一个综合框架，通过测量、模拟和机器学习来优化亚热带地区中学建筑的日光利用和热性能

《ENERGY AND BUILDINGS》：An integrated framework for optimizing daylighting and thermal performance of subtropical secondary school buildings via measurement, simulation and machine learning

针对炎热潮湿地区中学建筑在光照、热舒适与能源效率间的平衡难题，本研究整合现场测量、参数化形态生成、多目标优化及SHAP可解释模型，通过案例建筑模拟与数据分析，揭示了建筑形态参数（行数、层数、每行教室数）对性能的关键影响，并构建了兼顾效率与舒适的综合设计框架。

　　

高亮艳|薛中|赵丽华|罗建和|Shady Attia

湖南工程学院，中国湖南省岳阳市414006

摘要

在炎热潮湿的气候条件下，中学建筑面临着平衡自然采光、热性能和能源效率的挑战。鉴于这三个方面之间的固有权衡，多目标优化对于系统地平衡和优化这些相互竞争的性能标准至关重要。因此，本研究提出了一个以性能为导向的框架，结合了现场测量、参数化形式生成、多目标优化（MOO）和可解释的机器学习方法，来研究建筑形式对自然采光和热性能的耦合影响。选择了一所位于炎热潮湿地区的典型中学作为案例研究。通过现场环境监测和基于7点热感觉尺度的问卷调查来量化室内条件。基于学生们的热感觉评分（TSV）和测量的气象参数，开发了一个TSV回归模型（R2 = 0.921），并将其整合到后续的多目标评估中。建立了一个基于规则的参数化形式生成工具，以生成多样化的形态案例。随后，对生成的案例进行了多目标优化，以评估和平衡自然采光和热性能；所得数据集用于训练梯度提升回归（GBR）模型，以便快速进行性能评估。

多目标优化的结果揭示了自然采光、热舒适度和能源性能之间的权衡。高性能解决方案通常会收敛到一个稳定的性能控制区域，其特征通常是5-6层楼高、每排4-6个教室，以及高度与间距比为1.0-1.2。基于SHapley加性解释的方法表明，建筑体量参数（层数、排数和每排教室数量）是对预测影响最大的因素。这些发现突显了该框架作为炎热潮湿气候下以性能为导向的学校设计决策支持工具的有效性。

引言

中学建筑是教育基础设施的基本组成部分，其中的室内自然采光和热条件对学习质量、视觉健康、认知表现和学生的心理福祉有着重要影响[1]、[2]、[3]。大量实证证据表明，充足的自然采光可以提高注意力和视觉舒适度，而热稳定性环境则有助于提高学习效率和长期学术成果[2]、[4]。同时，中学建筑占校园能源使用的很大比例，特别是在中国炎热潮湿的地区，由于气候条件，冷却和照明的需求一直很高[5]、[6]。在国家双碳目标和对低能耗和健康学校环境的日益重视下，实现自然采光、热舒适度和能源使用的综合优化已成为一个紧迫的设计挑战。

近年来，关于教育建筑的自然采光和热性能的研究主要集中在影响学生舒适度和学习成果的环境参数上。热性能研究通常考虑室内空气温度（T?）、相对湿度（RH）以及热舒适度和冷却能耗，而自然采光研究则常考察照度、自然采光系数（DF）、眩光、空间自然采光自主性（sDA）和照明能耗[7]、[8]。这些指标受到建筑形式的强烈影响，突显了建筑形式在塑造室内环境质量中的关键作用。先前的研究表明，教室的几何形状和朝向显著影响能源使用和热舒适度[9]、[10]，而房间深度和布局则影响自然光穿透和整体能源性能[11]、[12]；此外，与窗户相关的参数，包括大小、位置和遮阳策略，在平衡自然采光、热舒适度和能源需求方面也起着关键作用[13]、[14]。特别是，建筑围护结构设计、窗户配置、遮阳策略和光架在提高自然光可用性和均匀性的同时，对平衡热性能起着关键作用[15]、[16]、[17]。在当前中国的设计实践中，如GB 50033和GB 50099等标准主要是规定性的，许多学校在运营中仍未能实现高性能[18]，这在很大程度上是因为静态指标忽略了建筑形态对性能的耦合效应[19]。为了弥合这一差距，最近的学术研究推进了对学校设计的理解；然而，大多数研究只关注单一的形态变量或性能指标；很少有研究将整体建筑形式视为一个统一框架内的相互关联的参数集，以考察它们对自然采光和热性能的耦合影响[20]、[21]。

目前关于学校建筑自然采光和热性能的研究主要采用三种方法。第一种方法是现场测量，它提供了关于室内环境条件的现场数据，从而能够评估实际使用者的舒适度和建筑性能[22]、[23]、[24]。然而，现场测量的空间和时间覆盖范围有限，且需要大量资源。它们也无法隔离单个设计参数或模拟假设情景，这限制了其在预测和优化分析中的适用性[25]、[26]。这些限制可以通过数值模拟部分解决，数值模拟允许设计师探索更广泛的情景，隔离设计参数，并预测室内条件。为了在这些基于模拟的设计空间中系统地寻找最优解，进化算法——特别是遗传算法——被广泛用于多目标优化[27]。最近的研究表明，基于遗传算法的多目标优化可以有效平衡自然采光、热舒适度和能源使用[28]。在组件层面，非支配排序遗传算法II（NSGA-II）已被应用于自适应立面，如建筑集成光伏（BIPV）遮阳和百叶窗，实现了发电、自然采光性能和热舒适度的同时提升，同时降低了整体能耗[29]、[30]、[31]。其中，NSGA-II特别适合处理冲突的目标和复杂的非线性建筑性能问题，因为它能够在不需要梯度信息的情况下实现高效的Pareto基搜索[32]、[33]。这使得可以在早期设计阶段评估多种情景，优化建筑形式和围护结构参数，并预测能源使用和室内舒适度[34]。尽管基于模拟的研究展示了多目标优化（MOO）的潜力[13]、[35]、[36]，但建筑性能模拟（BPS）往往依赖于理想化的假设、简化的边界条件和不确定的输入。这些限制可能会降低预测准确性，因此需要通过现场测量进行验证[37]。随着人工智能（AI）的发展，第三种方法使用机器学习（ML）来预测室内环境条件，识别关键影响因素，并支持复杂多目标问题的快速设计决策[38]、[39]。基于ML的研究展示了AI在预测和优化教育建筑室内环境条件方面的潜力。例如Q-XGBoost强化学习[40]、类加权随机森林[41]以及考虑空间变异性的ML模型[42]，在预测建筑相关结果（如热舒适度和室内空气质量）方面表现优异。在这些进展的基础上，ML方法通过捕捉复杂的多因素相互作用并扩展空间和时间覆盖范围，相比传统方法具有优势。然而，模型性能仍然高度依赖于训练数据的质量和代表性，纯基于ML的模型在解释建筑形式与性能之间的潜在机制方面存在局限性。

鉴于此背景，本研究旨在开发一个以性能为导向的设计框架，整合MOO和ML，以支持自然采光、热舒适度和能源性能的建筑形式优化。本研究的范围包括对炎热潮湿气候下典型中学建筑形式的参数化探索。首先，进行了室内自然采光、热条件和与使用者相关的参数的现场测量，以提供可靠的输入并验证建筑性能模拟的准确性。接下来，使用BPS生成了多种建筑形式配置的多场景数据集，并找到了支持ML分析的最优方案。在这个过程中，由于优化范围受到生成的设计解决方案数量和相关计算成本的限制，需要仔细采样以确保Pareto前沿的相对完整性。最后，训练了ML模型以识别主要的形态相关因素，并通过揭示建筑形式如何共同塑造自然采光和热条件来支持早期设计决策。图1

部分摘录

总体框架

开发了一个集成工作流程（图2），通过结合现场测量、参数化建模、模拟、MOO和基于ML的评估来支持以性能为导向的建筑形式设计。与传统方法不同，该框架围绕一个统一的绩效关键指标（KPIs）系统构建，该系统一致地将建筑形态、模拟、优化和机器学习联系起来。

首先，室内环境参数（T?、RH、空气速度（V?）、球温（Tg）

现场测量和TSV分析

本节展示了在代表性学校日进行的现场测量和学生TSV调查的结果，为客观和主观热条件的比较评估以及已建立的TSV模型提供了实证数据。

基于SHAP的形态影响模式解释

结果表明，建筑形式通过一个清晰的层次结构影响性能，其中水平空间配置是所有评估指标的主要驱动因素。基于SHAP的全球解释显示了控制自然采光和热性能的形态驱动因素的清晰层次结构（代表性平均值|SHAP| = 1.16用于DA，0.16用于SET，0.05用于TSV(+)，0.23用于冷却能耗）。在所有变量中，排数始终显示出

结论

基于建筑性能的方向，本研究提出了一个综合框架，结合了现场测量、参数化形式生成、模拟以及多目标优化和基于ML的评估，系统地研究了建筑形式如何影响炎热潮湿气候下中学建筑的自然采光和热性能。首先进行了现场测量和问卷调查，以收集室内环境数据和TSV，从而

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本研究得到了广东省自然科学基金（项目编号2024A1515011428）、CPSF博士后奖学金计划（项目编号GZC20251115）以及成都技术创新与研发计划（项目编号2025-YF05-00029-SN）的支持。