本模块建材生产、运输、施工、维护、拆除和废弃阶段的碳排量,i是组成基本模块的建材种类,j是运输类型,k是施工机械的种类,R是基本模块在使用过程中的替换系数R取整数;小数部分大于零,整数部分加1,g是拆除机械的种类;Ni是第i类建材的数量,fi是第i类建材的碳排因子;Nj是采用j类运输的建材的数量,Dj是采用j类运输的运输距离,fj是第j类运输方式的碳排因子;Nk是第k类施工机械的台班数,fk是第k类施工机械的碳排因子;Ng是第g类拆除机械的台班数,fk是第k类施工机械的碳排因子;Wi是第i类建材的再利用系数,可再利用建材取值0,不可利用建材取值1;DV是建筑垃圾公路运输的运输距离,fV是公路运输的碳排因子。
4.根据权利要求1所述的基于生命周期碳中和的建筑多目标优化设计方法,其特征在于,所述步骤1-2中信息关联包括:几何信息与几何参量、光伏墙体面积比、绿化屋顶面积比碳信息与本项目建筑碳中和划分的CNA-、CNA、CNA+三个层级的碳中和目标通过函数实现关联;材料信息与构造做法参量、性能信息与性能参量,通过离散数值的约束条件关联。
5.根据权利要求1所述的基于生命周期碳中和的建筑多目标优化设计方法,其特征在于,所述步骤2-2所述构建基于碳中和目标的建筑性能优化设计预测模型的具体方法为:使用拉丁超立方采样工具,获取可行解样本设计参量数值,集成碳部品库和Ladybug+Honeybee软件计算建筑性能目标值;应用Octopus、Crow工具,以设计参量数值、性能目标值作为BP神经网络模型训练和测试的输入、输出数据。
6.根据权利要求1所述的基于生命周期碳中和的建筑多目标优化设计方法,其特征在于,所述步骤2-3中应用DSE的Sampler组件、Octopus、Crow工具对初始建筑形态设计参量进行选择、交叉和重构。
7.根据权利要求1所述的基于生命周期碳中和的建筑多目标优化设计方法,其特征在于,所述步骤2-4中应用Matlab工具箱SOM-ToolBox。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436592.1A CN113094798B (zh) | 2021-04-22 | 2021-04-22 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436592.1A CN113094798B (zh) | 2021-04-22 | 2021-04-22 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094798A CN113094798A (zh) | 2021-07-09 |
CN113094798B true CN113094798B (zh) | 2023-07-28 |
Family
ID=76679809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436592.1A Active CN113094798B (zh) | 2021-04-22 | 2021-04-22 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094798B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692265B (zh) * | 2022-02-23 | 2023-03-10 | 山东建筑大学 | 一种基于深度强化学习的零碳建筑优化设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599467A (zh) * | 2016-12-14 | 2017-04-26 | 哈尔滨工业大学 | 一种基于多目标优化算法的严寒地区建筑构造设计方法 |
KR20180110940A (ko) * | 2017-03-30 | 2018-10-11 | (주)우리젠 | 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템 |
CN110569616A (zh) * | 2019-09-12 | 2019-12-13 | 哈尔滨工业大学 | 一种基于som的建筑多目标优化设计决策支持方法 |
WO2021045317A1 (ko) * | 2019-09-04 | 2021-03-11 | 경희대학교 산학협력단 | 뉴럴 네트워크를 이용한 건축 구조 설계 방법 및 이를 실행하는 장치 |
-
2021
- 2021-04-22 CN CN202110436592.1A patent/CN113094798B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599467A (zh) * | 2016-12-14 | 2017-04-26 | 哈尔滨工业大学 | 一种基于多目标优化算法的严寒地区建筑构造设计方法 |
KR20180110940A (ko) * | 2017-03-30 | 2018-10-11 | (주)우리젠 | 기 건축물의 에너지 성능 분석을 위한 프로파일링 시스템 |
WO2021045317A1 (ko) * | 2019-09-04 | 2021-03-11 | 경희대학교 산학협력단 | 뉴럴 네트워크를 이용한 건축 구조 설계 방법 및 이를 실행하는 장치 |
CN110569616A (zh) * | 2019-09-12 | 2019-12-13 | 哈尔滨工业大学 | 一种基于som的建筑多目标优化设计决策支持方法 |
Non-Patent Citations (1)
Title |
---|
基于标准计算平台的建筑生命周期碳评价;张磊;黄一如;黄欣;;华中建筑(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113094798A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795836B (zh) | 基于区间与有界概率混合不确定性的机械臂稳健优化方法 | |
Kiss et al. | Modular approach to multi-objective environmental optimization of buildings | |
Peng et al. | Investment risk evaluation for new energy resources: An integrated decision support model based on regret theory and ELECTRE III | |
Zhuang et al. | A performance data integrated BIM framework for building life-cycle energy efficiency and environmental optimization design | |
CN113094798B (zh) | 一种基于生命周期碳中和的建筑多目标优化设计方法 | |
Lin et al. | MOOSAS–A systematic solution for multiple objective building performance optimization in the early design stage | |
He et al. | Construction of a 5D duration and cost optimisation model based on genetic algorithm and BIM | |
CN110619187B (zh) | 一种混凝土坝施工方案及资源冲突检测与调整方法 | |
CN114580851A (zh) | 一种基于全生命周期碳排放计算的既有建筑改造数字化设计方法 | |
Jiang et al. | Generative urban design: A systematic review on problem formulation, design generation, and decision-making | |
Yuan et al. | Life cycle assessment of building energy in big-data era: theory and framework | |
Ries et al. | Integrated computational life-cycle assessment of buildings | |
TWI636405B (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 | |
Mehta | Optimal design and modeling of sustainable buildings based on multivariate fuzzy logic | |
Umoh et al. | A REVIEW OF SMART GREEN BUILDING TECHNOLOGIES: INVESTIGATING THE INTEGRATION AND IMPACT OF AI AND IOT IN SUSTAINABLE BUILDING DESIGNS | |
Liu | Influencing Factors for an Integrated Model of Green Building Energy Consumption Using BIM Dynamic Simulation and Multiobjective Decision-Making | |
Huang et al. | Efficient NC process scheme generation method based on reusable macro and micro process fusion | |
Elshafei et al. | AI technologies in green architecture field: statistical comparative analysis | |
Duclos et al. | Constrained Multi-Criteria Optimization for Integrated Design in Professional Practice | |
CN1645380A (zh) | 基于网络的机床结构协同处理方法 | |
Pilechiha | Optimization Methods and Algorithms in Architectural and Urban Design, Basic Mathematical Solutions | |
Yang et al. | Research on Customer Requirement-Driven Individualized Product Module Division and Configuration Based on Community Structure | |
Cha et al. | Developing algorithmic methodology to visualize & Evaluate the dynamics of urban form in the early design phase | |
Shahi et al. | Energy Performance and LCA-driven Computational Design Methodology for Integrating Modular Construction in Adaptation of Concrete Residential Towers in Cold Climates | |
Cui | Economic Benefit Evaluation Model of Urban Street Reconstruction Based on Parallel Multigrid Computing |
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 |