用于判定历史建筑损伤机制的档案文献评估：以伊兹密特奥尔汗·加齐清真寺宣礼塔为例

《Architecture》：Assessment of Archival Documents for Determining the Damage Mechanisms of Historic Buildings: The Case of the Orhan Gazi Mosque Minaret in Izmit

　　

对既有住宅建筑实施节能改造（retrofitting）是实现城市脱碳并同时应对公共健康差异，尤其是缓解受环境与社会经济压力不成比例影响社区问题的一项关键策略。本研究提出了一种可扩展的城市建筑能耗建模框架，该框架将基于物理机制的模拟与机器学习（ML）相结合，用于评估并排序住宅建筑群中以健康为导向的改造策略。研究人员通过对代表性建筑原型及改造情景开展参数化模拟，生成了合成数据集，涵盖围护结构性能、暖通空调（HVAC）系统、渗透率以及通风策略等变化。机器学习模型被训练为建筑能源性能的代理预测器，从而能够快速评估改造措施的影响。研究对多种算法进行了评估，包括决策树、随机决策森林、梯度提升机、支持向量机、k近邻以及人工神经网络（ANN）。由于多层感知机（MLP）形式实现的人工神经网络具有较强预测性能（R² = 0.94）并能够捕捉改造变量之间复杂的非线性关系，因此被选作后续分析模型。最终模型采用Port优化算法，以实现稳定收敛并改善泛化能力。该框架应用于西雅图杜瓦米什谷（Duwamish Valley）这一承受不成比例环境与健康负担的社区，并且对于其他具有相似住宅建筑存量、处于不同气候与环境背景下的城市同样具有可推广性与可迁移性。结果突出了若干优先改造方向——尤其是降低渗透、升级HVAC系统以及提升围护结构性能——这些措施可同时带来能源效率、室内环境质量以及居住者健康方面的协同收益。结果表明，机器学习增强的基于物理机制的城市建筑能耗建模（UBEM）能够在保留基于模拟方法可解释性的同时，显著加快改造评估过程。所提出框架为识别支持公平城市脱碳的健康导向改造路径提供了一种可扩展方法。

该文发表于《Architecture》，但用户提供的题名与正文摘要内容并不一致。题名指向“历史建筑损伤机制与档案文献评估”，而摘要及主体内容实际讨论的是“健康导向的住宅节能改造、城市建筑能源建模与机器学习代理模型”。根据正文可确认，论文真正研究对象是西雅图杜瓦米什谷住宅建筑存量的节能改造优先级，而非伊兹密特奥尔汗·加齐清真寺宣礼塔。因此，下述解读严格依据正文内容展开，不对题名所述历史建筑问题作无依据延伸。

从研究背景看，全球城市同时面临能源需求上升、气候变化加剧以及社会经济与环境不平等长期并存等复合挑战。在历史上处于不利地位的城市社区中，这些问题尤为突出：居民往往暴露于更高水平的工业污染与交通污染，同时承受更重的能源负担与更差的健康结局。住宅建筑改造因此不仅是建筑脱碳的重要抓手，也被视为改善居住健康、提升热舒适性并缓解环境暴露风险的关键路径。现有研究已经表明，提升保温性能、优化通风、减少非受控空气渗透以及以高效热泵替代化石燃料供暖系统，能够同时降低建筑能耗并改善室内环境质量。然而，许多地方政府、住房提供机构与社区组织仍缺乏能够系统比较不同改造策略在能源、健康与长期运行层面综合影响的分析工具。正是在这一背景下，研究人员构建了一个融合机器学习（ML）与城市建筑能源建模（UBEM）的混合框架，希望为弱势社区住宅改造提供兼顾证据性、公平性与可扩展性的决策支持。

在研究设计上，研究人员选取美国西雅图杜瓦米什谷中的South Park社区作为案例区域。该地区长期受工业用地格局影响，污染负荷高、健康差距显著、住宅老化问题突出，且大量低收入住房缺乏现代机械通风、制冷设备及高性能围护结构。随着极端高温风险上升以及清洁建筑与建筑排放绩效标准等政策推进，此类住房既面临能源绩效合规压力，也存在将脱碳投资与室内环境改善相结合的现实需求。研究人员据此将“健康驱动的能源效率”界定为：在降低建筑能源需求的同时，改善与居住者健康相关的室内环境质量要素，包括热稳定性、通风性能以及对室外污染物渗入的控制。

研究人员采用的主要技术方法可概括为以下几个方面。首先，基于Seattle Housing Authority及税务、人口普查、地理信息系统（GIS）等多源数据，结合k-means聚类识别案例区代表性住宅类型，建立独栋住宅、双拼住宅、四户住宅与十户公寓四类原型。其次，利用EnergyPlus进行基于原型的参数化物理模拟，并借助Grasshopper与Ladybug构建自动化流程，系统改变围护结构、窗体传热系数、渗透率、HVAC系统、通风系统与生活热水系统参数，生成5832组情景数据。再次，采用70/30训练—测试划分与五折交叉验证，对多元线性回归、决策树、随机决策森林、梯度提升机、支持向量机、k近邻与人工神经网络等模型进行比较，并通过网格搜索优化超参数。最后，研究使用Garson算法开展变量重要性分析，并以偏依赖图（PDP）解释关键变量对总能耗强度（EUI）的影响。

在研究结果部分，论文依次给出了以下主要发现。

3.1. Archetype Development and Physics-Based Simulation
研究人员构建了四类能够代表杜瓦米什谷主要住宅存量特征的建筑原型，分别为独栋住宅、双拼住宅、四户住宅和十户公寓。基于这些原型，参数化模拟在围护结构性能、渗透水平、HVAC系统、通风策略和生活热水系统等维度上形成5832个独特模拟工况。这一结果表明，原型法能够在保持城市住宅存量代表性的同时，建立适于大规模改造评估的物理模拟基础。

3.2. Machine Learning Model Performance and Selection
通过对多类机器学习模型进行比较，研究发现随机决策森林（RDF）在训练集和测试集上均获得最高整体预测精度，R²均为0.98，且RMSE最低。梯度提升机（GBM）和支持向量机（SVM）也表现出较强性能，测试集R²均达到0.95。人工神经网络（ANN）测试集R²为0.94，RMSE为3.97，MAE为2.67，预测稳定性较好。尽管RDF在统计指标上略优，研究人员仍选择ANN作为核心解释模型，原因在于其能够更好刻画改造变量间连续且复杂的非线性依赖关系。最终采用Port优化算法的多层感知机模型实现了稳定收敛与良好泛化，说明该模型适合作为物理模拟的代理模型，用于快速预测住宅改造情景下的能耗表现。

3.3. Key Drivers of Energy Performance and Health-Driven Retrofits
变量重要性分析表明，渗透率是影响总能耗的首要预测变量，其次为供热—制冷系统指标，说明围护结构气密性与HVAC效率是决定建筑能源性能的核心因素。窗体U值和通风系统类型也具有较明显影响，而在设定参数范围内，墙体与屋面保温的相对影响较小，窗墙比（WWR）为中等影响因素，总建筑面积（GFA）在控制其他因素后影响相对有限。偏依赖图进一步显示，渗透率升高会单调且近似线性地提高预测EUI，这意味着降低非受控空气泄漏是最稳定、最直接的节能杠杆。GFA与WWR、GFA与渗透率等交互结果显示，小体量建筑往往具有更高的能耗强度，因此建筑规模更适合被视为改造优先级划分变量。渗透率与WWR、渗透率与通风指数的交互分析则说明，在所建模区间内，降低渗透带来的节能收益明显大于单独调整通风强度。关于围护结构，墙体R值提升通常较窗体U值改善带来更显著的EUI下降，尤其是在小型建筑或原有保温性能较弱的建筑中更为明显。综合全部PDP结果，研究得出结论：能耗降低潜力最高的对象是围护结构性能较差的小型建筑，而最具优先性的改造措施依次是降低渗透、升级HVAC系统以及针对性的围护结构改善。

讨论部分强调，本研究最重要的意义在于将住宅节能改造重新界定为同时具有气候减缓与公共健康协同效益的综合干预。研究结果显示，渗透率、HVAC系统类型、窗体热工性能和通风策略不仅影响能耗，也直接关联热稳定性、室内空气质量（IAQ）和室外污染物侵入风险。渗透率之所以成为首要因素，是因为在以供暖为主的西雅图气候条件下，空气泄漏会显著增加热损失；对杜瓦米什谷这类环境负担较重社区而言，降低非受控渗透还意味着减少交通及工业污染物进入室内。与此同时，研究也指出气密性提升必须与受控机械通风配合，才能避免室内污染物积聚。HVAC系统效率同样十分关键，高效热泵不仅可显著降低运行能耗，还有助于改善热舒适并消除室内燃烧污染源，在极端高温日益频繁的背景下尤其具有健康韧性价值。关于通风，模型显示其对EUI的直接影响小于渗透率，但在维持良好IAQ方面不可替代，因此能源回收通风（ERV）等策略在高气密建筑中依然必要。研究还指出，窗墙比与建筑面积更适合作为分群和优先排序变量，而不是直接改造杠杆。方法论上，论文证明了“基于物理的模拟 + 可解释机器学习代理模型”的路径适用于城市尺度住宅改造分析，既提升了效率，也保留了结果解释能力。论文同时承认其局限，包括依赖参数化合成数据、未直接监测室内污染物浓度或健康结局、PDP仅反映数据支持域内的模型平均响应等。

研究结论部分可译述如下：本研究提出了一种人工智能（AI）增强的基于物理机制的建模框架，用于评估能够同时改善能源性能与居住者健康相关室内环境条件的住宅改造策略。通过将参数化能耗模拟与机器学习代理建模相结合，该框架能够在西雅图杜瓦米什谷代表性住宅原型上高效探索改造情景；尽管该框架在西雅图情境中进行了测试，但其设计目标是可迁移并可适应于其他具有相似城市建筑存量的城市。结果表明，渗透率、HVAC系统效率、窗体热工性能以及通风策略是影响建筑能耗强度的关键因素，其中降低渗透和HVAC电气化是在模型范围内最具影响力的干预措施。围护结构改善——尤其是针对小型且保温性能较弱建筑的墙体保温提升——可带来额外收益，而玻璃系统升级则根据建筑特征呈现更具针对性的改善作用。更重要的是，这些改造措施可通过减少污染物侵入、提升热稳定性和增强通风控制，为室内环境质量带来协同效益，从而支持一种以健康为导向的住宅能源效率提升路径。在方法层面，该研究展示了如何通过结合基于物理的模拟与可解释机器学习模型，为城市建筑存量的可扩展改造优先排序与决策提供支持。所提出框架为在环境负担较重社区推进公平且面向健康的建筑脱碳策略提供了一种可迁移的方法。