本文是一篇建筑论文，本文提出了一种实现建筑性能导向的建筑光电界面优化设计自动化框架，其研究成果通过采用ANN模型替代建筑仿真模型进行数据驱动的建筑优化设计的方法极大提高了计算效率，拓展了数据驱动的建筑优化设计方法在建筑设计实践中的应用面。
第1章 绪论
1.1 研究背景及意义
1.1.1 研究背景
（1）社会背景
据国际能源署（International Energy Agency，IEA）估算，截止至2040年，全球总能耗需求逐年上涨1%[1]；2018年，我国建筑全寿命周期能耗与建筑运行阶段能耗分别占社会总能耗的46.5%与21.7%，全寿命周期碳排放与建筑运行阶段碳排放分别占社会碳排放总量51.2%与21.9%[2]；2021年，我国提出“双碳目标”，即2030年实现“碳达峰”，2060年实现“碳中和”[3]。实现建筑业节能减排早已成为全球关注的重点议题：我国以1980年标准建筑能耗为基准指定建筑节能指标，迄今已实现节能率从30%，50%到65%的跨越式发展[4]；2019年，我国首次以推荐性国家标准的形式对超低能耗、近零能耗、零能耗建筑进行明确的概念界定[5]；2022年，住房和城乡建设部发文提出推进新建建筑太阳能光伏一体化设计，预期2025年全国新增建筑太阳能光伏装机容量0.5亿千瓦以上[6]，明确要求“新建建筑应安装光伏系统”[7]。国外则在低能耗建筑（Low-energy building）的基础上进一步对净零能耗建筑（Net zero energy building, NZEB）[8,9]、净正能耗建筑（Net plus energy building, NPEB）[10]等进行了详细的概念界定与研究。尽管国内外规划的建筑节能化发展路径并不相同，但未来新建建筑安装可再生能源系统、提高可再生能源使用率已是广泛共识。此外，为回应大众对室内物理环境品质日益提高的需求，驱动人工照明设备、暖通空调系统等耗能终端维持室内环境舒适度必将增加建筑运行阶段的能源消耗与全寿命周期成本[11]。不同建筑性能目标之间存在博弈关系[12,13]，建筑师须在若干可行方案之间做出决策以平衡非同质目标之间的矛盾。
......................
1.2 研究目标
本项研究旨在将高度图形化的建筑方案转译为数据矩阵，使用优化工具进行建筑性能导向的高效优化设计、对设计参量进行定量分析以及对数据处理结果的可视化表达，优化建筑方案以提升建筑性能。基于以上研究目的，本项研究可细分为以下两项研究目标：
开发建筑性能多目标优化设计平台。基于Grasshopper与Python开发的工作平台能辅助无编程基础的使用者独立完成建筑方案优化设计，避免大量数据在不同软件之间传输时发生潜在的数据损失，在预期能耗与成本开销受限的前提下达成更优的建筑性能。
实现基于机器学习模型的建筑性能化设计。使用机器学习模型替代常规的建筑仿真模型进行建筑性能计算以期突破传统的建筑优化设计在设计实践中耗时过长的掣肘，并将其与多目标决策、敏感性分析等客观的数据分析方法耦合，构建循证的、可量化的建筑性能化设计方法框架。
........................
第2章 建筑光电界面优化设计相关概念及理论
2.1 相关概念界定
2.1.1 建筑性能
《GBT 51350-2019 近零能耗建筑技术标准》将建筑性能定义为“建筑室内环境参数与能效指标”[5]；韩昀松拓展了建筑性能的定义，认为建筑性能是指“建筑设计方案对于预期设计目标的达成程度”，其类型可划分为功能型、社会型、经济型三类[84]；类似地，Rosso等在研究中指出建筑性能分为能耗型指标、经济型指标与环境型指标三类[23]。建筑性能具有丰富的内涵，衡量了建筑对人、社会、环境的影响程度。然而，不同维度的建筑性能之间存在博弈关系，例如：适当增加窗墙比可以有效改善室内光环境，相应地会增加外窗面积进而增加建材成本，但选用高性能外窗又可能会降低可见光透过率导致室内采光系数降低。建立对建筑性能的理性认识并非希冀在实践中建造各项建筑性能指标皆极优的“乌托邦建筑”，而是通过可量化的指标体系将感性的建筑设计与理性的数据计算分析方法结合起来，实现由数据驱动的建筑优化设计。
2.1.2 建筑光电界面
建筑光电界面是划分建筑室内环境与外部大气环境、由建筑外围护结构与实现光电能量转换的光伏组件复合组成的界面实体，兼具建筑与光电二重属性。建筑属性：建筑界面是建筑空间的边界要素。在具象意义上，建筑界面是基本的外围护结构组件，极大影响着大众对建筑的视觉感知；在抽象意义上，建筑界面是环境与文脉的延伸，是关联室内外空间体验的造物。光电属性：光电界面继承了光伏组件（特别是光伏电池板）的基本特性，光电界面可以将太阳能转换为电能以供建筑使用或进行并网发电。
............................
2.2 建筑优化设计内涵
建筑优化设计通常被视为是求解建筑优化问题（Building Optimization Problems, BOPs）的过程，是典型的计算机辅助建筑设计（Computer-Aided Architectural Design, CAAD）方法。区别于建筑生成设计，建筑优化设计并不是基于某种生成逻辑建构建筑的基本形态或是空间布局，而是在建筑基本形态确定后，以可量化的适应度函数为导向，在相关设计参量的有限区间中确定最优方案。然而，求解建筑优化问题往往需要进行数百次乃至数千次参数化模拟计算，且不断增多的优化参量的数量将大大增加建筑优化问题的复杂性，这使得建筑优化设计难以无限制地增加设计参量的数量与建筑性能的维度。建筑光电界面优化设计与建筑优化设计具有相同的内涵，区别在于前者限定了待优化的设计参量的范围，因此分析建筑优化设计的工作流与目标导向有利于更全面地理解建筑光电界面优化设计。
2.2.1 工作流
建筑优化设计是数据驱动的建筑设计方法，需要采样足够多的数据才能构建高性能且可信的建筑优化设计模型。不同维度的建筑性能之间往往存在竞争关系，且建筑设计参量对建筑性能的不确定性影响可能是独立作用也可能是多个参量之间协同作用，加之建筑优化问题固有的非线性、多模态性、高维性，使得建筑师难以准确理解、分析、处理建筑优化问题，因此需要建筑师转变原有的思维方式，借鉴其他学科的研究方法，从学科交叉的角度审视建筑优化设计的概念及理论。从系统科学的角度来看，复杂适应性系统（Complex Adaptive System, CAS）[85]与建筑优化设计在数量级、交互性、动态性高度相关，如表2.1所示，二者的相似性意味着可以将适用于复杂系统的分析方法应用于建筑优化设计中。
建筑论文怎么写
...........................
第3章 建筑光电界面优化设计模型研究 ..................... 25
3.1 模型简介 ...................................... 25
3.1.1 基于物理的模型简介 ............................ 25
3.1.2 数据驱动的模型简介 ............................... 26
第4章 建筑光电界面优化设计及决策工作框架 ...................... 41
4.1 ANN模型训练 ............................... 41
4.2 多目标优化 ............................. 41
4.3 多目标决策 ..................................... 46
第5章 建筑光电界面优化及方案决策实例研究 ................................ 53
5.1 案例建筑简介 .......................... 53
5.1.1 案例建筑背景 ............................ 53
5.1.2 当地气候条件 ................................ 54
第5章 建筑光电界面优化及方案决策实例研究
5.1 案例建筑简介
5.1.1 案例建筑背景
该案例建筑位于山东省济南市槐荫区匡山村东区，是当地的老年公寓与社会福利中心，主要功能房间包含客房、理疗室、办公室、多功能厅等。建筑高24.5米，地上七层，建筑面积8276 m2，其标准层平面图与南立面如图5.1所示。此案例建筑形体上具有基本的大小体量的组合关系，功能上复合了住宿、康养、办公等不同需求，在用能类型与计价方法上为用电（非采暖用能）按分时电度电价计费，用天然气（采暖用能）按建筑面积计价。相较于体形简单、功能单一的参照建筑，此案例建筑具有一定的典型性，对验证本项研究提出的普适性方法框架具有一定的代表意义。
建筑论文参考
..............................
第6章 结论与展望
在稳步推进建筑节能化、光伏建筑一体化的时代背景下，亦是为回应大众日益提高的对建筑室内环境品质的需求，本文提出了一种适用于建筑设计阶段的、数据驱动的方案决策方法，涵盖参数化模拟、神经网络模型训练与评估、多目标优化与决策、敏感性分析基本功能模块，通过控制从窗墙比到光伏电池布设面积共二十种设计参量优化有效天然采光系数、全年热不适率、全寿命周期增量成本与全寿命周期增量碳排放。本项研究的主要贡献如下：
方法论层面：提出了建筑性能导向的建筑光电界面优化设计方法框架，使用蒙特卡洛法在给定区间内重复独立采样生成随机方案，通过参数化模拟与全寿命周期模型生成建筑性能数据集，耦合神经结构搜索方法实现人工神经网络超参数寻优与模型自训练。随后将ANN模型与多目标优化算法连接、计算帕累托前沿，并使用两类常用的多目标决策算法，Entropy-VIKOR与Entropy-TOPSIS进行方案决策，确定最优设计方案。此外，由于ANN模型固有的黑箱属性，为增强方案决策的可解释性，两种全局敏感性分析方法，Sobol与Morris，被用于与所训练的ANN模型耦合，量化各设计参量对对应的建筑性能目标变化的不确定性影响程度。
实践与应用层面：基于提出的方法论，使用Python语言编译了一种图形化的、可交互的建筑性能多目标优化设计平台并以山东省济南市某老年公寓兼社区福利中心作为案例建筑加以研究。案例研究结果证明了此方法框架的可行性与配套工具的可用性。
参考文献（略）