基于神經網絡的建筑綠色性評價

魏太兵，陳 堅

（武夷學院 土木工程與建筑學院，福建 武夷山354300）

綠色建筑、節能建筑提倡資源節約，環境友好，已經成為我國建筑業發展的方向，是我國建設節約型社會的重要突破口。而建筑綠色性評價體系旨在尋求可操作、可定量化的方法，以衡量和評價建筑可持續發展的水平和能力，指導綠色建筑發展的具體實踐。

1 綠色建筑評價體系

建筑綠色性評價體系具有評判差異化建筑的綠色性和指導綠色建筑發展的作用。圍繞著建筑綠色化的推廣和發展要求，國際上出現了許多與綠色建筑相關的技術協會和研發組織，開發了相應的評價標準和模擬軟件。如美國的LEED、英國的BREEAM、德國的LNB、荷蘭的ECOQuantum、加拿大的 GBTool、澳大利亞的NABERS、挪威的EcoProfile、法國的ESCALE，以及日本環保省的CASBEE等標準，他們都是結合各自國情所提出的評估標準［1］。

我國綠色建筑評價體系是基于國外較為先進理論和實踐的基礎上，結合我國發展低碳社會對建筑提出具體的要求。例如低能耗圍護結構、新能源利用、綠色自然、綠色建材，以及合理選址和科學規劃；高效節能，循環利用資源，減排減害；建筑環境健康舒適，以及功能靈活適宜等。

國內外評價體系指標大致可以從節能性、經濟性和環保性三個層面劃分，針對住宅建筑和公共建筑的6大評價指標推進綠色建筑理論和實踐的探索與創新。具體指標如表1所示［1，6］。

表1 建筑綠色性評價總體指標

2 人工神經網絡概述

2.1 人工神經網絡

人工神經網絡（Artificial Neural Network，ANN），是一種通過大量的、功能較簡單的神經元互相連接而構成復雜網絡系統，其最主要的特征是能夠模擬“人腦”的許多基本功能和簡單思維方式。

與傳統人工智能方法的“直覺缺陷”相比，人工神經網絡不僅具有自主學習、自主組織，而且具有優良非線性自適應信息處理能力，即非線性逼近能力，以及通過神經元間的協作和學習來進行解決問題的能力。因此，利用具有并行處理、容錯性及魯棒性等特點，人工神經網絡不僅在神經專家系統、模式識別、智能控制中得到應用，而且在組合優化、預測等領域中也得到成功應用［3］。

人工神經網絡是在某一層次上對“人腦”基本工作機理的模擬和簡化。人們可以在不了解模型的情況下，通過對神經網絡進行訓練，網絡可以獲得相關信息，并將信息存儲在神經元的連接權值中，稱之為“樣本”，并在需要時對被稱作“樣本”的現有數據進行學習，以此獲得相應解決問題的能力。

2.2 BP神經網絡

BP神經網絡又稱為誤差反向傳播神經網絡，是前向網絡的核心部分，也是人工神經網絡精華所在。它由一個輸入層、一個或多個隱含層和一個輸出層構成，每一層由一定數量的神經元構成，這些神經元如同人腦神經細胞一樣是互相關聯的［3］，其結構如圖1所示。

圖1 BP神經網絡模型

BP神經網絡主要應用于以下幾個方面：

函數逼近：通過輸入向量和相應的輸出向量對網絡進行訓練，以此得到一個逼近函數。

模式識別：通過一個待定輸出向量，使之與輸入向量聯系起來。

合理分類：將輸入向量劃分為所定義的類型。

數據壓縮：減少輸出向量維數以便傳輸或存儲。

3 人工神經網絡在綠色建筑綜合評價中的應用

建筑物各指標要素的得分能反映出建筑的整體性能。然而，這些指標要素的構成具有復雜性與關聯性，并不是所有的相關性都能完全避免，且不同數值范圍內的評價指標對指標評估結果會有所不同，指標性能和綜合性能之間還存在著一定的非線性關系。因此，如何確保所構建的指標體系具有獨立性，排除綠色建筑評估過程中的數量信息噪聲，防止重復計算，計量標準與計量尺度就顯得十分重要。

因此，經過多方面的考慮與分析，現有的系統大都采取了“指標分解——設定權重——指標評估——加權累加”的方法［3］。其中，指標分解和綜合是建立在各指標完全獨立這一理想狀態的基礎上的，權重系統則是對不同指標間重要程度的主觀描述。作為對復雜系統的一種簡化形式“線性加權”模型在綠色建筑評估理論和實踐中發揮了重要作用，因此本文所講的綠色建筑綜合評價系統便是依據此法進行建模。

基本原理：

輸入量：反映建筑綠色性特征的信息，例如建筑節能性、經濟性和環保性等指標。

輸出量：相應代表綠色建筑綜合評價結果的量值。

一旦確定輸出與輸入量之后，系統利用傳統綜合評價取得的成功樣本對網絡進行訓練，使系統的權系數經自適應學習后得到正確的內部表示，并以此網絡來作為綠色建筑綜合評價的模型。

基本步驟：

（1）網絡訓練。通過對特征的分類、歸納、抽取、選擇，確定評價指標體系，并以此參數作為神經網絡的輸入向量。而利用輸出的評價指標，建立分類訓練樣本集，然后對網絡進行訓練。

（2）專家對各評價指標的評價值構成訓練人工神經網絡的樣本集。此外，還要確定建筑評價指標體系的層次結構和能具體反映建筑綜合性能的本質屬性評價指標，以及各級評價目標，建立較為系統的數學模型。

（3）根據建筑綜合評價的目的，通過界定的指標數據的來源渠道，進行指標篩選，得到全面的反映建筑各個方面的初步指標，并啟動神經網絡進行自學習，直至收斂。

（4）將學習好的神經網絡儲存起來，以此作為神經網絡評價模型。本文通過給出的輸入參數即可得到相應的輸出，從而得到綠色建筑的綜合評價結果。

基本流程圖如圖2所示。

圖2 神經網絡評價流程圖

基本模型確立：

綠色建筑綜合評價模型的確定，先要了解建立函數的幾個重要一、二級指標（一級指標共有9個，二級指標共有98個），如表2所示［4］。

表2 綠色建筑評價指標體系

其中，樣本集（X，Y），輸入指標屬性值構成A＝［Xni，Yni］，輸入的指標因素共有10個，共10個節點。表2表示建筑物與指標集相關的實際數據；期望輸出構成B＝［Xn，Yn］，共1個，即1個節點，表示建筑物的實際得分值，其中n∈N，i∈N。

4 基于人工網絡的綠色建筑評價體系的應用

依據表2中的指標系統，本文采用1分制形式，選取福建省某鄉鎮58座建筑物為樣本進行評價。為了在網絡訓練中得到較為極端的樣本，增加2座虛擬建筑物，即0.01分的“最差建筑物”標記為59號，將1分的“最好建筑物”標記為60號。依據“特爾菲法”而得到一致的二級輸入指標得分A＝［Xni，Yni］，進而得出一級指標的輸出得分B＝［Xn，Yn］。具體評價結果如表3所示。

本文選取1～10號建筑物為測試樣本，11～20號建筑物為確證樣本，21～60為訓練樣本。結合MATLAB進行網絡訓練，具體訓練步驟如下：

（1）網絡 A＝［Xni，Yni］、B＝［Xn，Yn］的訓練。以表3中的二級指標的得分結果作為各網絡的輸入，一級指標的評估結果作為期望輸出。

（2）綜合性能網絡的訓練。一級指標的評估作為網絡的輸入，指標綜合性得分能作為期望輸出。

（3）以0.01作為進行網絡訓練的目標精度。橫坐標為訓練的次數，縱坐標為訓練值的精度，曲線為網絡訓練的擬合曲線。經過訓練，其具體的情況如圖3所示。

由圖3可看出，經過6次訓練，即達到了0.01的精度要求。此時訓練后的網絡可進行仿真實驗，將相應的預測值同實際的數值進行逼近檢驗，最終得出網絡訓練樣本的輸出值與期望值的最大相對誤差小于5%，而測試樣本網絡輸出值與期望值的最大相對誤差為3.8%。由此可見，基于人工神經網絡的綠色建筑評價體系是比較可靠且可行的，可使用該方法進行其它方面的評價，例如綠色建筑節能評價等。

表3 綠色建筑一、二級指標綜合評價結果表

圖3 網絡神經訓練圖

5 結論

綠色建筑評價是培育綠色建筑市場，促進建筑領域資源節約的重要手段。綠色建筑評價指標體系是由相互關聯、相互制約及不同層次的指標群構成的一個有機整體，通過實例應用進一步說明了BP神經網絡可以較全面地反映該建筑綠色設計內涵的基本特征，在綠色建筑評價方面具有可行度和有效性。在今后的綠色建筑評定工作中，利用神經網絡可以使綠色建筑評價朝智能化、模型化的方向發展，讓評價結果更加客觀，更加有效。

［1］魏太兵.基于LEED的房地產綠色評價研究［D］.西安：長安大學，2006.

［2］王竹，賀勇，魏秦.關于綠色建筑評價的思考［J］.浙江大學學報：工學版，2002（36）：14－15.

［3］支家強，趙靖，李楠.基于人工神經網絡法的綠色建筑評價［J］.山西建筑，2006，32（7）：47－48.

［4］楊麗，盧德華.基于人工神經網絡的建筑節能體系綜合評價［J］.城市環境與城市生態，2010（23）：44－47.

［5］崔艷琦.國內外綠色建筑與評估［J］.科技管理研究，2008（9）：71－72.

［6］石華旺，安俊華，孟輝斌.綠色建筑評價指標體系與評價方法研究［J］.山西建筑，2007（33）：49－50.

［7］侶同光，宋華平，劉加云.人工神經網絡在綠色建筑評估中的應用［J］.山東建筑大學學報，2008（23）：356－360.