CN116341081A - 一种建筑设计多目标快速优化设计辅助系统及方法 - Google Patents

一种建筑设计多目标快速优化设计辅助系统及方法 Download PDF

Info

Publication number
CN116341081A
CN116341081A CN202310334263.5A CN202310334263A CN116341081A CN 116341081 A CN116341081 A CN 116341081A CN 202310334263 A CN202310334263 A CN 202310334263A CN 116341081 A CN116341081 A CN 116341081A
Authority
CN
China
Prior art keywords
performance
scheme
building
user
module
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
CN202310334263.5A
Other languages
English (en)
Inventor
刘刚
吴亚琦
韩臻
李晓倩
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202310334263.5A priority Critical patent/CN116341081A/zh
Publication of CN116341081A publication Critical patent/CN116341081A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种建筑设计多目标快速优化设计辅助系统及方法，用于建筑方案设计阶段，辅助用户对方案进行基于性能优化的快速设计。所述方法包括：方案信息采集：读取用户初始方案和用户对性能目标的期望值；通过建筑性能仿真模块快速评估当前的方案性能水平；对基于初始方案进行性能优化，并对优化得到的方案进行性能仿真；通过用户交互界面和解释器模块向用户反馈方案修改建议和优化方案，用户可以依据建议快速选择一个性能提升的优化方案作为结果，或重复上述优化过程。该系统通过快速对多种建筑方案进行性能预测，实现了在设计初期将多种方案性能目标纳入设计决策。

Description

一种建筑设计多目标快速优化设计辅助系统及方法
技术领域
本申请涉及基于建筑性能辅助设计软件开发技术领域，特别涉及到基于撞库+代理模型对建筑物性能进行快速预测，进行多目标优化后选择性能最优建筑方案的设计专家系统及方法。
背景技术
随着我国对绿色建筑的建设力度不断加强，对建筑声、光、热、风、热舒适等性能进行综合分析以指导建筑设计的重要性不断体现，但传统仿真软件在建筑性能模拟方面存在仿真时间长、效率低的问题，并且多目标优化需对不同方案进行多次模拟后灵敏度分析，因此如何极短时间内获得不同建筑方案性能并进行多目标优化，为早期设计阶段提供建议和意见是极富潜力和实用性的研究内容。
在建筑性能的快速预测中，目前常见的代理模型大多是对向量型数据快速预测，但向量型数据不能在空间层面上展示建筑性能信息，不能为建筑性能改进提供更加直观的改进意见，因此需要建筑性能的矩阵型快速预测数据，但在这方面存在较大的科技缺口。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种建筑设计多目标快速优化设计辅助系统及方法，该系统内置包含大量建筑及性能样本的数据库，用户输入建筑方案后默认初步利用撞库技术获得性能数据。对相似度进行判断后，若相似度低于α，则根据不同的性能特征，分别利用对应代理模型对向量型数据和矩阵型数据进行快速预测，利用多目标灵敏度矩阵进行综合优化后快速预测出性能最优方案，为用户的建筑设计呈现可视化的修改意见及修改方案。通过建立用户交互界面，简化操作、增强用户交互。
本发明的目的是通过以下技术方案实现的：
一种建筑设计多目标快速优化设计辅助系统，包括用户交互界面、数据库模块、建筑性能仿真模块、推理算法模块、解释器模块；各模块的运行程序在python环境中运行；
所述用户交互界面用于读取用户提供的初始方案数据和目标信息，并在方案优化过程中不断向用户提供解释器模块传来的信息；建筑性能仿真模块对用户初始输入建筑方案及后续优化方案进行性能快速预测；推理算法模块在接收通过用户交互界面采集的方案数据后，调用数据库模块内的数据进行推理计算满足用户要求的方案参数；数据库模块包括方案性能数据库及基于方案性能数据库建立的多目标灵敏度矩阵；解释器模块用于对结果进行后处理，记录每一个方案的性能改进信息和改进原因，通过用户交界面反馈给用户；
建筑性能仿真模块包括三种途径，第一种是利用Energy Plus、Radiance、OpenFOAM开源仿真模拟软件直接进行性能模拟；第二种是利用数据库模块进行撞库以得到输入建筑的各项性能；第三种是使用代理模型进行建筑性能的快速预测；
所述推理算法模块使用基于多目标灵敏度矩阵进行层次分析的遗传算法；通过调用数据库模块内的多目标灵敏度矩阵进行层次分析加权计算，以确定遗传算法的变异率和变异方向，使决策变量向能够使当前性能相对较差、需要优先改变的性能提升的方向变异；同时在迭代过程中每五代进行一次随机变异以确保优化过程的方案多样性。
进一步的，所述数据库模块包括方案性能数据库，及基于方案性能数据库进行灵敏度分析得到的多目标灵敏度矩阵
Figure BDA0004155860400000021
式中，cOm,n代表决策变量n对性能目标m的灵敏度，m为用户选择的性能目标个数，n为决策变量个数；方案性能数据库能够记忆用户输入的未储存的建筑模型，不断进行更新迭代；所述的方案性能数据库包含各建筑的形体参数及性能指标，并且用户每次导入的建筑形体及利用开源仿真模拟软件得到的建筑性能也被置入该方案性能数据库中。
进一步的，代理模型和撞库的方法依赖于数据库模块独立进行，无需其他软件支持。
进一步的，用户选择撞库方法对建筑进行性能预测时，通过将用户输入建筑的各项参数与方案性能数据库中的建筑参数进行一一对比后，输出方案性能数据库中匹配度最高建筑的性能；若方案性能数据库中所有建筑与用户建筑的相似度低于α，自动选择代理模型进行建筑性能预测；上述相似度α由用户自己设定。
进一步的，根据建筑性能指标的不同自动选择对应的代理模型进行快速预测，利用卷积神经网络CNN对向量型数据进行快速预测，利用生成式对抗网络GAN中对矩阵型数据进行快速预测。
进一步的，所述向量型数据是由建筑性能单值数据组成的一维数据类型，能够预测的建筑性能包括采光系数、照度、照度均匀度、照度达标率、眩光指数、建筑制冷能耗、建筑供热能耗、全天人员占用率、热舒适PMV-PPD指标。
进一步的，所述矩阵型数据包括建筑内部位置信息及对应的性能信息的二维数据类型，能够预测的建筑性能包括采光照度云图、风速场云图、风压云图、温度场云图。
本发明还提供一种建筑设计多目标快速优化设计辅助方法，包括以下步骤：
S1.方案信息采集：通过用户交互界面的输入界面读取用户初始方案的模型、用户指定用于优化的若干个性能目标、并采集用户对性能目标的目标期望以及用于仿真模拟和优化算法的参数设置；
S2.初始方案性能评估：通过调用开源仿真模拟软件，或调用方案性能数据库进行撞库模拟，或利用代理模型进行性能预测，评估当前方案建筑性能水平；
S3.推理优化：使用推理算法模块调用建筑性能仿真模块进行快速运算，得到若干组相对于当前方案进行了性能提升的形体、开窗、遮阳和材料选择的优化方案；
S4.性能验证：调用建筑性能仿真模块对S3中给出的优化方案进行性能仿真，仿真结果作为方案的实际性能结果用于后续方案解释与选择；
S5.方案解释与选择：调用解释器模块对S4中得到的优化方案与初始方案进行对比分析，并通过用户交互界面向用户反馈方案修改建议，用户依据建议快速选择一种修改方式以优化方案性能，或选择一种较为满意的方案重复上述优化过程。
进一步的，步骤S2具体包括以下步骤：在调用建筑性能仿真模块进行模拟时，用户自行选择使用Energy Plus、Radiance、OpenFOAM开源仿真模拟软件直接进行性能模拟，若用户不选择，则默认使用撞库方法获得建筑性能，若用户输入建筑与方案性能数据库中建筑匹配度低于α时，则选择对应类型的代理模型对建筑性能进行快速预测。
进一步的，步骤S5中，用户交互界面向用户反馈方案修改建议包括：
列出主要改变的决策变量和决策变量对各个性能目标的灵敏度；
列出每个备选方案的三维模型；
列出每个方案的性能结果与原方案的性能结果对比；
列出从初始方案开始的历次优化方案的性能结果；
用户选择优化方案性能时，包括：
当用户浏览全部修改建议后对其中一项满意时，通过用户交互界面采集用户选择的修改建议编号，将该修改建议对应的方案作为最终结果输出；
当用户对修改建议均不完全满意时，通过用户交互界面采集用户选择的较为满意的修改建议编号，重复优化过程。
与现有技术相比，本发明的技术方案所带来的有益效果是：
1、本发明提出的一种建筑设计多目标快速优化设计辅助系统，集成了传统仿真模拟软件与快速预测方法，为用户提供了多种建筑性能获取方式，用户可根据自身需求在准确性与快速性中进行自由选择。
2、本发明中提出了一种建筑性能多目标快速优化设计辅助方法，该方法包括两种性能快速预测方法，分别是撞库方法和代理模型方法。撞库及多个代理模型能够在极短时间内对所输入的建筑模型进行获取和预测。代理模型不仅可对向量型数据进行快速预测，也可对含有位置信息的矩阵型数据进行快速预测。针对用户建筑方案的性能模拟结果，进行多目标优化后生成更改方案，每个更改后的方案的性能均可被快速预测，提高优化效率。
3、本发明提出的一种建筑设计多目标快速优化设计辅助系统，因含有的方案性能数据库持续储存更多的建筑形体及性能参数，使得用于撞库及训练代理模型的数据量持续增多，因此其快速预测的准确度将不断提高，能够更好地为用户快速准确地提供建筑方案的各性能指标。
4、解释器模块和用户交互界面的加入增强了本专家系统的可解释性和交互性，解释器模块将优化前后的方案转化为模型、数据和图表等可视化结果，通过用户交互界面呈现给用户，能够更好的辅助用户对优化后的设计方案进行选择。
5、通过对用户交互界面、数据库模块、建筑性能仿真模块、推理算法模块、解释器模块的构建，将不同平台功能集成，实现了对建筑方案设计阶段多目标性能优化的设计全流程的覆盖，建筑用户可仅依靠本专家系统完成方案设计阶段多目标性能优化的全部工作，同时，用户在使用时只需考虑建筑方案的相关参数，不需要学习进化算法或性能仿真软件的操作知识即可以使用。
附图说明
图1是具体实施例中建筑设计多目标快速优化设计辅助系统的结构示意图。
图2是具体实施例中建筑设计多目标快速优化设计辅助方法的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本实施例提供一种建筑设计多目标快速优化设计辅助系统，为建筑师进行多目标建筑性能优化设计提供了工具，其系统结构五个子模块，见图1，具体包括用户交互界面、数据库模块、建筑性能仿真模块、推理算法模块、解释器模块。
用户交互界面用于读取用户提供的初始方案数据和目标信息，并在方案优化过程中不断向用户提供解释器模块传来的信息；建筑性能仿真模块对用户初始输入建筑方案及后续优化方案进行性能快速预测；推理算法模块在接收通过用户交互界面采集的方案数据后，调用数据库模块内的数据进行推理计算满足用户要求的方案参数；数据库模块包括方案性能数据库、基于方案性能数据库建立的灵敏度矩阵。解释器模块对结果进行后处理，记录每一个方案的性能改进信息和改进原因，通过用户交界面反馈给用户；各模块的运行程序在python环境中运行。
具体的，数据库模块包括方案性能数据库，并基于方案性能数据库进行灵敏度分析得到的多目标灵敏度矩阵
Figure BDA0004155860400000051
式中，cOm,n代表决策变量n对性能目标m的灵敏度，m为用户选择的性能目标个数，n为决策变量个数；建筑性能仿真模块包括三种途径，第一种是利用Energy Plus、Radiance、OpenFOAM等开源仿真模拟软件直接进行性能模拟；第二种是利用数据库模块进行撞库以得到输入建筑的各项性能；第三种是使用代理模型进行建筑性能的快速预测。
方案性能数据库能够记忆用户输入的未储存的建筑模型，不断进行更新迭代。代理模型和撞库方法依赖于数据库模块独立进行，无需其他软件支持。
用户可选择撞库方法对建筑进行性能预测。通过将用户输入建筑的各项参数与方案性能数据库中的建筑参数进行一一对比后，输出方案性能数据库中匹配度最高建筑的性能。若方案性能数据库中所有建筑与用户建筑的相似度低于α，自动选择代理模型进行建筑性能预测。
具体根据建筑性能指标的不同自动选择对应的代理模型进行快速预测，利用卷积神经网络CNN对向量型数据进行快速预测，利用生成式对抗网络GAN中对矩阵型数据进行快速预测。
向量型数据是由建筑性能单值数据组成的一维数据类型，能够预测的建筑性能包括采光系数、照度、照度均匀度、照度达标率、眩光指数、建筑制冷能耗、建筑供热能耗、全天人员占用率、热舒适PMV-PPD指标。
矩阵型数据包括建筑内部位置信息及对应的性能信息的二维数据类型，能够预测的建筑性能包括采光照度云图、风速场云图、风压云图、温度场云图。
推理算法模块使用基于多目标灵敏度矩阵进行层次分析的遗传算法；通过调用数据库模块内的多目标灵敏度矩阵进行层次分析加权计算，以确定遗传算法的变异率和变异方向，使决策变量向能够使当前性能相对较差、需要优先改变的性能提升的方向变异；同时在迭代过程中每五代进行一次随机变异以确保优化过程的方案多样性。
具体的，见图2的设计辅助方法的流程示意图，本实施例提供的建筑性能多目标快速优化设计专系统在运行时，用户通过用户交互界面使用推理算法模块调用数据库模块及建筑性能仿真模块进行优化的流程主要包括以下四个主要阶段:
第一阶段，首先需要通过用户交互界面的输入界面读取用户初始方案，用户指定多个优化性能目标，并在界面中采集用户对性能目标的目标期望。系统通过读取用户输入的建筑模型形体的控制参数，传递给预先建立的参数化形体生成程序进行模型生成。除形体控制参数外，用户还需对材料参数等建筑设计变量的自定义阈值和初始值进行定义，设计变量输入在用户交互界面的“输入变量”窗口中完成，包括当前方案参数设定值和阈值。
存储初始方案和当前优化方案的文件的文件名。以上设置通过用户界面的“设置工作路径”窗口实现。上述设置完成后，单击写入初始方案，即可在“3D模型”窗口中查看当前模型。
用户初始模型输入后，采集用户后续优化过程中需要使用的参数，包括算法参数、指定性能目标、以及确定性能目标期望值。例如，当进行光热耦合优化时，可以选择的能耗目标包括：每平米年能耗；采光目标包括：照度、照度均匀度、照度达标率、眩光指数。算法参数通过“算法参数”窗口输入，目标期望通过“目标选择”窗口选择，并通过“目标值”窗口输入(“目标值”窗口输入内容随“目标选择”窗口改变)。本实例中选择每平方米年能耗和照度达标率(东西南北方向分别计算)作为优化目标，其中照度达标率由计算区域中照度超过照度目标的面积与总面积比值表示，也同时输出对应建筑平面的采光云图，以便直观为用户进行展示。另外还需要指定性能仿真使用的天气文件的文件地址。
第二阶段，所有参数信息采集完成后，首先对初始方案进行性能模拟。单击“仿真模拟”，若用户在弹窗处选择“仿真软件模拟”，则调用EnergyPlus和Radiance内核开始进行初始方案的仿真，若用户不选择，则默认调用撞库方法获取初始方案的每平米能耗、照度达标率及采光云图，若用户输入的方案与数据中方案匹配度低于α(如80％)，则使用代理模型进行快速预测，针对每平米能耗和照度达标率内部调用基于卷积神经网络(CNN)的代理模型进行快速预测，针对采光云图调用基于生成式对抗网络(GAN)的代理模型进行快速预测。仿真结果由内置程序自动处理，用于优化过程中的方案性能对比。
第三阶段，进入方案的推理阶段。在获得当前方案的用户单击“优化”，即进入优化过程。通过调用方案性能数据库中的多目标灵敏度矩阵C，结合用户输入的能耗目标和采光目标进行优化方案的生成，选择综合性能靠前的方案，点击“验证模拟”，重复进行第二阶段的调用建筑性能仿真模块获取优化方案的性能
第四阶段，用户单击“结果分析”，解释器模块即开始对数据进行后处理，并将修改建议通过交互界面反馈给用户。在用户交互界面中，用户可以通过方案编号下拉菜单查看每个备选方案的三维模型、性能结果与原方案的性能结果的对比、主要改变的决策变量和决策变量对各个性能目标的灵敏度。如果当前优化不是第一次优化，还能够看到从初始方案开始的历次改进的性能结果对比。
最后，用户选定优化方案，具体实施为：当用户浏览全部修改建议后对其中一个优化方案达到期望时，通过方案编号下拉菜单选定优化方案，将该修改建议对应的方案作为最终结果输出；当用户对修改建议均不完全满意时，通过方案编号下拉菜单选定一个较为满意的方案，单击“重复优化”，重复上述第三阶段的优化过程。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。
最后需要指出的是：以上实例仅用以说明本发明的计算过程，而非对其限制。尽管参照前述实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，其依然可以对前述实例所记载的计算过程进行修改，或者对其中部分参数进行等同替换，而这些修改或者替换，并不使相应计算方法的本质脱离本发明计算方法的精神和范围。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (10)

1.一种建筑设计多目标快速优化设计辅助系统，其特征在于，包括用户交互界面、数据库模块、建筑性能仿真模块、推理算法模块、解释器模块；各模块的运行程序在python环境中运行；
所述用户交互界面用于读取用户提供的初始方案数据和目标信息，并在方案优化过程中不断向用户提供解释器模块传来的信息；建筑性能仿真模块对用户初始输入建筑方案及后续优化方案进行性能快速预测；推理算法模块在接收通过用户交互界面采集的方案数据后，调用数据库模块内的数据进行推理计算满足用户要求的方案参数；数据库模块包括方案性能数据库及基于方案性能数据库建立的多目标灵敏度矩阵；解释器模块用于对结果进行后处理，记录每一个方案的性能改进信息和改进原因，通过用户交界面反馈给用户；
建筑性能仿真模块包括三种途径，第一种是利用Energy Plus、Radiance、OpenFOAM开源仿真模拟软件直接进行性能模拟；第二种是利用数据库模块进行撞库以得到输入建筑的各项性能；第三种是使用代理模型进行建筑性能的快速预测；
所述推理算法模块使用基于多目标灵敏度矩阵进行层次分析的遗传算法；通过调用数据库模块内的多目标灵敏度矩阵进行层次分析加权计算，以确定遗传算法的变异率和变异方向，使决策变量向能够使当前性能相对较差、需要优先改变的性能提升的方向变异；同时在迭代过程中每五代进行一次随机变异以确保优化过程的方案多样性。
2.根据权利要求1所述一种建筑设计多目标快速优化设计辅助系统，其特征在于，所述数据库模块包括方案性能数据库，及基于方案性能数据库进行灵敏度分析得到的多目标灵敏度矩阵
Figure FDA0004155860380000011
式中，cOm,n代表决策变量n对性能目标m的灵敏度，m为用户选择的性能目标个数，n为决策变量个数；方案性能数据库能够记忆用户输入的未储存的建筑模型，不断进行更新迭代；所述的方案性能数据库包含各建筑的形体参数及性能指标，并且用户每次导入的建筑形体及利用开源仿真模拟软件得到的建筑性能也被置入该方案性能数据库中。
3.根据权利要求1所述一种建筑设计多目标快速优化设计辅助系统，其特征在于，代理模型和撞库的方法依赖于数据库模块独立进行，无需其他软件支持。
4.根据权利要求2所述一种建筑设计多目标快速优化设计辅助系统，其特征在于，用户选择撞库方法对建筑进行性能预测时，通过将用户输入建筑的各项参数与方案性能数据库中的建筑参数进行一一对比后，输出方案性能数据库中匹配度最高建筑的性能；若方案性能数据库中所有建筑与用户建筑的相似度低于α，自动选择代理模型进行建筑性能预测；上述相似度α由用户自己设定。
5.根据权利要求1所述一种建筑设计多目标快速优化设计辅助系统，其特征在于，根据建筑性能指标的不同自动选择对应的代理模型进行快速预测，利用卷积神经网络CNN对向量型数据进行快速预测，利用生成式对抗网络GAN中对矩阵型数据进行快速预测。
6.根据权利要求5所述一种建筑设计多目标快速优化设计辅助系统，其特征在于，所述向量型数据是由建筑性能单值数据组成的一维数据类型，能够预测的建筑性能包括采光系数、照度、照度均匀度、照度达标率、眩光指数、建筑制冷能耗、建筑供热能耗、全天人员占用率、热舒适PMV-PPD指标。
7.根据权利要求5所述一种建筑设计多目标快速优化设计辅助系统，其特征在于，所述矩阵型数据包括建筑内部位置信息及对应的性能信息的二维数据类型，能够预测的建筑性能包括采光照度云图、风速场云图、风压云图、温度场云图。
8.一种建筑设计多目标快速优化设计辅助方法，基于权利要求1-5的任一辅助系统，其特征在于，包括以下步骤：
S1.方案信息采集：通过用户交互界面的输入界面读取用户初始方案的模型、用户指定用于优化的若干个性能目标、并采集用户对性能目标的目标期望以及用于仿真模拟和优化算法的参数设置；
S2.初始方案性能评估：通过调用开源仿真模拟软件，或调用方案性能数据库进行撞库模拟，或利用代理模型进行性能预测，评估当前方案建筑性能水平；
S3.推理优化：使用推理算法模块调用建筑性能仿真模块进行快速运算，得到若干组相对于当前方案进行了性能提升的形体、开窗、遮阳和材料选择的优化方案；
S4.性能验证：调用建筑性能仿真模块对S3中给出的优化方案进行性能仿真，仿真结果作为方案的实际性能结果用于后续方案解释与选择；
S5.方案解释与选择：调用解释器模块对S4中得到的优化方案与初始方案进行对比分析，并通过用户交互界面向用户反馈方案修改建议，用户依据建议快速选择一种修改方式以优化方案性能，或选择一种较为满意的方案重复上述优化过程。
9.根据权利要求8所述一种建筑设计多目标快速优化设计辅助方法，其特征在于，步骤S2具体包括以下步骤：在调用建筑性能仿真模块进行模拟时，用户自行选择使用EnergyPlus、Radiance、OpenFOAM开源仿真模拟软件直接进行性能模拟，若用户不选择，则默认使用撞库方法获得建筑性能，若用户输入建筑与方案性能数据库中建筑匹配度低于α时，则选择对应类型的代理模型对建筑性能进行快速预测。
10.根据权利要求8所述一种建筑设计多目标快速优化设计辅助方法，其特征在于，步骤S5中，用户交互界面向用户反馈方案修改建议包括：
列出主要改变的决策变量和决策变量对各个性能目标的灵敏度；
列出每个备选方案的三维模型；
列出每个方案的性能结果与原方案的性能结果对比；
列出从初始方案开始的历次优化方案的性能结果；
用户选择优化方案性能时，包括：
当用户浏览全部修改建议后对其中一项满意时，通过用户交互界面采集用户选择的修改建议编号，将该修改建议对应的方案作为最终结果输出；
当用户对修改建议均不完全满意时，通过用户交互界面采集用户选择的较为满意的修改建议编号，重复优化过程。
CN202310334263.5A 2023-03-31 2023-03-31 一种建筑设计多目标快速优化设计辅助系统及方法 Pending CN116341081A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310334263.5A CN116341081A (zh) 2023-03-31 2023-03-31 一种建筑设计多目标快速优化设计辅助系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310334263.5A CN116341081A (zh) 2023-03-31 2023-03-31 一种建筑设计多目标快速优化设计辅助系统及方法

Publications (1)

Publication Number Publication Date
CN116341081A true CN116341081A (zh) 2023-06-27

Family

ID=86877056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310334263.5A Pending CN116341081A (zh) 2023-03-31 2023-03-31 一种建筑设计多目标快速优化设计辅助系统及方法

Country Status (1)

Country Link
CN (1) CN116341081A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541943A (zh) * 2023-07-06 2023-08-04 清华大学 智能交互式建筑结构设计方法、装置、平台及电子设备
CN117113508A (zh) * 2023-09-08 2023-11-24 绥化市麦微科技有限公司 一种建筑信息模型bim的数据生成方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541943A (zh) * 2023-07-06 2023-08-04 清华大学 智能交互式建筑结构设计方法、装置、平台及电子设备
CN117113508A (zh) * 2023-09-08 2023-11-24 绥化市麦微科技有限公司 一种建筑信息模型bim的数据生成方法及系统

Similar Documents

Publication Publication Date Title
CN116341081A (zh) 一种建筑设计多目标快速优化设计辅助系统及方法
CN110580501B (zh) 一种基于变分自编码对抗网络的零样本图像分类方法
CN112163465B (zh) 细粒度图像分类方法、系统、计算机设备及存储介质
CN109684714B (zh) 一种基于机器学习和bim技术的建筑设计方法
Wilson et al. How to generate a thousand master plans: A framework for computational urban design
Farooq et al. A comparative study on user interfaces of interactive genetic algorithm
Yang et al. Dynamic and interactive re-formulation of multi-objective optimization problems for conceptual architectural design exploration
Wortmann et al. From optimization to performance-informed design
CN110569616B (zh) 一种基于som的建筑多目标优化设计决策支持方法
CN110245984A (zh) 一种基于因果推断的网络购物行为分析方法和系统
CN114546365B (zh) 一种流程可视化的建模方法、服务器、计算机系统及介质
KR102363370B1 (ko) UX-bit 및 몬테카를로 트리 탐색을 이용한 자동 디자인 생성 인공신경망 장치 및 방법
CN112364430B (zh) 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法
CN115509178A (zh) 数字孪生驱动的刀具磨损监测方法及数控机床设备
Sebestyen et al. Machine learning methods in energy simulations for architects and designers
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
Li et al. Learning aesthetic judgements in evolutionary art systems
Wang et al. Improved artificial bee colony algorithm and its application in classification
CN117556147B (zh) 电商数据分类推荐系统、方法
LARRAIN et al. Spatial findings on Chilean architecture StyleGAN AI graphics
CN111459927B (zh) Cnn-lstm开发者项目推荐方法
CN114896348B (zh) 一种可视化数据模式识别方法及系统
Mosavi et al. Engineering Design and Decision-Making Models
CN117892762B (zh) 一种滑移装载机用基本数据查询系统及方法
Doumpioti et al. Field Conditions

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