CN114693064B - 一种建筑群方案生成性能评价方法 - Google Patents
一种建筑群方案生成性能评价方法 Download PDFInfo
- Publication number
- CN114693064B CN114693064B CN202210182400.3A CN202210182400A CN114693064B CN 114693064 B CN114693064 B CN 114693064B CN 202210182400 A CN202210182400 A CN 202210182400A CN 114693064 B CN114693064 B CN 114693064B
- Authority
- CN
- China
- Prior art keywords
- building group
- scheme
- building
- data
- value
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000013461 design Methods 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 30
- 238000005265 energy consumption Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 241000256844 Apis mellifera Species 0.000 claims description 3
- 241000255749 Coccinellidae Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于建筑群方案生成评价领域,具体涉及一种建筑群方案生成性能评价方法,包括五个模块:样本数据筛选与处理;建筑群方案样本数据聚类;基于cGAN的建筑群方案生成模型建构;基于CNN的建筑群性能预测模型建构;建筑群方案生成及方案性能评价。该方法能够通过K‑means技术对收集到的当前建筑群方案进行聚类分析,挖掘当前某建筑类型建筑群方案设计特征,利用cGAN技术学习各建筑群方案特点,用于建筑群方案的生成设计,提高设计效率与精度。利用CNN算法构建的建筑群方案性能预测模型可以快速预测某类型建筑群布局方案下的太阳能潜力值和建筑能耗值,进而实现对方案的性能评价。
Description
技术领域
本发明属于建筑群方案生成评价领域,具体涉及一种建筑群方案生成性能评价方法。
背景技术
当前建筑群方案设计多基于场地条件、容积率等,由设计师根据自身设计经验自主设计。近年来随着深度学习技术的发展,为建筑群方案生成设计提供了新的设计思路。深度学习是一种能够模拟出人脑的神经结构的机器学习方法。它可以自行抽取特征中有价值的信息进行自身调优与训练,并通过训练去拟合输入从而得到一个合理的模型结构,在生成设计方面有较大潜力。因此可使用深度学习方法挖掘其设计规律,自动生成建筑群设计方案,提高方案设计效率和科学性。
随着居民生活质量的提高,建筑耗能正在逐年升高,虽然通过建筑被动式设计与设备系统节能方式可以减少建筑的能源需求总量,但随着零能耗、零碳建筑的新目标,想要实现更高的节能标准就必须充分利用新能源,即建筑设计需要同时考虑到节能和产能两个方面。在产能方面,在城市中最方便获取与利用的新能源便是太阳能,在单体建筑利用太阳能技术比较成熟的当今,如何对建筑群体布局设计方案的太阳能潜力进行预测、规模化应用太阳能已是该领域研究的关注重点。现有的机器学习技术为建筑群能耗、太阳能潜力的预测方面提供了新的思路,以对不同建筑群设计方案的建筑性能做出评价。
发明内容
本发明基于上述背景,提供一种建筑群方案生成性能评价方法,包括五个模块:样本数据筛选与处理;建筑群方案样本数据聚类;基于cGAN的建筑群方案生成模型建构;基于CNN的建筑群性能预测模型建构;建筑群方案生成及方案性能评价。该方法能够通过K-means技术对收集到的当前建筑群方案进行聚类分析,挖掘当前某建筑类型建筑群方案设计特征,利用cGAN技术学习各建筑群方案特点,用于建筑群方案的生成设计,提高设计效率与精度。利用CNN算法构建的建筑群方案性能预测模型可以快速预测某类型建筑群布局方案下的太阳能潜力值和建筑能耗值,进而实现对方案的性能评价。
本发明为了达到上述目的,通过以下技术方案实现:
S1:建筑群样本方案聚类数据、建筑群方案生成样本数据、建筑群方案性能样本数据筛选与处理
S1.1:样本数据筛选;
S1.2:样本数据处理。
S2:建筑群方案样本数据聚类。
S3:构建建筑群方案生成模型
S3.1:建筑群方案生成模型建构;
S3.2:建筑群方案生成模型训练。
S4:构建建筑群方案性能预测模型
S4.1:建筑群方案性能预测模型建构;
S4.2:建筑群方案性能预测模型训练与验证。
S5:建筑群方案生成及性能评价
S5.1:数据处理与建筑群方案生成;
S5.2:建筑群方案性能评价。
优选地,所述步骤S1.1中样本数据筛选依据为:所选取样本数据来源集中在具有相似的气候区、纬度、地形条件下的既有某类型建筑群方案布局案例,以降低样本误差进而保证后续模型训练效果。
优选地,所述步骤S1.2中样本数据处理包括建筑群样本方案聚类数据处理、建筑群方案生成样本数据处理、建筑群方案性能样本数据处理,具体方法为:
S1.2.1:建筑群样本方案聚类数据处理:通过图像处理工具,提取各建筑方案场地形状并填充为黑色,场地内不同高度、功能的建筑以不同RGB色块表示,黑色场地形状与RGB色块表示的建筑群叠加后,按照相同比例导出并置于240mm*240mm的白色背景图像上,记录图中其每格像素的RGB值并进行归一化处理;将所有图的归一化后RGB值二维矩阵按行展开成一个一维行向量,每张图像对应一个行向量,所有的行向量构成方案样本的聚类数据集。
S1.2.2:建筑群方案生成样本数据处理:通过图像处理工具,首先提取各建筑方案场地形状并填充为黑色作为建筑群方案生成模型输入样本数据之一;其次将样本场地形状填充为白色,场地内不同高度、功能的建筑以不同RGB色块表示,白色场地形状与RGB色块表示的建筑群叠加;最后设定统一比例,将各建筑群方案样本图像按照相同比例导出,并应用图像处理工具进行批量化处理为cGAN网络模型可识别的图像格式,作为建筑群方案生成模型输入样本数据之二。
S1.2.3:建筑群方案性能样本数据处理:首先通过图像处理工具,将样本场地形状填充为白色,场地内不同高度、功能的建筑以不同RGB色块表示,白色场地形状与RGB色块表示的建筑群叠加后,按照步骤S1.2.2所设定的统一比例进行同比例导出和批量化处理作为建筑群方案性能预测模型的输入样本数据;其次将各样本方案建模为Rhino-Grasshopper3D模型,定义建筑群中各建筑的运行信息数据,通过Ladybug+Honeybee插件分别计算各样本方案下的太阳能潜力值、建筑能耗值,单位为kWh/(m2·a),两种性能值作为建筑群方案性能预测模型的输出样本数据。
优选地,所述步骤S2中建筑群方案样本数据聚类方法为:
将步骤S1.2中处理后的建筑群样本方案聚类数据作为输入数据,基于方案数据集所反应的容积率、布局方式等方案特征,利用K-means聚类算法对建筑群样本方案数据进行聚类,选取MIA(mean index adequacy)、MDC(mean of distance between curves)、伪F统计量(PSF)、R2统计量(RSQ)四个评价指标,对K-means聚类算法的K值做出选择,将建筑群样本方案聚类数据聚类为K组。
优选地,所述步骤S3.1中建筑群方案生成模型建构方法为:
采用基于cGAN的Pix2Pix进行建筑群方案生成模型建构,模型建构过程中生成器采用U-net架构,并合理设置其编码器与解码器卷积层层数、每层网络的神经元个数、下采样的卷积核与上采样的反卷积核的大小及步长;在编码器建构中,每层卷积层后都连接LeakyReLu激活函数层;在解码器建构中,每层反卷积层后都连接有非线性运算单元;在生成器的编码器与解码器建构中,每层卷积层与反卷积层后均连接有批量归一化层,生成器网络的随机噪声以dropout层形式输入。
采用PatchGAN建构判别器,包括卷积层、激活函数层与批量归一化层三部分,并合理设置卷积神经网络结构、每层卷积网络神经元个数、激活函数;所建构判别器的输入数据为生成器生成的图像与生成器的输入图像,最后输出为取值为0-1的真假预测图,真假预测图上的每个数值对应判别器输入图像的相应位置上的图像分块的真假程度,取值越接近1则说明判别器认为该图像分块的生成效果接近真实布局图像。
优选地,所述步骤S3.2中建筑群方案生成模型训练方法为:
基于步骤S2的k组聚类结果,将步骤S1.2.2中处理过的建筑群方案生成样本数据划分为K类,按照15%:85%的比例分别将每类建筑群方案生成样本数据划分为测试集与训练集并展开训练,获得K个建筑群方案生成模型;训练过程中pix2pix模型训练会同时调用生成器与判别器,通过损失函数度量判别器上每个相应图像分块上真假分类的损失;模型优化采用Adam优化器进行,通过试错法合理设置其学习率、迭代次数超参数,模型超参数参考pix2pix算法,采用其默认设置,迭代过程中算法会利用训练数据不断优化模型权重值,减少输出图像与真实图像之间的损失值,从而使生成图像越来越逼近真实图像,迭代中损失函数设置如下:
其中,G*为损失函数;arg min max表示极值情况下的变量取值;min表示最小值;max表示最大值;表示一般cGAN的损失函数;G为建筑群方案生成器网络;D为建筑群方案判别器网络;表示L1Loss损失函数;表示期望值;x为黑色建筑场地形状图像;y为真实的建筑群方案总平面图;G(x,z)为建筑群方案生成器网络的生成图像;z为输入的随机噪声;λ为设置的权重值采用dropout代替。
优选地,所述步骤S4.1中建筑群方案性能预测模型建构方法为:
将步骤S1.2.3中处理后的建筑群方案性能样本数据15%分为测试集,其余为训练集,采用CNN结构展开模型构建,CNN输入层数据为处理后的建筑群方案图片,输出层数据为由Rhino-Grasshopper计算所得该建筑群方案所对应的太阳能潜力、能耗两种性能值。
优选地,所述步骤S4.2中建筑群方案性能预测模型训练与验证方法为:
设定CNN卷积层、下采样层、全连接层层数及神经元数量、学习率、迭代次数等超参数区间,以测试集中预测太阳能潜力值与真实值之间的均方误差和预测建筑群能耗值与真实值之间的均方误差作为模型精确度的评价指标,对模型的超参数进行优化调整,直至可取得较高的预测精度,评价指标公式如下:
其中,JS表示测试集中预测太阳能潜力值与真实值之间的均方误差;Je表示表示测试集中预测建筑群能耗值与真实值之间的均方误差;表示第i个测试数据的太阳能潜力预测值;表示第i个测试数据的太阳能潜力实际值;表示第i个测试数据的建筑群能耗预测值;表示第i个测试数据的建筑群能耗实际值;i表示第i个测试数据;m表示测试集数据数量。
优选地,所述步骤S5.1中数据处理与建筑群方案生成方法为:
S5.1.1:提取待生成建筑群场地形状并填充为黑色;其次按照与步骤S1.2.2中所设定的统一比例导出,并应用图像处理工具将其处理为cGAN网络模型可识别的图像格式,作为建筑群方案生成模型输入数据。
S5.1.2:将输入数据分别导入k个已训练好的具有U-net架构的建筑群方案生成模型中展开方案生成设计,得到该场地条件下的不同建筑群生成方案图像。
优选地,所述步骤S5.2中建筑群方案性能评价方法为:
将步骤S5.1.2中所得不同建筑群生成方案图像作为输入数据,分别导入已训练好的建筑群方案性能预测模型中展开预测,得到不同建筑群方案下的太阳能潜力值和建筑能耗值,作为方案性能评价指标,对各方案做出性能评价判断,最后可基于性能评价判断选择具体设计方案。
本发明的优点在于:
(1)本发明基于k-means算法对某类型的建筑群方案集进行聚类分析,基于聚类结果,可以挖掘该类型建筑群方案设计特征,解析当下该类型的建筑群方案设计特点。
(2)本发明基于cGAN技术搭建了建筑群方案生成模型,模型可基于提供的场地形状信息,自动生成具有不同设计特点的建筑群方案,且利用该训练好的模型进行方案生成的过程迅速,显著降低了设计耗时,提高了设计效率;基于CNN技术搭建了建筑群方案性能预测模型,模型可基于输入的建筑群方案平面图快速预测建筑群太阳能潜力、建筑群能耗两项建筑性能。
(3)将建筑群方案生成模型与建筑群方案性能预测模型进行结合,可快速实现对生成的不同建筑群设计方案的性能预测,基于各性能指标可做出建筑群方案设计决策,该方法可提高建筑群方案设计的效率和科学性。
附图说明
图1是本发明中建筑群方案生成性能评价方法系统框架图。
图2是本发明中样本数据处理流程图。
图3是本发明中样本方案聚类流程图。
图4是本发明中建筑群方案生成模型、方案性能预测模型建构及应用图。
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。
以下以寒冷地区办公建筑群设计实例进行详细说明:
如附图1,本发明实施例提供的一种建筑群方案生成性能评价方法,包括如下步骤:
S1:包括办公建筑群样本方案聚类数据、建筑群方案生成样本数据、建筑群方案性能样本数据筛选与处理,操作方式如附图2所示,包括下面两个步骤;
S1.1:样本数据筛选;
S1.2:样本数据处理。
优选地,上述步骤S1.1中样本数据筛选依据为:样本数据来源于政府建设公告官网、国内外建筑设计网站以及建筑杂志与书籍。由于气候条件、地形地貌以及经济发展水平等条件对办公建筑群方案的设计会产生影响,因此所选取样本来源集中在具有相似的气候区、纬度、地形条件下的既有某类型建筑群方案布局案例,以降低样本误差进而保证后续模型训练效果。
优选地,上述步骤S1.2中样本数据处理包括建筑群样本方案聚类数据处理、建筑群方案生成样本数据处理和建筑群方案性能样本数据处理,具体方法为:
S1.2.1:建筑群样本方案聚类数据处理:通过图像处理工具,提取各建筑方案场地形状并填充为黑色,场地内不同高度、功能的建筑以不同RGB色块表示,黑色场地形状与RGB色块表示的建筑群叠加后,按照相同比例导出并置于240mm*240mm的白色背景图像上,记录图中其每格像素的RGB值并进行归一化处理;将所有图的归一化后RGB值二维矩阵按行展开成一个一维行向量,每张图像对应一个行向量,所有的行向量构成方案样本的聚类数据集。
S1.2.2:建筑群方案生成样本数据处理:通过图像处理工具,首先提取各建筑方案场地形状并填充为黑色作为建筑群方案生成模型输入样本数据之一;其次将样本场地形状填充为白色,场地内不同高度、功能的建筑以不同RGB色块表示,白色场地形状与RGB色块表示的建筑群叠加;最后设定统一比例,将各建筑群方案样本图像按照相同比例导出,并应用图像处理工具进行批量化处理为cGAN网络模型可识别的图像格式,作为建筑群方案生成模型输入样本数据之二。
S1.2.3:建筑群方案性能样本数据处理:首先通过图像处理工具,将样本场地形状填充为白色,场地内不同高度、功能的建筑以不同RGB色块表示,白色场地形状与RGB色块表示的建筑群叠加后,按照步骤S1.2.2所设定的统一比例进行同比例导出和批量化处理作为建筑群方案性能预测模型的输入样本数据;其次将各样本方案建模为Rhino-Grasshopper3D模型,定义建筑群中各建筑的运行信息数据,通过Ladybug+Honeybee插件分别计算各样本方案下的太阳能潜力值、建筑能耗值,单位为kWh/(m2·a),两种性能值作为建筑群方案性能预测模型的输出样本数据。
S2:办公建筑群方案样本数据聚类。
优选聚类方法为:将步骤S1.2中处理后的建筑群样本方案聚类数据作为输入数据,基于方案数据集所反应的容积率、布局方式等方案特征,利用K-means聚类算法对建筑群样本方案数据进行聚类,选取MIA(mean index adequacy)、MDC(mean of distancebetween curves)、伪F统计量(PSF)、R2统计量(RSQ)四个评价指标,对K-means聚类算法的K值做出选择,将建筑群方案样本方案聚类为K组,聚类过程如附图3所示。
S3:构建建筑群方案生成模型,包括以下两个步骤:
S3.1:办公建筑群方案生成模型建构;
S3.2:办公建筑群方案生成模型训练。
优选地,所述步骤S3.1中建筑群方案生成模型建构方法为:
采用基于cGAN的Pix2Pix进行建筑群方案生成模型建构,模型建构过程中生成器采用U-net架构,并合理设置其编码器与解码器卷积层层数、每层网络的神经元个数、下采样的卷积核与上采样的反卷积核的大小及步长;在编码器建构中,每层卷积层后都连接LeakyReLu激活函数层;在解码器建构中,每层反卷积层后都连接有非线性运算单元(Rectified Linear Units,ReLu);在生成器的编码器与解码器建构中,每层卷积层与反卷积层后均连接有批量归一化层(Batch Normalization),生成器网络的随机噪声以dropout层形式输入。
采用PatchGAN建构判别器,包括卷积层、激活函数层与批量归一化层三部分,并合理设置卷积神经网络结构、每层卷积网络神经元个数、激活函数;所建构判别器的输入数据为生成器生成的图像与生成器的输入图像,最后输出为取值为0-1的真假预测图,真假预测图上的每个数值对应判别器输入图像的相应位置上的图像分块的真假程度,取值越接近1则说明判别器认为该图像分块的生成效果接近真实布局图像。
优选地,所述步骤S3.2中建筑群方案生成模型训练方法为:
基于步骤S2的k组聚类结果,将步骤S1.2.2中处理过的建筑群方案生成样本数据划分为K类,按照15%:85%的比例分别将每类建筑群方案生成样本数据划分为测试集与训练集并展开训练,获得K个建筑群方案生成模型;训练过程中pix2pix模型训练会同时调用生成器与判别器,通过损失函数度量判别器上每个相应图像分块上真假分类的损失;模型优化采用Adam优化器进行,通过试错法合理设置其学习率、迭代次数超参数,模型超参数参考pix2pix算法,采用其默认设置,迭代过程中算法会利用训练数据不断优化模型权重值,减少输出图像与真实图像之间的损失值,从而使生成图像越来越逼近真实图像,迭代中损失函数设置如下:
其中,G*为损失函数;arg min max表示极值情况下的变量取值;min表示最小值;max表示最大值;表示一般cGAN的损失函数;G为建筑群方案生成器网络;D为建筑群方案判别器网络;表示L1Loss损失函数;表示期望值;x为黑色建筑场地形状图像;y为真实的建筑群方案总平面图;G(x,z)为建筑群方案生成器网络的生成图像;z为输入的随机噪声;λ为设置的权重值采用dropout代替。
S4:构建建筑群方案性能预测模型,包括以下两个步骤:
S4.1:办公建筑群方案性能预测模型建构;
S4.2:办公建筑群方案性能预测模型训练与验证。
优选地,所述步骤S4.1中建筑群方案性能预测模型建构方法为:
将步骤S1.2.3中处理后的建筑群方案性能样本数据15%分为测试集,其余为训练集,采用CNN结构展开模型构建,CNN输入层数据为处理后的建筑群方案图片,输出层数据为由Rhino-Grasshopper计算所得该建筑群方案所对应的太阳能潜力、能耗两种性能值。
优选地,所述步骤S4.2中建筑群方案性能预测模型训练与验证方法为:
设定CNN卷积层、下采样层、全连接层层数及神经元数量、学习率、迭代次数等超参数区间,以测试集中预测太阳能潜力值与真实值之间的均方误差和预测建筑群能耗值与真实值之间的均方误差作为模型精确度的评价指标,对模型的超参数进行优化调整,直至可取得较高的预测精度,评价指标公式如下:
其中,JS表示测试集中预测太阳能潜力值与真实值之间的均方误差;Je表示表示测试集中预测建筑群能耗值与真实值之间的均方误差;表示第i个测试数据的太阳能潜力预测值;表示第i个测试数据的太阳能潜力实际值;表示第i个测试数据的建筑群能耗预测值;表示第i个测试数据的建筑群能耗实际值;i表示第i个测试数据;m表示测试集数据数量。
S5:办公建筑群方案生成及性能评价,包括以下两个步骤:
S5.1:数据处理与建筑群方案生成;
S5.2:办公建筑群方案性能评价。
优选地,所述步骤S5.1中数据处理与建筑群方案生成方法为:
S5.1.1:提取待生成建筑群场地形状并填充为黑色;其次按照与步骤S1.2.2中所设定的统一比例导出,并应用图像处理工具将其处理为cGAN网络模型可识别的图像格式,作为建筑群方案生成模型输入数据。
S5.1.2:将输入数据分别导入k个已训练好的具有U-net架构的建筑群方案生成模型中展开方案生成设计,得到该场地条件下的不同建筑群生成方案图像。
优选地,所述步骤S5.2中建筑群方案性能评价方法为:
将步骤S5.1.2中所得不同建筑群生成方案图像作为输入数据,分别导入已训练好的建筑群方案性能预测模型中展开预测,得到不同建筑群方案下的太阳能潜力值和建筑能耗值,作为方案性能评价指标,对各方案做出性能评价判断,最后可基于性能评价判断选择具体设计方案。
本实施例中步骤3、步骤4、步骤5应用如附图4所示。
Claims (8)
1.一种建筑群方案生成性能评价方法,其特征在于,包括如下步骤:
S1:建筑群样本方案聚类数据、建筑群方案生成样本数据、建筑群方案性能样本数据筛选与处理;
S1.1:样本数据筛选;
S1.2:样本数据处理;
S2:建筑群方案样本数据聚类;
S3:构建建筑群方案生成模型;
S3.1:建筑群方案生成模型建构;所述建筑群方案生成模型建构方法为:
采用基于cGAN的Pix2Pix进行建筑群方案生成模型建构,模型建构过程中生成器采用U-net架构,并合理设置其编码器与解码器卷积层层数、每层网络的神经元个数、下采样的卷积核与上采样的反卷积核的大小及步长;在编码器建构中,每层卷积层后都连接LeakyReLu激活函数层;在解码器建构中,每层反卷积层后都连接有非线性运算单元;在生成器的编码器与解码器建构中,每层卷积层与反卷积层后均连接有批量归一化层,生成器网络的随机噪声以dropout层形式输入;
采用PatchGAN建构判别器,包括卷积层、激活函数层与批量归一化层三部分,并合理设置卷积神经网络结构、每层卷积网络神经元个数、激活函数;所建构判别器的输入数据为生成器生成的图像与生成器的输入图像,最后输出为取值为0-1的真假预测图,真假预测图上的每个数值对应判别器输入图像的相应位置上的图像分块的真假程度,取值越接近1则说明判别器认为该图像分块的生成效果接近真实布局图像;
S3.2:建筑群方案生成模型训练;
S4:构建建筑群方案性能预测模型;
S4.1:建筑群方案性能预测模型建构;所述建筑群方案性能预测模型建构方法为:
将步骤S1.2.3处理后的建筑群方案性能样本数据15%分为测试集,其余为训练集,采用CNN结构展开模型构建,CNN输入层数据为处理后的建筑群方案图片,输出层数据为由Rhino-Grasshopper计算所得该建筑群方案所对应的太阳能潜力、能耗;
S4.2:建筑群方案性能预测模型训练与验证;
S5:建筑群方案生成及性能评价;
S5.1:数据处理与建筑群方案生成;
S5.2:建筑群方案性能评价。
2.根据权利要求1所述的建筑群方案生成性能评价方法,其特征在于,所述步骤S1.1中样本数据筛选依据为:所选取样本数据来源集中在具有相似的气候区、纬度、地形条件下的既有某类型建筑群方案布局案例。
3.根据权利要求2所述的建筑群方案生成性能评价方法,其特征在于,所述步骤S1.2中样本数据处理具体方法为:
S1.2.1:建筑群样本方案聚类数据处理:通过图像处理工具,提取各建筑方案场地形状并填充为黑色,场地内不同高度、功能的建筑以不同RGB色块表示,黑色场地形状与RGB色块表示的建筑群叠加后,按照相同比例导出并置于240mm*240mm的白色背景图像上,记录图中每格像素的RGB值并进行归一化处理;将所有图的归一化后RGB值二维矩阵按行展开成一个一维行向量,每张图像对应一个行向量,所有的行向量构成方案样本的聚类数据集;
S1.2.2:建筑群方案生成样本数据处理:通过图像处理工具,首先提取各建筑方案场地形状并填充为黑色作为建筑群方案生成模型输入样本数据之一;其次将样本场地形状填充为白色,场地内不同高度、功能的建筑以不同RGB色块表示,白色场地形状与RGB色块表示的建筑群叠加;最后设定统一比例,将各建筑群方案样本图像按照相同比例导出,并应用图像处理工具进行批量化处理为cGAN网络模型可识别的图像格式,作为建筑群方案生成模型输入样本数据之二;
S1.2.3:建筑群方案性能样本数据处理:首先通过图像处理工具,将样本场地形状填充为白色,场地内不同高度、功能的建筑以不同RGB色块表示,白色场地形状与RGB色块表示的建筑群叠加后,按照上述步骤S1.2.2所设定的统一比例进行同比例导出和批量化处理作为建筑群方案性能预测模型的输入样本数据;其次将各样本方案建模为Rhino-Grasshopper3D模型,定义建筑群中各建筑的运行信息数据,通过Ladybug+Honeybee插件分别计算各样本方案下的太阳能潜力值、建筑能耗值,两种性能值作为建筑群方案性能预测模型的输出样本数据。
4.根据权利要求3所述的建筑群方案生成性能评价方法,其特征在于,所述步骤S2中建筑群方案样本数据聚类方法为:
将步骤S1.2中处理后的建筑群样本方案聚类数据作为输入数据,基于方案数据集所反应的容积率、布局方式,利用K-means聚类算法对建筑群样本方案数据进行聚类,选取MIA、MDC、伪F统计量、R2统计量四个评价指标,对K-means聚类算法的K值做出选择,将建筑群样本方案聚类数据聚类为K组。
5.根据权利要求4所述的建筑群方案生成性能评价方法,其特征在于,所述步骤S3.2中建筑群方案生成模型训练方法为:
基于步骤S2的k组聚类结果,将步骤S1.2.2中处理过的建筑群方案生成样本数据划分为K类,按照15%:85%的比例分别将每类建筑群方案生成样本数据划分为测试集与训练集并展开训练,获得K个建筑群方案生成模型;训练过程中pix2pix模型训练会同时调用生成器与判别器,通过损失函数度量判别器上每个相应图像分块上真假分类的损失;模型优化采用Adam优化器进行,通过试错法合理设置其学习率、迭代次数超参数,模型超参数参考pix2pix算法,采用其默认设置,迭代过程中算法会利用训练数据不断优化模型权重值,减少输出图像与真实图像之间的损失值,从而使生成图像越来越逼近真实图像,迭代中损失函数设置如下:
LcGAN(G,D)=Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))]
LL1(G)=Ex,y,z[||y-G(x,z)||1]
其中,G*为损失函数;arg min max表示极值情况下的变量取值;min表示最小值;max表示最大值;LcGAN表示一般cGAN的损失函数;G为建筑群方案生成器网络;D为建筑群方案判别器网络;LL1表示L1 Loss损失函数;E表示期望值;x为黑色建筑场地形状图像;y为真实的建筑群方案总平面图;G(x,z)为建筑群方案生成器网络的生成图像;z为输入的随机噪声;λ为设置的权重值采用dropout代替。
6.根据权利要求5所述的建筑群方案生成性能评价方法,其特征在于,所述步骤S4.2中建筑群方案性能预测模型训练与验证方法为:
设定CNN卷积层、下采样层、全连接层层数及神经元数量、学习率、迭代次数,以测试集中预测太阳能潜力值与真实值之间的均方误差和预测建筑群能耗值与真实值之间的均方误差作为模型精确度的评价指标,对模型的超参数进行优化调整,直至可取得较高的预测精度,评价指标公式如下:
7.根据权利要求6所述的建筑群方案生成性能评价方法,其特征在于,所述步骤S5.1中数据处理与建筑群方案生成方法为:
S5.1.1:提取待生成建筑群场地形状并填充为黑色;其次按照与步骤S1.2.2中所设定的统一比例导出,并应用图像处理工具将其处理为cGAN网络模型可识别的图像格式,作为建筑群方案生成模型输入数据;
S5.1.2:将输入数据分别导入k个已训练好的具有U-net架构的建筑群方案生成模型中展开方案生成设计,得到该场地下的不同建筑群生成方案图像。
8.根据权利要求7所述的建筑群方案生成性能评价方法,其特征在于步骤S5.2中建筑群方案性能评价方法为:
将步骤S5.1.2中所得不同建筑群生成方案图像作为输入数据,分别导入已训练好的建筑群方案性能预测模型中展开预测,得到不同建筑群方案下的太阳能潜力值和建筑能耗值,作为方案性能评价指标,对各方案做出性能评价判断,最后可基于性能评价判断选择具体设计方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182400.3A CN114693064B (zh) | 2022-02-25 | 2022-02-25 | 一种建筑群方案生成性能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182400.3A CN114693064B (zh) | 2022-02-25 | 2022-02-25 | 一种建筑群方案生成性能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693064A CN114693064A (zh) | 2022-07-01 |
CN114693064B true CN114693064B (zh) | 2023-03-10 |
Family
ID=82137347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210182400.3A Active CN114693064B (zh) | 2022-02-25 | 2022-02-25 | 一种建筑群方案生成性能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693064B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246076B (zh) * | 2022-12-28 | 2023-08-11 | 北京华清安地建筑设计有限公司 | 一种传统民居院落肌理特征识别应用方法和系统 |
CN116167148B (zh) * | 2023-04-26 | 2023-07-07 | 青岛理工大学 | 基于局域微气候的城市街区形态优化方法及其系统 |
CN117150622B (zh) * | 2023-09-08 | 2024-05-07 | 中国建筑第二工程局有限公司 | 基于gan算法和bim技术的仿古屋面挑檐特色优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012097473A (ja) * | 2010-11-02 | 2012-05-24 | Sekisui Chem Co Ltd | 建物群の導風システム |
CN112464339A (zh) * | 2020-11-25 | 2021-03-09 | 西北工业大学 | 一种最大化建筑群太阳能利用潜力的建筑布局确定方法 |
CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
CN113205203A (zh) * | 2021-03-29 | 2021-08-03 | 北京金茂绿建科技有限公司 | 基于cnn-lstm的建筑能耗预测方法和系统 |
CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
CN114004006A (zh) * | 2022-01-04 | 2022-02-01 | 深圳小库科技有限公司 | 建筑群排布方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3414734A1 (en) * | 2016-02-10 | 2018-12-19 | Visioglobe | Method of generating a georeferenced plan |
-
2022
- 2022-02-25 CN CN202210182400.3A patent/CN114693064B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012097473A (ja) * | 2010-11-02 | 2012-05-24 | Sekisui Chem Co Ltd | 建物群の導風システム |
CN112464339A (zh) * | 2020-11-25 | 2021-03-09 | 西北工业大学 | 一种最大化建筑群太阳能利用潜力的建筑布局确定方法 |
CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
CN113205203A (zh) * | 2021-03-29 | 2021-08-03 | 北京金茂绿建科技有限公司 | 基于cnn-lstm的建筑能耗预测方法和系统 |
CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
CN114004006A (zh) * | 2022-01-04 | 2022-02-01 | 深圳小库科技有限公司 | 建筑群排布方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于稠密金字塔网络的遥感影像建筑物提取;韩彬彬等;《国外电子测量技术》;20200515(第05期);189-195 * |
Also Published As
Publication number | Publication date |
---|---|
CN114693064A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN112862090B (zh) | 一种基于深度时空神经网络的气温预报方法 | |
CN106228185A (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
CN113011397B (zh) | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN115392554A (zh) | 基于深度图神经网络和环境融合的轨道客流预测方法 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
Chou et al. | Imaging time-series with features to enable visual recognition of regional energy consumption by bio-inspired optimization of deep learning | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115471016A (zh) | 一种基于cisso与daed的台风预测方法 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN116050460B (zh) | 基于注意力神经网络的气温数据空间插值方法 | |
CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
CN110554429A (zh) | 一种基于变邻域滑动窗口机器学习的地震断层识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |