利用量子机器学习对活墙在建筑空气净化、噪音衰减和热绝缘方面的多场景影响进行评估

《BUILDING AND ENVIRONMENT》：Multi-scenario assessment of living-wall effects on building air purification, noise attenuation, and thermal insulation using quantum machine learning

本研究通过量子机器学习模型和物联网监测系统，评估了垂直绿化系统（LWS）在空气净化、降噪及热稳定性中的实际效果，发现QML模型在多变量非稳态数据中表现优于传统随机森林和人工神经网络，尤其在污染条件下PM2.5截留达40%，噪声衰减25.4dB。

　　

作者：张赫、拉维·斯里尼瓦桑（Ravi Srinivasan）、陈晨（Chen Chen）、徐阳（Xu Yang）、维克拉姆·加内桑（Vikram Ganesan）、陈慕妍（Muyan Chen） 所属机构：厦门大学创意与创新研究院，中国福建省厦门市，邮编361001

摘要

尽管为了促进城市可持续发展，建筑集成式生态墙系统（Living Wall Systems, LWS）的部署量有所增加，但由于现场测量的复杂性，对于其在空气净化、噪音降低和热稳定性方面的贡献仍缺乏系统且充分的量化分析。本研究结合多场景生态评估与专门的量子机器学习（Quantum Machine Learning, QML）模型，精确提取了用于复杂环境改善的特征。研究选取了带有和不带有人工污染源的实验室规模LWS单元箱，以及在装有LWS的建筑上进行的现场测试。开发了一种基于物联网（IoT）的监测系统，以1分钟为间隔收集室内外的PM?.?、PM??、SO?、NO?、O?、eTVOC、温度、湿度和噪音数据。所开发的QML方法通过R2、RMSE和ROC曲线进行准确性评估，并与传统随机森林（Random Forest, RF）和人工神经网络（Artificial Neural Network, ANN）模型进行了对比。跨场景贡献分析将每个室内环境变量分解为室外驱动因素，以量化LWS的相对改善效果。在污染条件下，SO?和NO?的去除率超过60%，PM??的拦截率约为40%，建筑内的平均噪音衰减达到25.4分贝，暴露在阳光下的立面表现出持续的降温效果。QML模型的表现优于RF和ANN，其R2值介于0.82至0.99之间，而RF和ANN的R2值分别为0.71至0.96；QML模型的RMSE也更低。本研究为LWS在绿色建筑中的应用提供了定量证据，并引入了一种量子方法，重新定义了类似室内环境的优化方法。

引言

建筑集成式生态墙系统（LWS）是一种绿色设计策略，能够显著提升室内外环境的可持续性[[1], [2], [3]]。它们在热性能和能源效率方面具有优势，同时增加了城市绿化覆盖率，改善了生态条件并提升了城市美观度[4]。新加坡的研究表明，城市生态墙在缓解城市热岛效应方面发挥了重要作用，温度降低了多达30%[1,2]。然而，在新加坡以外地区，由于前期成本高、技术复杂、维护需求大以及对其长期性能的不确定性，实际采用带有植被的模块化LWS的情况较为罕见[5,6]。鉴于LWS潜在效益的不确定性，对其实际性能的定量评估有助于推动其更广泛的应用，优化设计策略，为政策制定提供依据，并促进绿色建筑技术的规模化发展，从而增强城市的韧性、可持续性和生态宜居性。与传统直接在表面上种植植物的绿色墙不同，LWS采用多层结构，通常包括防水膜来保护建筑、支撑框架来固定种植介质，以及集成的气雾栽培和水培系统来提供水分和养分[7]。植物选择基于气候适应性、光照需求、水分需求和污染耐受性等因素，以确保健康生长[5]。研究表明，绿色墙系统中的植物及其生长介质能够调节空气湿度、降低环境温度并捕获PM?.?等颗粒物[8,9]。王等人[10]进行了控制实验，发现夏季条件下室内CO?浓度平均降低了30%。Pettit等人[11]使用活性绿色墙配置进行了闭环流式反应器测试，实现了约25%的NO?去除效率。Falzone等人[12]报告称，基于龙血树（Dracaena fragrans）的LWS的Fe颗粒捕获能力提高了44%。然而，现有研究大多依赖于单变量或弱耦合的分析方法，这可能导致对LWS性能的估计偏差或不稳定，未能捕捉到非平稳的跨变量相互作用，且泛化能力较差。从数据科学的角度来看，很少有研究明确探讨室内室外环境之间复杂、非平稳的多变量相互作用对LWS性能的影响。由于现场数据稀疏、噪声较大且异质性高，传统方法在建模方面存在局限性。 室内空气污染是当代社会面临的一个重大挑战。根据世界卫生组织（WHO）的数据，全球约有24亿人生活在空气质量较差的环境中[13]。美国环保署（EPA）将PM?.?、PM??、NO?、O?、SO?和TVOC列为主要的室内污染物[14]。长期暴露于这些污染物可能导致呼吸系统疾病、心血管疾病、免疫系统紊乱甚至癌症[15,16]。最新的ASHRAE 62.1标准将室内PM?.?的浓度限值设定为每24小时12微克/立方米，PM??为50微克/立方米，NO?为每小时53皮克（约99.8微克/立方米），O?为每小时100皮克（约196.4微克/立方米），SO?为每小时75皮克（约196.6微克/立方米），TVOC为每小时500微克/立方米[14,17]。此外，美国环保署规定室内CO?浓度在8小时内的峰值不应超过1000 ppm，因为超过这个阈值可能会引起头痛、失眠和注意力下降等不良影响[18]。由于室内CO?水平主要反映通风情况而非污染物去除效果，LWS的光合作用难以快速响应人员流动带来的变化，因此在严格控制条件下才能准确评估其CO?影响。此外，CO?有时无法与非人类产生的污染物相关联，限制了其作为独立室内空气质量指标的价值[[19], [20], [21]]。 噪音控制是建筑性能的核心标准。WHO环境噪音指南建议将声音水平超过50分贝视为有害[22]。长期暴露于高噪音环境中与健康问题相关，包括听力损伤、睡眠障碍和焦虑[23]。基于植被的策略可以有效降低噪音。Shushunova等人[24]评估了多种绿色墙系统的声学性能，发现对于高频声音（>1 kHz），某些植被墙的声能衰减率约为30%，相当于声压级降低了4–6分贝，显示出在高频噪音控制方面的明显优势。Tang等人[25]和Hadba等人[26]证明，改进硬件的LWS可以有效降低不同频率下的噪音，平均降幅达10%，符合传统建筑声学标准。 研究表明，在分析时间序列数据时，量子机器学习（QML）相较于传统混合机器学习模型具有独特优势[27,28]。传统混合机器学习模型通常依赖逐步训练和学习过程，计算成本较高，尤其是在处理大型数据集时需要较长的训练时间。量子计算通过叠加原理和量子并行性，可以同时处理多个状态，从而显著提高计算效率[28]。这使得量子计算能够比传统机器学习方法更快地从大型时间序列数据集中识别模式。在时间序列数据分析的优化问题中，量子算法能更高效地找到最佳解决方案[29]。传统混合模型可能容易受到噪声和缺失数据的影响，特别是在需要大量标记数据时，可能导致过拟合或欠拟合。尽管长短期记忆（Long Short-Term Memory, LSTM）网络等传统混合模型可以处理时间序列数据，但它们仍需要大量的训练时间和计算资源，尤其是在处理非常长的时间序列或高维数据时[[30], [31], [32]]。量子并行性和高效的状态表示能力使得量子计算在捕捉复杂非线性关系方面具有理论优势[33]。实证研究表明，QML混合模型在时间序列基准测试中的准确性可与传统模型相媲美甚至更高：Cuéllar等人[34]提出了一种量子-经典混合神经网络架构用于时间序列分类，关键创新在于使用振幅嵌入将经典时间序列数据映射到量子状态，随后通过变分量子电路（Variational Quantum Circuit, VQC）进行分类。在多个基准时间序列分类数据集上的测试中，量子模型在某些情况下的准确率高于传统方法。Chittoor等人[35]提出了QuLTSF，这是一种用于多变量长期时间序列预测（LTSF）的混合量子-经典模型，在特定任务中优于某些传统模型。Rath和Date[36]发现，即使不使用真正的量子硬件，仅量子编码也能提升传统人工神经网络（ANN）的性能。 本研究采用数据科学视角评估生态墙系统，将室外空气净化、噪音降低和热绝缘指标作为基于场景的输入和验证案例，旨在识别室内环境质量浓度与外部污染物驱动因素之间的稳健趋势和关联。鉴于控制LWS性能的复杂、非平稳、多变量室内-室外相互作用，本研究开发了一个以量子神经网络（QNN）为中心的QML框架，并通过严格测试验证了量子算法在特征提取和预测效率方面优于传统基线的假设。

方法和材料

本研究主要关注关键的室内环境质量（IEQ）参数：PM?.?、PM??、eTVOC、SO?、NO?、O?、温度、湿度和噪音。案例研究选取了中国四川省成都的一栋建筑群，该建筑的所有立面都安装了生态墙系统。实验中使用了两个1:1比例的生态墙单元箱模型进行环境模拟。同时开发并测试了一种基于Raspberry Pi的集成半导体环境质量监测系统。

测量与描述性统计分析

观察结果表明，实验场景和现场监测的数据特征总体一致。总体而言，LWS（BOX 2）对大多数污染物指标具有改善效果，尤其是在污染条件下（S2），这种效果更为显著。在非污染条件下（S1场景），BOX 1和BOX 2之间的污染物浓度差异很小（图5）。然而，在污染条件下（S2），这种差异显著增大。

结论

本研究旨在定量评估建筑集成式LWS在室外空气净化、噪音降低和热绝缘方面的实际性能，并开发一个QML模型，利用建筑环境监测数据验证这些系统的特征提取和预测能力。我们进一步阐明了LWS在清洁、污染和现场建筑环境中的效益机制，并强调了QML相对于RF的优势。

CRediT作者贡献声明

张赫：撰写初稿、方法论设计、研究实施、资金获取、数据分析、概念构建。 拉维·斯里尼瓦桑：撰写、审稿与编辑、方法论设计、数据分析。 陈晨：撰写初稿、验证、方法论设计、研究实施。 徐阳：撰写初稿、验证、方法论设计、数据分析。 维克拉姆·加内桑：撰写、审稿与编辑、验证、方法论设计。 陈慕妍：撰写、审稿与编辑、数据整理。