機(jī)器學(xué)習(xí)下的智能遮陽(yáng)采光模擬流程研究

駱肇陽(yáng)，齊軒寧，董琪

(1.哈爾濱工業(yè)大學(xué)建筑學(xué)院，黑龍江 哈爾濱 150000；2.寒地城鄉(xiāng)人居環(huán)境科學(xué)與技術(shù)工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，黑龍江 哈爾濱 150000)

引言

智能遮陽(yáng)是當(dāng)代建筑發(fā)展方向的重要內(nèi)容之一，它具有優(yōu)化室內(nèi)環(huán)境品質(zhì)及節(jié)能和提高空間舒適度的功效[1]。因光照時(shí)刻變化，手動(dòng)遮陽(yáng)不能滿足需求，智能遮陽(yáng)具有即時(shí)遮陽(yáng)控制室內(nèi)采光舒適度的作用[2]。

既有智能遮陽(yáng)研究多利用采光模擬與優(yōu)化工具進(jìn)行調(diào)控形態(tài)的推導(dǎo)[3-9]，許多采光性能模擬軟件與優(yōu)化工具耗時(shí)較長(zhǎng)，傳統(tǒng)的試錯(cuò)型設(shè)計(jì)流程，極易延長(zhǎng)設(shè)計(jì)周期。為了提升智能遮陽(yáng)設(shè)計(jì)效率，需使用有效的智能遮陽(yáng)模擬工作流程，統(tǒng)籌相應(yīng)的設(shè)計(jì)工具，從而在設(shè)計(jì)初始階段，確定智能遮陽(yáng)原型。

人工智能時(shí)代下，各類機(jī)器學(xué)習(xí)工具開(kāi)始應(yīng)用于各類領(lǐng)域。本研究對(duì)已有的智能遮陽(yáng)建模技術(shù)與信息模型進(jìn)行更新，提出利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型優(yōu)化的智能遮陽(yáng)采光模擬設(shè)計(jì)流程，統(tǒng)籌配套的數(shù)字工具集，以便提高設(shè)計(jì)效率，以服務(wù)于后續(xù)的控制策略、控制工具、傳動(dòng)設(shè)計(jì)等一系列設(shè)計(jì)。

1 智能遮陽(yáng)采光模擬設(shè)計(jì)流程的理論基礎(chǔ)

合理的智能遮陽(yáng)設(shè)計(jì)流程能夠有效完成從“概念設(shè)計(jì)”到“實(shí)體設(shè)計(jì)”的過(guò)渡，有助于其復(fù)雜設(shè)計(jì)過(guò)程的簡(jiǎn)化。早期相關(guān)學(xué)者曾提出流水概念模型(waterfall model)作為早期建筑智能遮陽(yáng)設(shè)計(jì)流程(圖1)，該模型假設(shè)早期設(shè)計(jì)過(guò)程應(yīng)組織成一組連續(xù)的動(dòng)作，引導(dǎo)設(shè)計(jì)者實(shí)現(xiàn)設(shè)計(jì)目標(biāo)，這些設(shè)計(jì)目標(biāo)在執(zhí)行之前，會(huì)被進(jìn)行明確定義。然其缺點(diǎn)在于，它需將設(shè)計(jì)活動(dòng)排列為不可逆的、定向的序列，這與日常實(shí)踐中的設(shè)計(jì)思維相悖：設(shè)計(jì)進(jìn)行初期往往不會(huì)明確特定的設(shè)計(jì)活動(dòng)，設(shè)計(jì)過(guò)程本身許多環(huán)節(jié)是回溯性(iteration)地進(jìn)行，此外設(shè)計(jì)過(guò)程往往趨向于多個(gè)解決方案的比較，并最終決定設(shè)計(jì)結(jié)果。

作為對(duì)流水模型的修正改良，Horváth[10]提出了概念設(shè)計(jì)過(guò)程的路徑尋找器流程模型(pathfinder model)(圖2)，該模型將所有設(shè)計(jì)目標(biāo)進(jìn)行重疊，未指定任何確切的執(zhí)行方案，設(shè)計(jì)師可根據(jù)設(shè)計(jì)任務(wù)的特定需求決定設(shè)計(jì)活動(dòng)的類型、頻率和順序。這種模式的主要優(yōu)點(diǎn)在于可同步影響與反映多個(gè)設(shè)計(jì)概念的變化，承認(rèn)所有目標(biāo)都是相互影響與制約的，一方牽動(dòng)另一方進(jìn)行設(shè)計(jì)策略與性能參數(shù)的改變，并能根據(jù)具體設(shè)計(jì)目標(biāo)控制權(quán)重。該模型更貼切于智能遮陽(yáng)結(jié)構(gòu)的設(shè)計(jì)與運(yùn)行邏輯[11]。因此，路徑尋找器流程模型可作為以采光為導(dǎo)向的建筑智能遮陽(yáng)模擬設(shè)計(jì)流程的理論基礎(chǔ)。

圖2 路徑尋找器模型[11]Fig.2 Path finder model

2 機(jī)器學(xué)習(xí)下的智能遮陽(yáng)采光模擬設(shè)計(jì)流程

機(jī)器學(xué)習(xí)優(yōu)化下的動(dòng)態(tài)采光遮陽(yáng)設(shè)計(jì)流程，以路徑尋找器流程模型為綱要，整合動(dòng)態(tài)建筑遮陽(yáng)設(shè)計(jì)內(nèi)容，創(chuàng)建成參數(shù)交互組件，利用機(jī)器學(xué)習(xí)算法對(duì)模型數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練以生成預(yù)測(cè)模型，以更快地獲取方案信息，避免重復(fù)優(yōu)化流程。設(shè)計(jì)流程包含設(shè)計(jì)流程的參數(shù)化與映射數(shù)據(jù)的機(jī)器學(xué)習(xí)。

2.1 智能遮陽(yáng)模擬設(shè)計(jì)流程的參數(shù)化

智能遮陽(yáng)的運(yùn)行邏輯是不同時(shí)刻不同環(huán)境下，將可動(dòng)的遮陽(yáng)結(jié)構(gòu)自動(dòng)調(diào)節(jié)成最優(yōu)的遮陽(yáng)形態(tài)，以實(shí)現(xiàn)室內(nèi)的最佳采光，同時(shí)避免眩光等目標(biāo)。除借助材料形變的復(fù)雜遮陽(yáng)構(gòu)件外，其大部分如機(jī)器一樣，借助數(shù)字化途徑生成、控制與運(yùn)行：數(shù)字構(gòu)成形體幾何模型，數(shù)字編譯的動(dòng)力運(yùn)行邏輯控制形態(tài)變化，數(shù)字構(gòu)成的物理系能評(píng)價(jià)指標(biāo)指導(dǎo)物理環(huán)境的優(yōu)化。因此，它必然是基于參數(shù)化設(shè)計(jì)思維進(jìn)行架構(gòu)下的產(chǎn)物，模擬流程應(yīng)以參數(shù)化思維進(jìn)行建構(gòu)。

本研究以路徑尋找器模型為綱要，借助參數(shù)化思路，將以采光為導(dǎo)向的智能遮陽(yáng)流程組塊分為五項(xiàng)(圖3)，每項(xiàng)組塊包含相關(guān)的設(shè)計(jì)內(nèi)容。其中，形式組塊的內(nèi)容包含：智能遮陽(yáng)的幾何形體參數(shù)建立，以參數(shù)影響形體改變；優(yōu)化組塊的內(nèi)容主要為以采光性能為目標(biāo)進(jìn)行形態(tài)優(yōu)化，確立不同環(huán)境參數(shù)、幾何參數(shù)下的最佳遮陽(yáng)形態(tài)；分析組塊的內(nèi)容為智能遮陽(yáng)控制下室內(nèi)采光性能的仿真模擬，以數(shù)據(jù)進(jìn)行采光環(huán)境的評(píng)價(jià)；環(huán)境組塊的內(nèi)容包含室外采光環(huán)境的建模與天空模型參數(shù)的設(shè)定，以提供適用于設(shè)計(jì)場(chǎng)地的模擬運(yùn)行環(huán)境；動(dòng)力組塊為智能遮陽(yáng)運(yùn)行的可視化模擬，以模擬與觀察其運(yùn)動(dòng)效果。設(shè)計(jì)組塊之間互相連接，在統(tǒng)一的數(shù)字設(shè)計(jì)平臺(tái)下進(jìn)行參數(shù)相互關(guān)聯(lián)，每個(gè)模塊的輸入?yún)?shù)會(huì)影響遮陽(yáng)形態(tài)，以及其模擬結(jié)果。在此基礎(chǔ)上該流程運(yùn)行的模式為：在每一組塊的設(shè)計(jì)內(nèi)容上進(jìn)行調(diào)節(jié)、分析、評(píng)估、反饋修改與決策，在確定的設(shè)計(jì)周期內(nèi)該工作流可不停循環(huán)，直至生成可行的設(shè)計(jì)目標(biāo)(圖4)。

圖3 智能遮陽(yáng)形態(tài)模擬設(shè)計(jì)流程組塊Fig.3 Smart shading form simulation design process block

圖4 智能遮陽(yáng)設(shè)計(jì)流程運(yùn)行Fig.4 Smart shading design process operation

2.2 機(jī)器學(xué)習(xí)下的智能遮陽(yáng)模擬設(shè)計(jì)流程

將智能遮陽(yáng)設(shè)計(jì)流程進(jìn)行參數(shù)化，雖明晰與整合了智能遮陽(yáng)形態(tài)設(shè)計(jì)上的不同子內(nèi)容，然而目前所使用的設(shè)計(jì)工具處理引擎具有一定局限性，對(duì)硬件平臺(tái)要求高，龐大的數(shù)據(jù)流模擬易造成設(shè)計(jì)效率低下，譬如采光性能模擬與優(yōu)化等耗時(shí)較長(zhǎng)，精度與時(shí)效往往很難同時(shí)滿足，特別是當(dāng)設(shè)計(jì)需要推倒重來(lái)時(shí)，重新模擬會(huì)延長(zhǎng)設(shè)計(jì)周期[12]。因此需要更高效的智能化策略，對(duì)智能遮陽(yáng)的參數(shù)化設(shè)計(jì)流程進(jìn)行升級(jí)。

本研究擬采用人工神經(jīng)網(wǎng)絡(luò)[13，14]對(duì)智能遮陽(yáng)模擬流程進(jìn)行升級(jí)，其內(nèi)容包含神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)庫(kù)學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)訓(xùn)練測(cè)試。具體操作為：將組塊中的形態(tài)設(shè)計(jì)變量進(jìn)行自變量數(shù)據(jù)編組，作為神經(jīng)網(wǎng)絡(luò)模型的輸入層，包括形式組塊的幾何形體參數(shù)和環(huán)境組塊的建筑形體參數(shù)與室外天空模型參數(shù)；而將組塊中作為采光性能結(jié)果的參數(shù)進(jìn)行因變量數(shù)據(jù)編組，作為神經(jīng)網(wǎng)絡(luò)模型的輸出層，包括分析組塊的仿真采光物理性能數(shù)據(jù)結(jié)果，從而建立神經(jīng)網(wǎng)絡(luò)映射數(shù)據(jù)庫(kù)。

3 機(jī)器學(xué)習(xí)下的智能遮陽(yáng)采光模擬流程工具整合

本研究下的動(dòng)態(tài)建筑遮陽(yáng)設(shè)計(jì)流程，旨在結(jié)合參數(shù)化設(shè)計(jì)思維進(jìn)行設(shè)計(jì)目標(biāo)的關(guān)聯(lián)、協(xié)調(diào)與管理，并以機(jī)器學(xué)習(xí)工具——人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型為工具，以避免修改設(shè)計(jì)時(shí)所造成的重復(fù)模擬，從而縮短時(shí)間。該流程的實(shí)現(xiàn)需選擇適宜的工具平臺(tái)進(jìn)行支撐，以及工具之間的兼容協(xié)調(diào)，以完成設(shè)計(jì)。因此需進(jìn)行工具的梳理與整合，并對(duì)流程實(shí)踐的可行性進(jìn)行論證。

3.1 設(shè)計(jì)流程的工具整合

完善的工具選擇，是該設(shè)計(jì)流程的操作支撐。本研究將可用的數(shù)字工具進(jìn)行整合，組成數(shù)字工具箱，包含相關(guān)可視化建模、可視化采光性能模擬軟件，以及相應(yīng)的可視化參數(shù)化腳本編輯器。流程每個(gè)組件分配有相應(yīng)的工具以進(jìn)行相關(guān)設(shè)計(jì)內(nèi)容的探索，以滿足智能遮陽(yáng)在采光目標(biāo)上的模擬與設(shè)計(jì)。工具平臺(tái)選擇Rhinoceros與Grasshopper實(shí)現(xiàn)形體可視化編輯操作與腳本命令操作，在此基礎(chǔ)上，根據(jù)本研究流程設(shè)計(jì)內(nèi)容進(jìn)行工具的完善與細(xì)化：形式組塊包含Grasshopper內(nèi)部基本的形體邏輯編輯模塊；分析與環(huán)境組塊為自然采光性能分析模擬插件DIVA內(nèi)部的分析模塊與環(huán)境信息模塊；動(dòng)力組塊為力學(xué)仿真模擬插件Kangaroo；優(yōu)化組塊為基于機(jī)器學(xué)習(xí)算法下的目標(biāo)優(yōu)化插件Opossum。該平臺(tái)的優(yōu)勢(shì)在于可以避免建模軟件與模擬軟件的文件轉(zhuǎn)換，實(shí)現(xiàn)多個(gè)目標(biāo)的同步控制。而在機(jī)器學(xué)習(xí)預(yù)測(cè)模型的建立上，選擇SPSS作為數(shù)據(jù)訓(xùn)練與預(yù)測(cè)工具。

3.2 設(shè)計(jì)流程的可行性驗(yàn)證

為證明該設(shè)計(jì)流程的可行性，本文以某智能動(dòng)態(tài)百葉遮陽(yáng)設(shè)計(jì)流程為案例實(shí)踐，結(jié)合某實(shí)際辦公空間，進(jìn)行形態(tài)設(shè)計(jì)模擬操作測(cè)試。限于篇幅，選擇室內(nèi)最佳自然采光為其設(shè)計(jì)目標(biāo)，選擇有效天然采光照度(Useful Daylight Illuminance，UDI)為智能遮陽(yáng)采光調(diào)節(jié)性能的評(píng)價(jià)標(biāo)準(zhǔn)?；A(chǔ)幾何模型為水平旋轉(zhuǎn)式百葉(圖5)，依據(jù)本文所提出的遮陽(yáng)模擬設(shè)計(jì)流程，進(jìn)行對(duì)應(yīng)設(shè)計(jì)模塊的編輯。在形式組塊上，信息參數(shù)包含百葉構(gòu)件的寬度、百葉間距、百葉光學(xué)材料系數(shù)；環(huán)境組塊包含建筑地理信息、使用的建筑長(zhǎng)寬高與進(jìn)深方向系數(shù)、墻壁地面天花板的材料反射系數(shù)、朝向、窗墻比與窗高等，選擇Preze模型作為天空仿真模型；分析組塊包含DIVA室內(nèi)工作面高度設(shè)定、工作面照度分析與眩光分析，其中采光評(píng)價(jià)指標(biāo)采用UDI100-2000lx；優(yōu)化組塊為基于機(jī)器學(xué)習(xí)優(yōu)化算法的Opossum插件，能夠進(jìn)行快速的最優(yōu)解計(jì)算，其核心架構(gòu)采用了基于代理邏輯(Surrogate-based)的徑向基函數(shù)Radial Basis Function Network神經(jīng)網(wǎng)絡(luò)，相對(duì)于傳統(tǒng)的遺傳算法，能夠更快獲取最優(yōu)解[14]，此外相關(guān)模擬固定參數(shù)設(shè)定見(jiàn)表1。

表1 模擬工具參數(shù)設(shè)定

在完成流程設(shè)定后，便可進(jìn)行設(shè)計(jì)模擬操作。研究擬設(shè)定該智能遮陽(yáng)百葉在6月21日9：00—17：00使用期間進(jìn)行逐時(shí)自動(dòng)調(diào)節(jié)，通過(guò)Opossum的優(yōu)化驅(qū)動(dòng)百葉幾何參數(shù)變化，采光軟件DIVA根據(jù)不同百葉的幾何參數(shù)，計(jì)算室內(nèi)有效自然采光平均值(UDIaverage)，最終軟件平臺(tái)可計(jì)算出滿足評(píng)價(jià)指標(biāo)下的室內(nèi)最大有效自然采光照度平均值，從而獲取逐時(shí)百葉幾何參數(shù)與采光性能的映射數(shù)據(jù)。儲(chǔ)存數(shù)據(jù)結(jié)果，建立輸入為形態(tài)設(shè)計(jì)參量、輸出為室內(nèi)自然采光性能目標(biāo)參量的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)庫(kù)，最終透過(guò)模擬獲取2 866組映射數(shù)據(jù)，由各時(shí)間點(diǎn)的百葉尺寸參量與其對(duì)應(yīng)的室內(nèi)平均有效照度映射數(shù)據(jù)組數(shù)組成。

接著，利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)工具，建立形態(tài)與性能的映射關(guān)系，研究最終采用交叉驗(yàn)證法分類，其中，2 207組數(shù)據(jù)組用于訓(xùn)練、266組用于驗(yàn)證、264組用于測(cè)試以驗(yàn)證相關(guān)性。在此之前，需確立神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，包含輸入層、輸出層與隱含層的設(shè)定。本次案例模擬中，窗孔尺寸固定，百葉位置與百葉整體的長(zhǎng)寬參數(shù)不計(jì)入輸入層，于是在輸入層的神經(jīng)元設(shè)定對(duì)應(yīng)的4項(xiàng)智能遮陽(yáng)百葉形態(tài)設(shè)計(jì)參量，其中包含百葉片寬度、百葉的個(gè)數(shù)、時(shí)間、百葉的角度；輸出層神經(jīng)元對(duì)應(yīng)的1項(xiàng)，為對(duì)應(yīng)形態(tài)下室內(nèi)有效天然采光平均照度值；隱含層為1層，包含30組神經(jīng)元，并采用SPSS下的MLP(Multilayer Perception)網(wǎng)絡(luò)進(jìn)行訓(xùn)練(圖6)。研究以有效采光照度模擬值為目標(biāo)值，計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與目標(biāo)值的相關(guān)系數(shù)，以驗(yàn)證預(yù)測(cè)精度。計(jì)算結(jié)果表明，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型下，其有效自然采光照度預(yù)測(cè)值與模擬值的相關(guān)系數(shù)為0.964，和方差(Sum of Squares Error，SSE)為0.450(圖7)，模型擬合較好，數(shù)據(jù)預(yù)測(cè)較為成功。由此可見(jiàn)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有一定精確性預(yù)測(cè)的能力。

圖6 神經(jīng)網(wǎng)絡(luò)映射結(jié)構(gòu)Fig.6 Mapping structure in neural network

圖7 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度顯示Fig.7 Fitness level in trained neural network

最終，設(shè)計(jì)者便可使用預(yù)測(cè)模型進(jìn)行智能遮陽(yáng)百葉形態(tài)選擇的同時(shí)，可迅速獲取其工作時(shí)效內(nèi)的室內(nèi)有效自然采光照度，無(wú)需重復(fù)進(jìn)行采光性能的模擬。依據(jù)同樣方法，設(shè)計(jì)者可以獲取室內(nèi)眩光評(píng)價(jià)數(shù)據(jù)等其他采光指標(biāo)，從而在形態(tài)選型工作中進(jìn)行有效的遮陽(yáng)形體使用權(quán)衡，避免重復(fù)軟件模擬。

4 總結(jié)

本文提出了機(jī)器學(xué)習(xí)工具優(yōu)化下的建筑智能遮陽(yáng)形態(tài)模擬設(shè)計(jì)流程，在既有參數(shù)化設(shè)計(jì)策略與使用工具的研究基礎(chǔ)上，進(jìn)行總結(jié)與歸納，指出既有智能遮陽(yáng)模擬研究的不足，整合了智能遮陽(yáng)模擬流程的使用工具，利用機(jī)器學(xué)習(xí)算法——神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型改良模擬流程。摒棄了階段式設(shè)計(jì)思維，使智能遮陽(yáng)設(shè)計(jì)目標(biāo)相互關(guān)聯(lián)，從而有助于降低工具與流程的運(yùn)算耗時(shí)，提升了智能遮陽(yáng)設(shè)計(jì)效率。