原创 林波荣等 CA当代建筑 2021-10-23 11:20 发表于黑龙江

1 研究背景

建筑绿色化、低碳化和智能化是世界建筑发展的新趋势。大力发展高质量、高效率、高品质的绿色建筑，通过创新其环境营造原理、设计理论和方法，实现需求侧的源头优化，提升其功能空间效率、运行节能和健康舒适效果，是落实“双碳”目标、满足百姓健康舒适需求和推进建筑业高质量发展的关键。当前我国城镇化进入了新阶段，城镇发展模式将从“量的增长以满足基本需求”转变为“质的提高以满足对美好生活的向往”。伴随着生活水平的提升，建筑环境营造所产生的能源需求和由此产生的建筑碳排放也将不可避免地持续增长，进而对我国实现2030年“碳达峰”与2060 年“碳中和”带来严峻挑战。我国碳排放要在2030 年实现“碳达峰”，然后要在比发达国家短一半以上的时间实现“碳中和”，同时不影响人居环境品质的改善和人民群众的幸福感和获得感，建筑行业未来10 年的低碳节能发展路径和科技创新至关重要[1]。

具体说，当前我国建筑行业发展科技创新要积极应对以下转变：

（1）从“房子为本”向“以人为本”转变，从以房屋为主体的评价表述转变为使用者角度的评价表述，这意味着绿色建筑更加注重提升建筑品质和使用者获得感。

（2）从“技术主导”向“更注重建筑师的设计主导”转变，“四节一环保”体系下更强调绿色技术的应用，而新体系则更加强调创造建筑的先天绿色基因。

（3）从“措施导向”向“性能效果导向”转变，措施是否有用还是要用数据说话，取消设计标识意味着只有真正有性能优化的建筑才能获得标识，才是国家鼓励发展的建筑。

这些转变同样为多专业技术创新协同提出了新要求：在绿色建筑创新设计过程中，各专业要有共同的语境和统一的目标，才可能实现同一理念下的技术创新。

为了高效实现建筑的深度节能，并提升用户健康舒适性能，本文瞄准建筑设计方法创新需求，力图突破传统建筑设计与环境营造策略分离的问题，打破先设计、后性能优化的流程，同时也跳出简单比较建筑围护结构的保温隔热对负荷的降低率，以及分离围护结构和供暖空调环境控制末端对人的健康舒适和节能的影响的工程设计学套路，而是从人的行为模式和室内活动需求出发，围绕“部分空间、部分时间”环境营造理念和火积耗散最小化的热湿环境性能优化角度，开展基于“部分空间、部分时间”理念下的性能驱动的公共建筑形体自动生成设计策略和智能优化方法研究，实现“空间—技术—形态”三位一体，环境调控、智能设计与技术场景的交互融合创新路径，并进行工程实践。以下将基于国际研究最新综述，介绍我们团队开展的一些案例研究和工程实践工作。
2 文献综述

方案初期是建筑环境营造系统性能优化设计的重要阶段，其中快速定量的性能评价能够为设计和迭代及时提供反馈，是落实环境营造理念和方法、实现高能效建筑的重要保障。然而，传统基于机理的性能模拟计算存在建模和参数设定耗时耗力、计算量大、速度慢等问题，难以满足方案初期的需求。本文汇总了国内外相关研究，如表1所示。

可以看出，国内外学者开展了基于统计模型和机器学习算法的代理模型研究，具有参数少、速度快的优势，提高设计参数优化效率。A.U.Weerasuriya等[2]建立了人工神经网络（ANN）代理模型，结合遗传算法（GA），优化架空层设计参数，提高行人风环境和热环境舒适度。YoungJin Kim等[3]基于高斯过程（GP）建立EnergyPlus的代理模型，用于能耗和热舒适（PMV）的多目标优化。陈熙等[4-5]应用支持向量机（SVM）算法建立代理模型，用于多气候区被动式设计优化。但是，目前代理模型多针对特定问题建立，不具有通用性，且局部参数优化的性能提升有限，因此需要研究更大范围的形体生成和优化，以及形体通用性更强的代理模型。

局部的参数优化对性能提升仍有局限性，生成式设计结合性能评价代理模型能探索更大范围解空间的节能潜力。代表性的传统生形设计方法包括多智能体系统、元胞自动机、形式语法等[6-8]。随着计算机辅助设计的深入，设计师基于特定逻辑和规则生成满足条件的方案集合，并通过性能评价筛选方案。The Living工作室[9]提出基于分割逻辑的平面生成方法，结合视野、视线干扰、采光、动线等，通过多目标优化生成方案并分析性能。鲍帆等[10] 将形体生成过程描述为满足约束条件的随机优化问题，可视化设计空间并探索相似形体。Darcy Chia等[11]用树结构描述平面布局，通过多目标优化生成平面。目前生形设计关于平面布局的研究较多，而对建筑冷热负荷影响更大的形体生成研究较少，因此需要加强生成式设计过程中建筑性能的考量，研究性能化形体生成方法。

近年来，人工智能技术快速发展，AI 算法越来越多地被应用于建筑生成设计中。Paul Merrell等[12] 应用贝叶斯网络（BN）学习住宅泡泡图，并生成立体模型。余光鑫[13] 提出基于强化学习的地下车库生成式设计。Stanislas Chaillou[14]提出ArchiGAN，应用条件生成对抗网络（cGAN）生成平面布局和家具摆放。国内学者[15-18]将cGAN应用于生成居住区强排方案、学习给定轮廓的养老院空间组织、生成住宅户型平面图等。但是，以GAN为代表的深度学习方法主要针对图像，生成结果为图像格式而不是设计模型，因此应用深度学习进行生成设计需要进一步转换为可评价模型。

3 性能目标驱动下的公共建筑空间形态智能设计方法

传统的建筑设计往往遵循业主、建筑师、结构工程师、设备工程师各司其职的流水线工作模式，负责运行能耗主体的设备工程师承担了节能的主要责任。然而，绿色化的发展需要多专业技术协同创新，这其中也为建筑师提出了更高要求，建筑专业人员需要强化“空间节能优先”原则及要求，优化体型、空间平面布局。与之对应的，设备专业人员也需要跟上思维，找准语境，方案阶段及时介入，快速反应，精确设计。

为此，本团队创建了以性能提升为导向的绿色公共建筑设计优化关键技术[19-21]，提出了方案阶段建筑供暖空调和照明能耗快速预测新模型，建立了以环境和能耗性能提升为导向的正反向优化设计方法和“即绘即模拟”新技术，提出建筑绿色性能模拟计算标准化方法。在建筑模型生成方面，针对平面图数据提取耗时易错的问题，提出一种基于空间的建筑户型平面图自动识别算法，综合利用光学字符识别（OCR）和区域生长算法等技术，实现了平面图几何、拓扑和语义信息的自动提取，并在此基础上，采用提取出的各功能房间数量和面积，训练贝叶斯网络，用于建筑策划阶段高性能建筑参数的智能优化。

在设计优化中，建筑能耗是由能耗强度、空间和时间共同决定的，传统设备专业导向的节能往往是通过提高热工设计标准和设备系统能效，实现能耗强度的降低，而在“空间节能”的语境下，合理控制建筑空调供暖的规模、区域和时间，在保证舒适度的前提下，合理设置少用能、不用能的空间，实现 “小空间保证、大空间过渡”的理念，能够在增量成本更低的条件下，实现相同，甚至更好的节能效果（图1）。

4 案例分析东莞生态园办公楼是分区控温的典型案例。方案采用了自然通风优先的原则，对中庭不进行控温处理，使空调使用时间缩短40 天左右。仅此一项技术，就降低了空调耗电量约15%，折合223 000kWh/a。该项目荣获2017 Construction21国际“绿色解决方案奖”第2名、全国绿色建筑创新奖一等奖、三星级绿色建筑运行标识项目等标识或奖项，实测年能耗50kWh/㎡，节能55%，用户满意度高于85%（图2～图4）。类似的模拟优化工作也应用于在中国建筑设计研究院新办公楼（图5）和亚投行总部大楼方案设计中（图6）。

顺义花博园是利用大空间过渡的典型案例。基于主场馆建筑伞形剖面，设计了有可开启外窗的屋顶，强化中庭区域的自然通风，确保在自然通风条件下人员活动区域温升小于3 ℃。中庭空间需要综合供暖、空调和照明三方面节能要求，以三者总能耗最低为目标，模拟得到最优的屋顶天窗面积大小。通过权衡计算，中庭天窗采用PTFE膜及部分可调节外遮阳，优化的透光面积为16%。一方面解决了展馆大进深内区的天然采光效果问题，另一方面实现了照明和空调、采暖总能耗最小的效果。经计算，白天主展馆内区65%的时间不需要人工照明，每年可节约照明电耗15 kWh/㎡，可节约运行费约150万元（图7）。

中信大厦（中国尊）是改善长进深超高层建筑天然采光的典型案例。针对不同遮阳方案的照明能耗进行模拟分析，在幕墙可见光透过率为0.36时，增加外挑为400 mm的反光板，不仅可以改善办公内区的天然采光满足率，而且也可降低19%的全年照明能耗。该项目获得了国家绿色三星设计标识和国际LEED-CS金级预认证。

北京四中是解决全空间天然采光的典型案例。该项目不仅解决了地上的教室、办公空间的天然采光问题，还兼顾了半地下空间、地下空间，如风雨操场、餐厅、地下车库等区域的天然采光，降低了人工照明能耗。通过分析，教室、办公室的采光满足率达到了93%，地下空间中风雨操场、餐厅的采光满足率可以达到73%，最不利的地下车库采光满足也达到了11%。该项目获得了2019年亚洲建筑师协会建筑奖提名、2016 年中国建筑创作奖金奖、2015 年美国建筑师协会纽约分会年度优秀设计奖、三星级绿色建筑设计标识项目等奖项。

5 性能导向的公共建筑空间形态设计优化软件开发通过空间设计等方式进行优化显然是有极限的，建筑师在有限的工作强度内实现的是满足设计任务要求的方案，而这个设计任务，也正是建筑领域常说的设计任务书，其往往是由业主，或说甲方来决定的。
在确定设计任务书的方案初期，更改决策的成本是最低的，我们也着眼于这一特点，开发了方案初期智能辅助设计优化工具——MOOSAS，通过反向优化，实现了方案快速生成模拟，为业主制定任务书和建筑师设计过程中实现“即绘即模拟”提供了技术支持。

6 总结与展望新时期“双碳”和“以人为本”等目标的提出，为工程导向的建筑技术创新协同提出了新要求。本文瞄准建筑设计方法创新需求，希望通过工程技术原理和方法创新，突破传统空间设计、美学设计与建筑环境营造策略分离的问题，强化从设计源头开展性能优化，突破传统先设计、后优化的流程，试图尝试工程技艺与创作方法的创新。文中所涉及的一些工程案例，是基于上述思想的探索和工程实践。未来还需要坚持以方案阶段应用场景需求和问题导向，在强化多专业技术创新协同理念、语境和目标基础上，进一步优化提升性能分析方法，完善关键算法，拓展建筑性能优化尺度，提升城市大型和中型尺度时空高分辨率的性能模拟优化方法，促进实践应用。■

参考文献

[1] 清华大学建筑节能研究中心．中国建筑节能年度发展研究报告2021[M]．北京：中国建筑工业出版社，2021．

[2] WEERASURIYA A, ZHANG X, BIN L, et al. Optimizing lift-up design to maximize pedestrian wind and thermal comfort in 'hot-calm' and 'cold-windy' climates[J]. Sustainable Cities and Society, 2020(58):102146.

[3] KIM Y J, PARK C S. Multi-criterion stochastic optimal selection of a double glazing system[J]. Building Simulation, 2017, 10(1): 1-9.

[4] CHEN X, YANG H, et al. Integrated energy performance optimization of a passively designed highrise residential building in different climatic zones of China[J]. Applied Eebergy, 2018, 215(1): 145-158.

[5] CHEN X, YANG H . A multi-stage optimization of passively designed high-rise residential buildings in multiple building operation scenarios[J]. Applied Energy, 2017, 206(15): 541-557.

[6] LIBIA O. A generic house design system based on multi-agents: expertise of generating architectural plan[J]. CAADRIA 2007-Proceedings of the 13th International Conference on Computer Aided Architectural Design Research in Asia: Digitization and Globalization, 2008(4): 335-342.

[7] DINO I G. An evolutionary approach for 3D architectural  space layout design exploration[J]. Automation in Construction, 2016(5): 131-150.

[8] CHIOU S C, KRISHNAMURTI R. The grammar of taiwanese traditional vernacular dwellings[J]. Environment & Planning B Planning & Design, 1995, 22(6): 689-720.

[9] NAGY D , VILAGGYI L , BENJAMIN D. Beyond heuristics: a novel design space model for generative space planning in architecture[C]//ACADIA 2017. Proceedings of the 37th AnnualConference of the Association for Computer Aided Design in Architecture. London: Cambridge, 2017.

[10] BAO F, YAN D M, MITRA N J, et al. Generating and exploring good building layouts[J]. ACM Transactions on Graphics, 2013, 32(4): 122.

[11] CHIA D, WHILE L. Automated design of architectural layouts using a multi-objective evolutionary algorithm[J]. Lecture Notes in Computer Science, 2014(10): 760-772.

[12] MERRELL P, SCHKUFZA E, KOLTUN V. Computergenerated residential building layouts[J]. ACM Transactions on Graphics (TOG), 2010, 29(6): 1-12.

[13] 余光鑫．基于强化学习的地下车库生成式设计研究[D]．广州：华南理工大学，2020．

[14] CHAILLOU S. ArchiGAN: artificial intelligence x architecture[M]. Singapore: Springer, 2020.

[15] 孙澄，丛欣宇，韩昀松．基于CGAN 的居住区强排方案生成设计方法[ J ]．哈尔滨工业大学学报，2021，53（2）：111-121．

[16] 崔哲，郭昱，石本晃之．基于cGANs的AI辅助养老院建筑设计研究[J]．住宅科技，2020，484（11）：35-38．

[17] HUANG W X, ZHENG H. Architectural drawings recognition and generation through machine learning[C]//CAADRIA. The 23rd International Conference on Computer-Aided Architectural Design Research in Asia. Mexico: Mexico City, 2018.

[18] 杨柳．基于深度学习的青年公寓户型自动生成研究[D]．广州：华南理工大学，2019.

[19] LIN B, CHEN H, LIU Y, et al. A preference-based multi-objective building performance optimization method for early design stage[J]. Building Simulation, 2020(14): 477–494.

[20] 林波荣，李紫微．面向设计初期的建筑节能优化方法[J]．科学通报，2016，61（1）：113-121．

[21] 林波荣，李紫微．气候适应型绿色公共建筑环境性能优化设计策略研究[J]．南方建筑，2013（3）：17-21．

图片来源

图1～图7 ：作者绘制

作者简介

林波荣

清华大学建筑学院教授，博士生导师

贺秋时

清华大学建筑学院博士研究生

张德银

生态规划与绿色建筑教育部重点实验室，清华大学助理研究员