一种用于预测真空玻璃隔热性能的软门控信念规则库

《Engineering Applications of Artificial Intelligence》：A soft gating belief rule base for predicting the insulation performance of vacuum glass

　　赵博阳|王远奇|王磊|江良军|杜宝珠中国海南大学信息与通信工程学院，海口570228摘要在真空玻璃的健康管理系统中，预测其绝缘性能为制定优化策略提供了定量依据。然而，目前主流的黑箱预测模型难以给出可信的推理过程，这限制了它们在工程决策中的应用。为改进预测机制，本文提出了一种具有门控因子的可解释深度信念规则库模型（IDBRB-g）。首先，在模型构建模块中引入深度结构设计，明确预测过程中关键特征在热传递中的作用路径，并通过结构重构缓解组合爆炸问题。其次，提出基于Sigmoid函数的软门控机制，根据动态输入样本引导规则激活，从而提升匹配的稳定性和灵活性。此外，还开发了一种具有可解释性约束的模型优化方法，确保模型计算过程的透明度。在实际真空玻璃数据集上的实验结果表明，所提模型在保持低预测误差的同时，具备清晰的可解释性推理过程，且对输入不确定性有较强的响应能力，展现出实际应用价值。引言作为指导国家经济发展的关键战略方向，提升建筑能效不仅有助于有效利用能源资源，还有助于实现“双碳”目标。随着建筑总体量的持续扩大，建筑领域的能耗已成为社会主要能耗组成部分之一（Li和Wu，2025）。在建筑能耗的各个组成部分中，门窗占建筑能耗的50%，而玻璃传导损失则占70%（ZHAO等人，2025）。为满足日益严格的节能标准，真空玻璃因其优异的绝缘性能而受到开发商和企业的广泛关注，被誉为新一代高效透明隔热材料（Tan等人，2022）。然而，国内外真空玻璃行业尚未建立统一的质量检测标准（Zhang等人，2021）。准确评估真空玻璃绝缘性能的技术瓶颈制约了其在市场中的大规模应用。在此背景下，本研究致力于开发科学可靠的测试系统，这对于保障建筑围护结构的绝缘性能及提升建筑整体能效具有重要意义。真空玻璃是一种双层玻璃结构，通过抽走两片玻璃之间的空气形成部分真空状态（Zhang等人，2022）。除了出色的绝缘性能外，真空玻璃还具有重量轻、厚度薄的优点（Kind等人，2014）。真空玻璃的绝缘性能通常通过热传递系数来评估，该系数与玻璃层间的真空度密切相关（Lei等人，2019）。为维持间隙内的所需真空度，真空玻璃需完全密封（Riedel等人，2022）。因此，直接测量两片玻璃之间的真空度十分困难，使得通过理论计算方法评估真空玻璃的绝缘性能变得不切实际。一种常用的替代方法是向真空玻璃的一侧施加热源，监测另一侧的温度变化，再根据表面温度响应推断热传递系数。不过，由于环境温度波动等外部干扰，这种方法的准确性有限（Li等人，2024a）。近年来，研究人员提出了多种建模框架，如集成学习（Li等人，2024b）、神经网络（Lei等人，2020）和随机森林（Liu等人，2022），用于解决预测真空玻璃绝缘性能的问题。与传统稳态方法相比，这些方法取得了显著进步。目前，大多数基于智能算法的方法主要致力于建立输入与输出之间的映射关系。尽管这类模型通常具有较高的预测精度，但其黑箱特性使得输出结果难以解释，进而无法阐明关键影响因素对预测结果的影响机制（Han等人，2023b），造成了该领域在可解释建模方面的不足。在工程应用中，尤其是建筑领域，对模型的可解释性和决策透明度要求较高，这一问题尤为突出（Han等人，2022）。此外，缺乏可解释性的模型难以为实现真空玻璃性能优化提供有针对性的指导。因此，可解释建模方法逐渐受到重视。其中，基于规则的预测模型通过规则结构描述输入与输出之间的关系。由于能够提供清晰的推理过程，这类模型为解决复杂的工程问题提供了有力途径。自2006年诞生以来，信念规则库（BRB）因其出色的可解释性而备受关注（You等人，2024）。与传统非线性模型相比，BRB通过明确的规则结构描述输入与输出之间的关系，这使得它能够生成具有清晰语义的推理结果，在人机交互领域具有明显优势（Jiao等人，2024）。此外，BRB融合了知识驱动和数据驱动的建模理念，在复杂系统建模中表现出强大的稳定性（Sun等人，2025）。在数据有限的场景下，可以利用专家知识构建初始规则和信念结构，从而缓解数据匮乏带来的建模难题（Cheng等人，2023）。得益于这些特点，BRB已广泛应用于性能评估（Li等人，2025）、泄漏预测（Han等人，2024）以及医疗决策（Karim等人，2023）等领域，在处理涉及不确定性和复杂决策的问题时始终表现出优异的性能。真空玻璃的绝缘性能受多种相互作用因素的影响，这些因素之间存在强烈的非线性耦合关系。这使得性能预测成为一项复杂的多变量建模任务。此外，由于真空玻璃实验成本高昂，可用于建模的数据量往往有限，且实验过程容易受到外部环境因素的干扰，给预测带来不确定性。因此，BRB非常适合用于满足绝缘性能预测的建模需求。近年来，有研究将BRB方法应用于真空玻璃绝缘性能的预测，在小样本条件下取得了良好的预测效果（Zhao等人，2025，Zhao和Wang，2024）。然而，其在特征组织、不确定性处理以及模型可解释性方面仍存在明显缺陷。首先，传统BRB模型基于输入属性参考值的全部可能组合来构建规则库，随着特征数量的增加，规则数量呈指数级增长。这样一来，在推理过程中需要处理大量规则，大大增加了计算复杂性，降低了推理效率。其次，传统的激活权重计算方法无法区分并调整不同输入区域中的规则竞争结构，难以在复杂的规则交叉区域实现稳定性与可区分性的协调控制。此外，尽管基于BRB的建模方法在模型可解释性方面具有明显优势，但引入参数优化算法后这一优势往往会被削弱（C. Zhang等人，2024）。在这种情况下，规则结构的某些部分可能变得不如最初预期的那样易于理解。优化过程可能会改变原有的分布结构，导致某些规则的语义解释不再符合最初的专家理解，从而降低模型的整体可解释性。这种变化削弱了BRB方法在提高真空玻璃绝缘性能预测结果可靠性方面的原有优势，使其偏离了可解释建模的初衷。基于以上考虑，本文提出了一种具有门控因子的可解释深度信念规则库模型——IDBRB-g，旨在在保持和增强结构稳定性与可解释性的同时提升预测性能。IDBRB-g构建了深度BRB网络结构，明确界定了决策路径中关键因素在热传递过程中的作用与重要性。这种深度设计提升了模型表示影响绝缘性能的复杂耦合关系的能力，同时简化了模型架构。IDBRB-g在传统的规则激活机制中引入了门控因子这一非线性调节单元，作为调节器实现规则的动态激活。该门控机制能够根据不同输入区域的匹配特性自适应调整门控因子，实现规则竞争关系的差异化表达。为解决优化导致的可解释性减弱问题，该模型加入了可解释性约束，尽可能保持规则的语义一致性。因此，最终模型既具有高预测精度，又具备规则的清晰表达能力。IDBRB-g模型的主要创新点如下：（1）通过引入深度结构建模机制，逐步整合关键特征的信息，不仅提高了热传递特征利用的全面性，还有效降低了预测模型的结构复杂性。（2）定义了基于Sigmoid函数的软门控机制，其中门控因子作为规则激活水平的动态调节器，对规则响应进行非线性校准。（3）为提升模型在真空玻璃绝缘性能预测中的可解释性，设计了专门的可解释性约束，并实现了对决策过程的可视化观察。（4）IDBRB-g模型在预测真空玻璃绝缘性能时兼顾了预测精度与可解释性，显著提升了在小样本和不确定条件下的预测稳定性。它填补了该领域在可解释建模方面的研究空白，为真空玻璃的优化设计提供了可靠的决策依据。与仅依赖深度结构的BRB方法相比，IDBRB-g在推理过程中引入了门控机制，实现了规则激活的自适应调整。所引入的门控函数能够提供平滑且具有结构意识的响应，从而提升了不同竞争区域中规则激活过程的稳定性和区分能力。此外，与仅追求最小化误差的BRB方法不同，IDBRB-g在参数更新过程中融入了可解释性约束，以保持规则与专家认知之间的一致性。本文的其余结构如下：第2节从问题导向的角度分析现有方法的建模设置；第3节介绍所提出的IDBRB-g模型；第4节对IDBRB-g进行分析与评估；第5节总结全文并指出未来研究方向。章节片段BRB的问题导向分析本节从问题导向的角度分析现有方法。如第1节引言所述，现有的BRB模型面临三个主要问题。基于此，本节通过结合现有方法的特征及其建模设置，系统分析这些问题背后的机制。（1）高维特征空间的组合爆炸问题在所提出的IDBRB-g系统中，与热传递系数关联最强的变量本节详细描述了所提出的IDBRB-g模型，该模型旨在解决第2节中发现的三个现有问题。使用所提出的IDBRB-g系统预测绝缘性能本节通过实验评估所提模型的性能。4.1节介绍了利用实验室实验数据进行的预测流程。4.2节展示了规则竞争现象以及所提门控机制的有效性。4.3节分析了IDBRB-g系统的预测精度和稳健性。4.4节阐述了其可解释性。4.5节进行了消融实验。4.6节结论本文提出了一种用于预测真空玻璃绝缘性能的软门控信念规则库，实现了精度与可解释性的协同提升。首先，为整理真空玻璃热传递系数的相关特征，采用了深度模型架构。这种设计解决了组合爆炸问题，提升了模型的可读性。随后，设计了一种基于Sigmoid函数的软门控机制，用以提升CRediT作者贡献度。赵博阳：写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件、方法论、正式分析、概念构建。王远奇：监督、项目管理、调研、正式分析、数据整理。王磊：写作——审稿与编辑、监督、资源协调、资金筹措。蒋良军：资源协调、正式分析、数据整理。杜宝柱：项目管理、正式分析。利益冲突声明作者们声明自己没有已知的可能影响本文所述工作的财务利益或个人关系。致谢本项工作得到了海南省科技专项基金（ZDYF2024GXJS312、ZDYF2024KJTPY017、ZDYF2023GXJS154）以及国家自然科学基金（62163010）的支持。