基于BIM模型的低碳節能建筑材料多目標優化設計

畢瀚文，張足斌

摘要：提出了基于BIM的低碳化工廠房建筑設計優化框架，通過研究不同玻璃及幕墻材料改進的遺傳算法實現廠房建筑低碳節能與采光性能的綜合權衡功能。案例研究表明，通過該框架得到的仿真結果可以有效實現廠房建筑節能的同時，最大優化建筑的照明性能，節約建筑材料的浪費，為建筑專業人員設計低碳建筑提供科學依據和參考。研究結果為化工企業廠房低碳節能研究領域做出了貢獻，實現了基于BIM、遺傳算法和仿真的建筑性能多目標優化策略，是對既有廠房建筑節能減排的優化設計。

關鍵詞：BIM；低碳；化工廠房節能建筑；目標優化

中圖分類號：TQ171.72;TU531.1文獻標志碼：A文章編號：1001-5922（2023）12-0067-05

Multi-objective optimization design of low-carbon and?energy-saving building materials based on BIM model

BI Hanwen，ZHANG Zubin

（China University of Petroleum（East China），Qingdao 266580，Shandong China）

Abstract：A BIM-based optimization framework for low-carbon chemical plant building design was proposed? comprehensive trade-off function for low-carbon energy saving and light performance of plant buildings by studying genetic algorithms for different glass and curtain wall material.The case study showed that the simulation results obtained through the framework could effectively achieve energy saving in plant buildings ，optimize the lighting performance of the building to the greatest extent，save the waste of building materials，and provide a scientific basis and reference for construction professionals to design low-carbon buildings.The research results can contribute to the field of low carbon energy saving research for chemical enterprise plants，and realize BIM-based multi-objective optimization strategies for building performance，genetic algorithm and simulation，which is the optimal design for energy saving and emission reduction of existing plant buildings.

Key words：BIM; low carbon;chemical plant energy efficient building; target optimization

隨著我國碳減排及碳達峰政策的大力推廣，我國化工企業基礎設施建筑也在不斷追求綠色、低碳。節能減碳設計的難點在于建筑中存在多個學科相關的參數和變量，這些參數和變量相互關聯、相互影響、相互制約。任何微小的變化都可能對節能減碳的效果產生重要影響。而BIM技術在工程節能方面的應用，尤其是在化工企業的建設工程中應用，其節能效果的研究還比較局限。因此，在信息科學、建筑和管理等學科中，需要運用BIM中的信息和參數的驅動力特性，來反映不同建筑材料下建筑物的能耗關系。基于此，提出了基于BIM的低碳化工廠房建筑設計優化框架，通過研究不同玻璃及幕墻材料改進的遺傳算法實現廠房建筑低碳節能與采光性能的綜合權衡功能。

1試驗方法

1.1BIM模型的參數化優化設計

以某化工企業創建的廠房建筑形態與能耗分析BIM模型為研究對象，同時結合材料、朝向、體積等參數，對建筑物的碳排放進行了仿真。建筑能耗的結果是以每年或單元能源消耗指標來表達的。每層的外圍是一個開放的空間，內部包含辦公室和化工有機、無機材料存放區域。建筑高度12 m，總建筑面積約1 642 m2。通過調整模型層高度、屋頂和墻體材料，獲得更理想的照明模擬效果。樓層高度設置為3層;玻璃幕墻選擇纖維水泥有機材料。采光模擬的各項參數見表1。

采用自適應元件對模型的幕墻模組進行參數控制。首先，經過適應點a、b、c、d，建立基準點a1、b1、c1、d1，并建立幕墻模塊的外框；創建了如在圖1中所示的幕墻內隔離基準平面。

窗墻率與建筑物的總能量消耗成正向關系，窗墻率愈高則耗能愈多。但是，窗戶與墻比例的增大會使建筑的采光變得更好。因而，以這一變數作為最優的指標。窗口的高低對化工廠房的采光效果有一定的影響。窗高與建筑節能中的空調能量具有極強的相關性，窗戶高度直接影響著建筑物的外形。所以，選擇窗口高度為影響因素。由于不同的墻體和玻璃材質，其透過率、傳熱及遮陰性能都有很大的差別，這將會對能源消耗和光照效果產生直接的作用，而建材與造價有很大的關系，因而把玻璃等材料作為建材的決定因素。最終，對建筑朝向、窗墻比、窗高進行了計算；以玻璃材質等11項指標作為最優的判定指標。

考慮到化工廠房建筑朝向變化對能耗和照明模擬的影響，將15°作為朝向參數的改變。在工程項目按逆時針方向轉動的過程中，其方向參量為0°～30°；若以正反時針方向轉動，則其方位參量為0°～30°。《公共建筑節能設計標準》（GB 50189—2015）[9]要求化工廠房建筑的窗墻比應小于70%。由于東立面窗戶墻的比例對光線有很大的影響，因此，在建筑物的西邊，窗墻比的參數范圍設定在0%～50%，其余的外立面則設定在10%～65%。根據不同方位的窗口高度，夏季高溫冬季寒冷的化學工廠，其窗口高度的變化幅度一般為1.5～2.8 m。選取的參數為建筑朝向、層高、窗高度；如：窗戶、墻體比例、建材等。墻體和屋面的導熱性能及窗口的透射量與建材密切相關。根據 Revit墻壁和窗口資料，可以得到相應的外墻、屋頂和窗戶的相關參數。在表2中顯示了變量的設計和某些初始化數值。

案例項目設定8種玻璃材料和7種墻體材料。傳熱系數和可見光透過率如表3所示。材料信息作為離散變量存儲在列表中，每一種建筑材料都有一個指數的數值。在進行 BIM建模時[10]， Dynamo先從 BIM中讀出物料的相關數據，再以各物料的指數為判定參數。該參數為（0，n+1）（n為總的物質）。

1.2優化設計過程

在NSGA-II基礎上，采用 BIM技術，參數驅動，可視化程序設計，多目標優化與建筑性能模擬的有機結合。其涉及到各個平臺的交互，使用者與系統整合的互動。研究主要包括建筑節能與不同建筑材料下照明效果的BIM技術。利用Optimo提供的NSGA-II算法進行多目標優化[11-12]，獲得帕累托邊界。

在 BIM建模中，通過對BIM模型的各個目標進行了參數的劃分，并在最優階段產生了多種不同的設計，并進行了性能評價。建筑節能模擬系統采用 Dynamo將 BIM和 GBS相結合，對全年能耗、空調能耗和光照能耗進行了分析。在帕累托前沿分析模塊中，利用帕累托前沿的數據，對化學工廠的年度能源消耗和光照目標進行了優化、最壞和綜合權衡的決策變量和 BIM模型進行了研究。在能耗節約評價與決策模型中，根據項目需求和性能指數，由設計者對帕累托邊界進行評價和確定[13]。

多目標最優設計定義了2個適合度函數，即能量指標和光照指標，在Optimo中，通過NSGA-II算法對決策變量和適應度函數進行優化。NSGA-II算法通過個體的非優勢階值秩將種群的非劣勢解層次化，在此基礎上，對帕累托優化問題進行了研究。其精英保存戰略是將親本族 Ci中的優良成員引入到子系 Di中，從而避免了父代群體的非劣化。NSGA-II算法中單個擁塞密度的計算公式：

Lid=Lid+（Li+1m-Li-1m）÷

（fmaxm-fminm）（1）

式中：L[i+1]m為i+ 1個體的m個目標函數的值；fmaxm、fminm分別為該函數的最大值和最小值。

通過快速非主導排序，將生成多個邊界集F =（F1、F2，…）。此外，通過精英保留策略，將頂級群體中的個體納入新群體。整個算法所需的時間復雜性是 O （N2）。NSGA-II中的跨行采用了一個單一的交叉點。經過交叉運算，親本種群和子代種群如式（2）所示：

親本：P1=A1tk+B1

P2=A2tk+B2

子代種群：C1=A1tk+B2

C2=A2tk+B1（2）

根據親本與子代群體之間的位置關系，可由分布系數β=C1-C2P1-P2的值決定。設父結點長度為l，每位用ai、bi表達，將交叉運算的地點設置成k，那么父母C、子代 P和分配因子β的運算式子：

P1=∑l-1i=0ai2i

P2=∑l-1i=0bi2i

C1=∑k-1i=0bi2i+∑l-1i=kai2i

C2=∑k-1i=0ai2i+∑l-1i=kbi2i（3）

如果0≤β≤1，則β的概率密度可以簡化為p（β）=12（ηc+1）βηc；如果β>1，β的概率密度為p（β）=12（ηc+1）1βηc+2，其中ηc為非負實數，也稱為交叉系數。所以，在（0，1）內，對均勻分配的隨機性u進行了運算，可以得到β的生成式：

0<β≤1，∫βK0P（β）dβ=u

β>1，0.5+∫βK0P（β）dβ=u

βk=（2u）1ηc+1，0≤u≤0.5

（2（1-u））-1ηc+，u>0.5（4）

當ηc的值較大時，β的值趨于1。這時，離親本更近的子代群體更有可能被選中進入下一代。當ηc值較小時甚至趨于0時[16]，β值在[0，1]內近似均勻分布。在后代群體中，距離父母較近的后代也能被選中進入后代群體。

2結果與分析

在化工企業廠房中，其中化工設備、空調設備、照明設備等能源消耗占了絕大部分。在建筑物中，工業裝備的密集程度與空間的尺寸有著明顯的關系，而工業裝備的數目往往是按建筑的面積來進行的[17]，因此當占地不變時，其能源消耗是比較平穩的。所以，在能量特性的基礎上，選擇了空調和燈光的能量消耗指標。該工程地處長江中上游的一座化工廠，地處北亞熱帶濕潤氣候[18]，全年雨量約1 106.5 mm，年降雨量117 d，年降水量76%、年平均溫度15.4 ℃。研究建立的建筑能耗與照明性能優化模型：

minf1（X）=AEU（X）

maxf2（X）=DLS（X）

X=XBO，XE-WWR，Xw-WWR，Xs-WWR，XN-WWR，

XE-WH，XW-WH，XS-WH，XN-WH，XiGM，XjWM（5）

能耗解析模式的最低限度由 Dynamo確定，并上傳到 GBS用于能耗分析。最后，利用模擬的結果建立了一個適合的群體。根據 LEED EQc8.1對DLS對象進行了適應度功能的設計[19]。其能滿足0.15%～0.18%的可見透光率（VLT）和窗墻比（WFR）的乘積。在BIM中使用 Dynamo讀出參數的方法。LEED EQc8.1的光照特性計算采用Python-API進行。最后，確定符合 LEED得分標準的室內空間百分數作為適合度函數。將最大值設定在0.75（按照 LEED照明得分的標準）。

實驗結果顯示，算法的交叉和突變率為0.9，突變幾率為0.01，并對其進行了統計分析。由于能量消耗與光照特性模擬要求經常與 GBS及云端呈現業務進行交互，因此，將模擬次數設定為15次，以降低模擬時間，提高操作效率。通過模擬實驗，得出了1 500個能量消耗模擬值和3 000個光照模擬值（LEED EQC8.1為9：00和15：00的光照特性指數）。

圖3反映了從初始種群中獲得能耗和采光指標的帕累托前沿總共經過150次迭代的過程。

由圖3（a）第1代種群分布可知，種群為100。該算法在80次迭代后，其分布呈現出較好的收斂性；離開座標軸線的解決方案逐步被剔除。后代群體持續地在坐標和原始位置上會聚，具體如圖3（b）所示。在120次重復后，群體中出現了一個比較顯著的帕累托邊界[20]。在一個比較小的范圍內，可以看到一個可行的解決方案，具體如圖3（c）所示。圖3（d）顯示了150次反復后得出的帕累托邊界。在最佳方案中，各體子的分配更為均衡，各點各有一個不占優勢的可能解，邊界個體也被成功地保留了下來。綜上所述，優化結果較為理想。3結語

研究提出了一種用于化工廠房建筑性能多目標優化的低碳建筑設計新方法，實現了基于BIM的建筑性能模擬和優化，編寫了一種改進的遺傳算法NSGA-II，用于Dynamo可視化編程環境中的多目標優化，并通過Revit和Dynamo的耦合完成了優化過程。優化得到的帕累托前沿結果表明，建筑能耗與照明性能仿真結果在多參數驅動下呈負相關關系。考慮模擬地點氣候、溫度和濕度的影響，得到的主導解在建筑能耗指標上最大差異約為25.7%，在照明性能指標上最大差異約為16.7%。

由此可見，通過參數化設計進行建筑性能模擬分析對于確定低碳節能化工廠房建筑的性能是非常重要和關鍵的。

【參考文獻】

［1］馮靜霞，趙恒澤，齊藝裴，等.四硼酸鈉改性水玻璃制備保溫材料及其性能研究[J].硅酸鹽通報，2022，41（10）：3708-3716.

[2]丁輝，張學斌，桂和仁，等.漂珠玻璃廢渣制備多孔玻璃材料[J].中國陶瓷，2018，54（6）：66-71.

[3]林劍遠，趙楚翹.基于混合群智能算法的高鐵站房供冷節能優化應用框架研究[J].智能建筑，2022（3）：29-32.

[4]王姣.基于AB價法的EPC模式在建設項目中的應用研究——以某化工廠建設為例[J].粘接，2022，49（9）：173-177.

[5]徐偉，金國忠，苗振林，等.基于紅外圖像的變壓器故障在線檢測技術分析[J].粘接，2022，49（9）：193-196.

[6]山鋒，丑洋.地下管線及構筑物物探成果數據BIM建模研究[J].粘接，2020，41（5）：112-114.

[7]朱冬飛，陳高威，張軍委，等.基于BIM技術的鋼筋工程量精細化計算方法研究[J].粘接，2022，49（2）：157-163.

[8]任宏濤，郭穎，周文戟，等.資源約束下綠色鋁供應鏈網絡設計多目標優化[J].系統工程理論與實踐，2020，40（8）：2090-2103.

[9]朱勇.有粘結豎向預應力施工技術BIM技術仿真分析[J].粘接，2022，49（8）：138-141.

[10]郭峰，顏宏亮.基于進化算法的高層工業化住宅碳排放權衡分析[J].住宅科技，2021，41（12）：55-58.

[11]蒲云輝，王清遠，李文淵，等.建筑物碳排放量和成本的優化設計研究[J].成都大學學報（自然科學版），2018，37（3）：326-330.

[12]公維鳳，王傳會，周德群，等.雙強度約束下行業低碳經濟增長路徑優化研究[J].中國人口·資源與環境，2013，23（6）：29-36.

[13]殷明剛，劉羽岱.基于Rhino和Grasshopper平臺的綠色建筑輔助設計工具開發與驗證[J].建筑節能（中英文），2022，50（3）：64-71.

[14]趙明哲，劉亞麗，張國慶.基于能源互聯的分布式供能網絡多目標優化[J].電力科技與環保，2021，37（6）：40-50.

[15]康靜，程玉楠，高琪.Vitapex糊劑一次性根管充填與傳統方式對比結果[J].粘接，2022，49（9）：115-118.

[16]王艷，孫虎.基于人為疏導方案的鋼管混凝土拱橋結構安全性能影響分析[J].粘接，2022，49（9）：141-143.

[17]李莉，程發新，程顯欽，等.基于改進多目標粒子群優化算法的企業再制造物流網絡優化[J].計算機集成制造系統，2018，24（8）：2122-2132.

[18]劉春斌，王琦，王志磊，等.XRMI儀常見故障判斷分析及維修技術優化[J].粘接，2022，49（9）：137-140.

[19]李高潮，盧懷宇，孫啟德，等.基于可再生能源的冷熱電聯供系統集成配置與運行優化研究進展[J].電網與清潔能源，2021，37（3）：106-119.

[20]吳艷.基于KPCA-ICS-SVM模型的膠粘復合材料涂層管道外腐蝕速率預測研究[J].粘接，2022，49（8）：25-31.