面向脆弱社区健康导向脱碳的人工智能增强型城市建筑能耗建模

《Architecture》：AI-Enhanced Urban Building Energy Modeling for Health-Driven Decarbonization in Vulnerable Communities

　　

既有住宅建筑改造是实现城市脱碳并同时应对公共卫生差异的关键策略，尤其是在受到环境与社会经济压力不成比例影响的社区中。本研究提出一种可扩展的城市建筑能耗建模框架，将基于物理的模拟与机器学习（ML）相结合，用于评估并排序住宅建筑存量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与改造情景开展参数化模拟生成合成数据集，涵盖围护结构性能、暖通空调（HVAC）系统、渗透率以及通风策略的变化。机器学习模型被训练为建筑能耗性能的替代预测器，从而能够快速评估改造影响。研究评估了多种算法，包括决策树、随机决策森林、梯度提升机、支持向量机、K近邻和人工神经网络。由于人工神经网络以多层感知机形式实现后表现出较强预测性能（R² = 0.94），且能够捕捉改造变量之间复杂的非线性关系，因此被选用于进一步分析。最终模型采用Port优化算法，以实现稳定收敛并提升泛化能力。该框架应用于西雅图杜瓦米什谷（Duwamish Valley）——一个承受不成比例环境与健康负担的社区——并且可推广、可迁移至其他具有可比住宅建筑存量且处于不同气候与环境背景下的城市。结果突出表明，降低渗透、升级HVAC系统以及改善围护结构性能是优先改造方向，这些措施可在能源效率、室内环境质量以及居住者健康方面带来协同效益。结果表明，机器学习增强的基于物理的城市建筑能耗建模（UBEM）能够在保持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知情型改造路径提供了一种可扩展方法。

该文发表于《Architecture》，聚焦脆弱社区住宅建筑改造、城市脱碳与健康公平之间的交叉议题。研究背景在于，全球城市同时面临能源需求增长、气候变化加剧以及社会经济和环境不平等持续存在等多重挑战，而历史上处于边缘化地位的城市社区往往承受更高的污染暴露、能源负担与健康风险。住宅建筑改造因此被视为兼顾节能减排与公共健康改善的重要切入点：围护结构保温、空气密封、机械通风优化以及以高效热泵替代化石燃料供暖等措施，不仅有助于降低能耗，也可能改善室内空气质量、热舒适性与健康韧性。然而，许多地方政府、住房提供者和社区组织缺乏系统性评估不同改造策略在能源、健康与长期运行表现方面综合效应的分析工具。基于这一问题，研究人员构建了一个结合机器学习（ML）与城市建筑能耗建模（UBEM）的集成框架，用以评估既能改善建筑能耗表现、又能提升居住者健康相关室内环境条件的住宅改造策略，并以西雅图杜瓦米什谷这一环境负担和健康不平等显著的社区为案例开展分析。

从研究动因来看，论文首先梳理了健康导向节能改造的理论与实证基础。既有研究表明，降低非受控空气渗透、改善通风、提升围护结构热工性能以及升级供热制冷系统，均可在降低建筑能源需求的同时，减少颗粒物（PM）、湿气及其他污染物暴露，改善热稳定性与居住舒适度。尤其是在低收入住宅中，高渗透率、保温不足与低效HVAC系统往往与较差的室内空气质量和更高的健康风险相关。但传统基于物理的UBEM方法虽然能够在社区和城市尺度对建筑群体能耗进行模拟，却存在输入参数固定、难以充分表征真实系统随机性、计算成本高以及在大规模改造情景分析中可扩展性不足等局限。人工智能（AI）和机器学习的发展为此提供了新路径：一方面保留基于物理模型对传热、通风与设备运行机理的刻画能力，另一方面通过替代模型快速逼近高保真模拟的输入—输出关系，从而提升计算效率并支持大规模方案筛选。因此，该研究的核心意义在于提出一种兼具物理可解释性与数据驱动高效率的混合建模框架，将住宅节能改造从单纯的减碳措施重新界定为兼具健康协同效益的建成环境干预手段，并服务于环境负担社区中的公平脱碳决策。

研究人员采用的方法可概括为两层建模体系。第一层是基于物理的参数化能耗模拟：以西雅图杜瓦米什谷南公园（South Park）社区住宅存量为对象，结合Seattle Housing Authority（SHA）房产资料、税务地块、人口普查与地理信息系统（GIS）数据，通过原型归纳与k均值聚类构建4类代表性住宅原型，即独栋住宅、双拼住宅、四户住宅和十户公寓，并基于EnergyPlus、Grasshopper与Ladybug 1.4生成5832组改造情景模拟数据。第二层是数据驱动建模：以建筑几何、围护结构、HVAC、通风和生活热水系统类型为输入，以总能耗使用强度（EUI）为输出，比较多元线性回归（MLR）、决策树（DTREE）、随机决策森林（RDF）、梯度提升机（GBM）、支持向量机（SVM）、K近邻（KNN）和人工神经网络（ANN）等算法，并结合方差膨胀因子（VIF）、70/30训练测试划分、五折交叉验证、网格搜索、Garson变量重要性分析和偏依赖图（PDP）解释模型行为。案例样本来源于西雅图杜瓦米什谷住宅建筑存量及SHA主导的本地保障性住房信息。

在研究结果部分，论文依次报告了原型开发、机器学习模型筛选以及关键改造变量识别等内容。

3.1. Archetype Development and Physics-Based Simulation
研究首先形成了4类代表性住宅建筑原型，分别对应杜瓦米什谷主导性的住宅类型：独栋住宅、双拼住宅、四户住宅和十户公寓。这些原型概括了当地住宅建筑在几何形态和运行特征上的主要差异，并构成后续基于物理模拟框架的基础。基于这些原型，研究人员围绕围护结构性能、空气渗透、HVAC系统、通风策略以及生活热水系统等变量构建参数矩阵，共生成5832个独立模拟情景。由此获得的合成数据集成为机器学习替代模型的“真实值”训练基础，也说明该框架能够在有限原型集合上实现对复杂住宅建筑存量的可扩展刻画。

3.2. Machine Learning Model Performance and Selection
在模型性能比较中，研究人员使用R²、均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）评价各类算法在训练集和测试集上的表现。结果显示，随机决策森林（RDF）整体预测精度最高，在训练与测试数据上均达到R² = 0.98，且具有最低预测误差；梯度提升机（GBM）与支持向量机（SVM）也表现较强，测试集R² 均为0.95；人工神经网络（ANN）同样保持较高精度，测试集R² = 0.94，RMSE = 3.97，MAE = 2.67。相较之下，决策树与K近邻表现较弱，其中K近邻泛化误差最大。尽管RDF在统计指标上最优，研究仍选择ANN作为后续重点分析模型，原因在于ANN既具备较强预测能力，又更适合表征改造变量之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（MLP）获得稳定收敛和良好泛化，说明ANN可作为城市尺度住宅改造分析中的有效替代模型。

3.3. Key Drivers of Energy Performance and Health-Driven Retrofits
通过Garson算法与PDP分析，研究人员识别出影响建筑总能耗最显著的变量。结果表明，空气渗透率是总能耗最主要的预测因子，其次为供热—制冷系统指数，说明围护结构气密性与HVAC效率是决定住宅建筑能耗表现的首要因素。窗户U值、通风系统类型也具有较明显作用，而墙体和屋面保温水平在所测试参数范围内相对影响较小，窗墙比（WWR）表现为中等重要性，总建筑面积（GFA）在考虑围护结构与系统特征后影响较弱。总体而言，最具改造价值的措施集中于提升气密性、优化机械系统效率以及实施有针对性的围护结构改良。

PDP进一步揭示了变量间的平均响应关系。单变量PDP显示，在采样范围内，渗透率增加会导致预测EUI近似单调线性上升，表明模型稳定地“惩罚”更高空气泄漏水平，因此空气密封是最明确且可操作的节能干预方向。GFA与WWR、GFA与渗透率的二维PDP显示，小体量建筑通常具有更高的能耗强度，而建筑规模对EUI的影响在某些情况下强于采样范围内渗透率的变化，这意味着建筑尺寸更适合作为改造优先级划分的分层变量。渗透率与WWR、渗透率与通风指数的PDP则进一步证明：在模型定义域内，降低非受控渗透带来的节能收益明显高于单独调整通风强度。对于窗体U值与墙体R值、WWR与墙体R值、GFA与墙体R值等关系，结果显示在低保温、低到中等WWR、较小建筑面积的住宅中，墙体保温升级的边际效益更为明显；而单纯提升窗体热工性能通常带来较小且更具条件性的收益。综合所有PDP，研究得出结论：在所评估住宅建筑中，小型且围护结构较弱的建筑具有最高节能潜力，渗透率控制、HVAC升级以及定向围护结构改良构成最优先的改造路径。

讨论部分围绕“健康导向节能改造”的概念展开凝练。研究指出，最重要的改造变量不仅决定能源需求，也与室内环境质量密切相关，尤其是渗透率、HVAC系统类型、窗户热工性能和通风策略。这意味着，在环境负担较重、健康脆弱性较高的城市社区中，节能改造不应仅被视为气候缓解工具，也应被界定为具有公共卫生协同效益的干预方式。渗透率作为最关键驱动因素，与西雅图这种供暖主导气候中的建筑物理规律一致：空气泄漏增大将增加换气热损失，同时使室外污染物和过敏原更易进入室内，因此空气密封既有节能价值，也有减少污染暴露的健康价值。但论文同时强调，提升气密性必须与受控机械通风配合实施，以维持足够的室内空气质量。HVAC系统效率的高重要性则说明，用高效热泵替代传统电阻供暖或燃气炉，不仅能够降低运行能耗、支持建筑电气化，还可改善热舒适性并消除室内燃烧污染源，在极端高温风险上升背景下具有重要健康韧性意义。通风系统本身虽不是能耗强度的主导因子，但对室内环境质量不可或缺，尤其是带热回收功能的能量回收通风（ERV）系统能够在气密建筑中兼顾新风供给与能量守恒。围护结构方面，研究认为墙体保温在部分建筑分段中的节能收益往往大于窗户升级，提示围护结构改造应因建筑条件而异，而不宜采用统一方案。总体上，论文建立了一个改造优先级层级：首先实施空气密封，其次进行HVAC升级，尤其是高效热泵电气化，再实施有针对性的围护结构提升，特别是较小且原有保温性能较弱建筑中的墙体保温增强；窗户性能改善则作为更具针对性的补充措施。

论文也明确指出若干局限。首先，模型依赖于参数化模拟生成的合成数据，而非长期实测运行数据，因此尽管采用训练—测试划分和交叉验证完成模型检验，仍缺乏大尺度实地标定与外部验证。其次，框架聚焦于能耗表现及与健康相关的室内环境代理变量，并未直接模拟室内污染物浓度或健康结局，因此文中讨论的健康效益属于基于既有文献支持的推断性协同效益，而非直接测量结果。再次，PDP反映的是样本特征空间内的模型平均响应，不能被解释为超出数据支持范围的因果关系。即便如此，研究依然在方法论上展示了将基于物理的模拟与可解释机器学习相结合，用于城市住宅改造优先级识别的可行性与推广潜力。

研究结论部分可译述如下：本研究提出了一种人工智能增强的基于物理的建模框架，用于评估能够同时改善建筑能耗表现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替代建模相结合，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多种改造情景；尽管框架在这一特定城市背景中得到测试，但其设计目标是可迁移并适用于其他具有相似城市住宅建筑存量的地区。结果识别出空气渗透率、HVAC系统效率、窗户热工性能与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电气化是在模型定义域内最具影响力的干预措施。围护结构改进——特别是较小且原有保温较弱建筑中的墙体保温增强——能够带来额外收益，而玻璃及窗系统升级则依据建筑特征表现出更具针对性的改善作用。重要的是，这些改造措施还可通过减少污染物侵入、改善热稳定性和增强通风控制，为室内环境质量带来协同效益，从而支持一种健康导向的住宅节能路径。在方法层面，研究证明了将基于物理的模拟与可解释机器学习模型结合，可为城市建筑存量的可扩展改造优先级排序与决策提供支持。所提出框架为在环境负担较重社区中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。