基于機器學習的既有住宅改造輔助診斷智能模型構建

摘要：我國既有住宅存量巨大，近些年來，既有住宅改造的研究與實踐不斷深入。已有的研究經驗表明，住宅改造是一個體系化的完整流程，其中診斷評估是改造取得成功的基礎和關鍵。針對數量龐大的存量住宅進行調查與診斷，信息化與智能化技術為其效率的提高帶來了新的機遇和挑戰。梳理既有住宅診斷評估的階段與內涵，提出精細化診斷評估的流程與方法，基于機器學習技術構建既有住宅改造輔助診斷的智能評估模型，實現將主觀經驗轉換為可量化的客觀評估預測，從而探討智能化技術輔助既有住宅改造診斷提高客觀性和效率的可能性。

關鍵詞：既有住宅改造，輔助診斷，智能評估，機器學習

Abstract： The existing housing stock is huge in China. In recent years， the research and practice of existing housing renovation have been deepening. The research experience shows that housing renovation is a systematic process， in which diagnostic evaluation is the key to the success of project. To investigate and diagnose a large number of housing stock， information and intelligent technology brings new opportunities and challenges for the improvement of its efficiency. This paper sorts out the stages and connotations of diagnosis and evaluation of existing housing， proposes the process and method of refined diagnosis and evaluation， builds an intelligent assessment model of assisted diagnosis of existing housing renovation based on machine learning technology， and realizes the conversion of subjective experience into quantifiable objective assessment and prediction， so as to explore the possibility of improving objectivity and efficiency of assisted diagnosis of existing housing renovation by intelligent technology.

Keywords： renovation of existing housing; assisted diagnosis; intelligence evaluation; machine learning

我國存量住宅規模巨大。據統計[1]，2020年我國既有建筑總量超過600億平方米，其中一半以上是住宅。針對大量既有住宅品質低下問題，近年來國家多措并舉大力推進老舊小區改造工作，相關研究與實踐不斷深入。已有的研究經驗表明，既有住宅系統改造的完整流程包括：前期調查、診斷評估、到方案決策、實施、以及后期跟進[2]。其中，診斷評估是改造是否可以取得成功的基礎和關鍵[3， 4]。針對數量龐大的存量住宅進行調查與診斷，既要提高精細化與客觀性，又要提高效率[5]，信息化與智能化技術為其帶來新的機遇和挑戰。

1" 既有住宅改造與診斷評估的演進

1.1" 我國既有住宅改造活動概述

針對量大面廣、品質低下的老舊住區，我國自“十一五”規劃以來，開展了一系列既有住宅改造工作。北方地區以北京、哈爾濱等城市為主要代表，大規模地進行了既有住宅保溫改造以及綜合整治、綠色化改造、宜居改造等，廣泛探索了既有住宅節能（圖1）、加固、加面積等改造技術。近些年，在上海、廣州、成都等地開展“社區微更新”，推廣社區規劃師制度，培養專業團隊，建立扎根于地方的長效工作機制[6]。與此同時，探索加裝電梯（圖2）、社區養老配套設施等適老化改造研究與實踐，以及探索內裝工業化技術（圖3）、公眾參與等多元化模式的改造實踐也在不斷進行。我國既有住宅改造工作在政策、標準、技術等方面積累了豐富的成果和經驗。

1.2 既有住宅診斷評估的演進

總體上，我國過去對于既有住宅改造主要以政策倡導為主，改造內容和措施取決于政策標準，改造中缺乏前期診斷評估過程，或者診斷評估主要是粗略的觀察和簡易的判斷。回顧我國既有住宅改造歷程，其診斷評估的方式經歷了從無到有，從有到不斷優化的過程。本文通過前期調查研究，根據其方式方法的不同角度，將以往既有住宅診斷評估的演進分為三個階段 ，分別為診斷評估初期階段、診斷評估1.0階段、診斷評估2.0階段，以及探討智能化時代趨勢下，對既有住宅改造診斷評估提出更高需求的3.0階段（圖4）。

在早期既有住宅的改造實踐中，改造活動主要是居民自發的戶內改造，缺乏專業人士的評估和判斷，改造缺乏對于整體樓棟的考慮，有些改造（例如廚房改到陽臺）存在安全隱患。隨著政府主導的大規模既有住宅改造的進行，改造對象以住宅公共部分為主，改造內容包含住宅外立面加保溫修繕、住區環境改善等，此時住宅改造的診斷評估方式主要以定性為主，由設計人員進行簡易的現場勘察和測繪。本研究將這一時期的診斷評估界定為1.0階段，主要應對大規模的改造模式，診斷過程和結果相對粗放。隨著住宅改造實踐的不斷深入，對于診斷評估的需求也更高，住宅改造開始更多的關注建筑性能提升、環境舒適度等指標，診斷評估也由簡易的定性轉變為定性和定量結合的方式，演變為診斷評估2.0階段。通過定性和定量結合，可以客觀的為改造方案的選取提供參照，但是定量診斷需要較長時間的數據采集和性能模擬，這一階段的研究尚且針對個例，缺乏轉換為同類型住宅可參照的要點和規則[7]。

智能化技術的快速發展為既有住宅改造的研究與實踐提供了新思路。本研究提出了基于精細化流程和智能化輔助的診斷評估3.0階段，一方面，診斷評估2.0階段的定性和定量方法提供了住宅診斷評估的基礎判斷依據，另一方面，在智能化和信息化技術的支持下，形成針對同類型住宅診斷評估的數據庫，轉換為可拓展的診斷評估要點和規則，從而提高大規模住宅診斷的效率和精度。

2" 既有住宅診斷評估的流程

與新建建筑相比，既有建筑改造大多是為了解決某種問題而展開，其面臨的對象和目標都更為復雜。在既有建筑改造的流程中，通過系統的實態調查掌握建筑和環境的客觀狀態，進行科學合理的調研策劃與診斷評估尤為重要[8， 9] （圖5） 。

2.1" 基礎調研與信息整合

我國在2000年之前建造的住宅，經過二、三十余年的時間，設計圖紙和建設資料嚴重缺失，住宅在使用過程中是否經過改建、維護等信息也難以查找，缺乏系統的信息搜集與整合[10]。本研究以深圳市既有住宅為例，展開了系統調研與梳理。通過對夏熱冬暖地區住宅設計標準的梳理，厘清不同時期所建住宅在建筑設計、節能、結構等方面的演變，掌握既有住宅建設與標準規范的背景；通過對主要設計單位等進行調研，最大程度上采集既有住宅設計和建造圖紙，對住宅基礎類型進行統計分析；通過訪問物業管理協會、大型物業管理公司、房產部門等多方進行數據收集、典型既有住宅改造實例、居民走訪等，查找住宅維護修繕等履歷資料；以及通過對典型類型的既有住宅進行現場實地調研與實測調研，詳細記錄既有住宅各部位劣化現狀。

2000年以前建造的既有住宅，以多層磚混結構為主要類型。通過調研統計，其中梯間式板式為主要樓棟形式。因此，選取1996年建造的某一梯兩戶、七層的板式住宅為典型案例。采用紅外激光檢測、無人機傾斜攝影、三維激光掃描儀等新型技術，采集既有住宅外立面現狀數據，生成實景建模以及外墻熱圖譜、溫度分布圖等劣化情況。利用BIM技術整合多源數據，形成包含既有住宅原始設計信息、 現狀信息、 維修履歷信息等各階段的數據模型（圖6）。

2.2" 診斷與評估

既有住宅改造的診斷評估需在充分的實態調查基礎上，依照客觀事實，對建筑和環境做出客觀分析和評估，診斷和評估的內容根據對象和改造目標的不同會有所差異。本研究中，主要針對老舊住宅的老化現象和狀態，結合前期信息采集與整合，利用定性、定量結合的方法，通過初期診斷篩選老舊住宅改造的關鍵要素。從住宅“部位-病癥”的關聯入手，建立關鍵要素和診斷要點相關聯的方法，從而提取出評估指標，為構建智能模型中的指標篩選做準備。

以既有住宅的外圍護體系為例，通過調研顯示，其主要的改造集中在外墻、外窗、屋頂、遮陽、陽臺等幾個部位，主要的病理現象有外表面裂縫、表皮脫落、發霉等劣化現象嚴重，保溫隔熱性能降低、滲漏等。通過對照各部位性能，總結出各部位的診斷要點，例如影響墻體性能的關鍵要素是墻體厚度、材料，影響遮陽構件性能的關鍵要素是遮陽形式、已有構件的劣化程度、遮陽構件的尺寸等。

3" 智能評估模型構建——以既有住宅外圍護體系為例

智能評估開發的過程是一個系統性、科學性的流程，旨在將主觀經驗轉變為可量化的客觀評估規則，實現提高對既有住宅評估準確度的同時大幅提高評估的效率。本研究中，通過前期的調研和數據整合建立了基礎數據庫，在此基礎上，以對既有住宅外圍護體系的診斷與評估為例，進行智能模型的構建探索（圖7）。在對深圳市既有住宅調研的基礎上，選取了較為典型的多層老舊住宅為例，以單棟住宅為智能評估對象，評估流程包含從診斷結果輸入到智能評估等級和設計決策參考的輸出。研究以既有住宅的外圍護體系評估為例，具體對象包含外墻墻體、外窗、陽臺、遮陽構件，不包含屋頂，另外不涉及結構安全。

該框架主要分為三個關鍵部分：輸入端、機器端和輸出端。在輸入端，智能評估系統接收既有住宅的多層級檢索信息，包括建設年代、結構體系、立面系統、設備系統、內裝系統和公共空間等。這一階段的關鍵是確保獲取準確、全面的既有住宅基本特征，為后續機器端評估提供可靠的數據支持。機器端作為智能評估的核心，應用機器學習技術訓練學校專家經驗，如老化劣化分級規則、改造策略劃分標準、改造手法、改造優先次序、規范標準等。輸出端主要輸出既有住宅的各層級的評估等級，系統會根據評估等級對各層級進行改造優先次序的排序，為改造設計決策提供參考。

模型開發的過程主要包含評估指標提取、指標等級確立、機器學習算法與模型開發、驗證與修正四個步驟。

3.1" 評估指標的提取

模型開發首先需要篩選評估指標，這一步驟通過綜合性能指標、規范標準、專家經驗以及現有研究成果等多個方面的信息，確保評估規則的科學性和全面性。以深圳市較為典型的多層老舊住宅為例，對其外墻和附屬構件進行評估指標的選取。在前期研究的基礎上，總結影響外立面品質提升主要有性能和形象兩個維度，基于上述兩個維度，選取了改造強度、使用壽命、熱工性能三個客觀指標及破損程度、美觀度兩個主觀指標，得出七個診斷要點及其病理癥狀，形成七個評估標簽（圖8），包含二十一個子標簽。

3.2 指標等級的確立

既有住宅的劣化程度與再生方法和策略的選擇有較大的關聯，因此在評估過程中對評估指標等級進行劃分，指標等級的劃分也是對智能評估規則的制定，建立機器學習的數據基礎。本研究中的評估規則是通過人工評分對不同情況的老舊住宅各部位劣化程度進行評分，參照國內外多種診斷評估體系和方法，如歐洲EPIQR方法、日本住宅再生手冊[11]、國內規范標準等，根據改造強度、熱工性能、使用壽命、咨詢專家評估過程中的經驗等，匯總出初步的評估規則（表1）。對上一階段形成的二十一個子標簽分別進行等級劃分。由于難以一次性制定出統一的規則指導所有情況下的評估，因此需要對照人工評估和智能模型預測評估結果，針對誤差數據進行規則的補充或修正。

3.3" 機器學習算法與模型開發

既有住宅關鍵要素信息的表達形式一般為文本和圖像，針對文本信息和圖像信息，有不同的機器學習算法處理。如圖像分類可以選擇卷積神經網絡算法（CNN）、決策樹和隨機森林算法等，而對于本文中的文字描述分類可以選擇深度神經網絡算法（DNN）、K最近鄰算法（KNN）等。

（1）數據制作：本次實驗選取7個診斷要點作為7個評估標簽，這些評估標簽又被細分成21個子標簽（表2），任意選取7個評估標簽的某子標簽進行組合，共組合成1728種標簽組合。每種標簽組合代表既有住宅外立面劣化的一種情況，即1728種標簽組合基本涵蓋既有住宅外立面劣化情況。對1728種標簽由三位參與者嚴格按照評估規則進行等級評估，刪除部分情況相近的數據，最終對1428種標簽組合進行了人工評估，再通過隨機抽取部分數據進行校準。這個基礎數據集為模型構建提供了前期的學習材料。

（2）模型訓練和優化：在算法開發中，已設定自動讀取數據程序，算法模型可以自動讀取計算機中相應文件夾的數據表格。另外，算法模型讀取數據集之后，會將數據集劃分為訓練集和測試集，劃分比例可以隨意調整。本次實驗將數據集按照8：2的比例劃分為訓練集和測試集。這樣的劃分有助于在模型訓練過程中進行驗證，確保模型具有較好的泛化性能，而不僅僅是對訓練數據的過度擬合。數據集導入算法模型后，計算機會自動對文本數據進行標簽編碼，并且根據提供的數據集進行訓練。智能評估模型通過多次訓練迭代學習數據之間的數學關系。通過以上訓練步驟，智能評估模型在經過人工校準以及對大量數據的學習和迭代過程中，得以形成。

本次實驗利用K近鄰算法KNN和深度神經網絡算法DNN，評估準確率高達88.8%和94%。本次實驗是該項研究在定性和定量診斷評估基礎上所做的嘗試，研究還有待進一步進行原理和模型優化。

3.4 驗證與修正

評估規則的制定涉及多維度信息的整合，難以一次制定出統一的規則指導所有情況的評估，因此需要進行多重檢驗和完善，針對誤差數據進行規則的補充或修正，從而提高評估規則的合理性。通過使用SPSS等工具對這些擴充后的數據集進行相關性分析，有助于厘清各個因素之間的關系，識別各關鍵要素對評估等級的影響權重，反向解析過程進一步提高了評估的科學性[12]，使得評估結果更具可信度。最終，通過循環迭代過程，這些權重值反饋到評估規則中，實現規則的不斷更新和完善，逐漸將評估規則由主觀經驗演變為可以量化的客觀規則，提高針對大量老舊住宅診斷與評估的客觀性和效率。

4" 小結

目前，建筑行業正全面迎來4.0 時代，即以智能技術為核心的現代信息技術與以工業化為主導的先進建造技術深度融合的智能建造時代，技術的迭代引發了時代性變革 [13]，人工智能技術以人機協同方式賦能于建筑設計諸多方面，顯著提升了建筑性能評價與設計優化效率。當前建筑領域探索人工智能技術主要集中于新建建筑設計生成和尋優，面對大量存量建筑改造任務，雖然提供了新的視角和思路，但由于存量建筑在信息獲取方面較難、數據格式不統一等問題，為研究帶來了一定的難度。

本研究在此背景下，以深圳市典型既有住宅為例進行改造輔助診斷智能模型的構建研究，尚處于初期研究階段，還有待進一步展開廣泛調研，豐富和完善模型數據庫資源，進行原理和模型優化。在本研究的基礎上，整合診斷評估、改造方法、技術策略，開發出針對既有住宅數據-診斷-設計-技術協同的流程體系，以期實現智能化住宅改造診斷與改造設計生成輔助模型。

注釋：

本文圖片、圖表均為作者拍攝和繪制。

參考文獻：

[1]中國建筑科學研究院報告.2021.

[2]范悅，李翥彬，張瓊.既有住宅維護性再生的科學體系與知識庫系統建構[J].時代建筑，2020（01）：6-9..

[3]Thuvander L， Femenías P， Mj?rnell K， et al. Unveiling the process of sustainable renovation[J]. Sustainability. 2012， 4（6）： 1188-1213.

[4]Naaranoja M， Uden L. Major problems in renovation projects in Finland[J]. Building and Environment. 2007， 42（2）： 852-859.

[5]黃茜，曲大剛，孫澄，等.基于深度學習的自然采光辦公空間視覺舒適度預測模型建構[J].建筑學報，2023（10）：50-54.

[6]范悅，李翥彬，董麗. 我國既有住區建筑品質內涵與更新模式[J]. 新建筑. 2018（2）： 46-49.

[7]梁思思，涂文穎. 城市更新決策導向的設計輔助平臺構建[J]. 世界建筑. 2022（11）： 66-67.

[8]范悅 張瓊等人，建筑再生導論[M]，北京：建筑工業出版社，2023.

[9]莊惟敏，苗志堅，郭凇，等. 前策劃后評估智能化技術的前沿趨勢研究[J]. 中國科學：技術科學. 2023， 53（05）： 704-712.

[10]索健，周倩，范悅. 對我國城市住宅品質提升實踐及存在問題的思考[J]. 西部人居環境學刊. 2018， 33（05）： 1-5.

[11]松村秀一. 建筑再生學：理論·方法·實踐[M]. 北京： 中國建筑工業出版社， 2019.

[12]雷亞國，賈峰，周昕，等. 基于深度學習理論的機械裝備大數據健康監測方法[J]. 機械工程學報. 2015， 51（21）： 49-56.

[13]馬智亮. 解讀《中國建筑業信息化發展報告（2023）——智能建造深度應用與發展》[J]. 中國建設信息化. 2023（24）： 10-12.

國家自然科學基金（52178020/52008251）， 亞熱帶建筑與城市科學全國重點實驗室，深圳市新引進高端人才科研啟動項目資助。