摘要：随着计算机辅助技术的发展，建筑性能的提升已广受关注。其中，建筑设计参量对建筑性能影响较大，且不同建筑性能对不同建筑设计参量敏感性不同，若能在方案阶段选出敏感性设计参量，则可有效提升后期建筑性能优化效果。本文基于渐进梯度提升回归树算法，运用Python编程在可视化程序编程平台Grasshopper中构建设计参量敏感性分析模块，并结合参数化建模、建筑性能模拟、建筑性能多目标优化整合为建筑性能设计参量敏感性分析工作流进行设计参量敏感性分析并验证。结果显示，办公建筑自然采光与能耗性能对建筑进深、东向中庭宽度与建筑开间设计参量的敏感性较大，且优化方案的UDI性能为74.58%，全年热负荷能耗为79.96KWH/㎡，较既有研究中办公建筑的UDI值与全年热负荷能耗更优。

关键词：寒地办公建筑节能设计；自然采光及能耗性能耦合；渐进梯度回归树算法；设计参量敏感性分析；Python编程；

1 引言

现代建筑设计不仅需对建筑形态美学进行考究，还应注重对建筑性能的整体提升。另外，随着参数化设计与建筑性能模拟技术的发展，其可为高性能建筑设计提供技术支撑，并为传统建筑设计方法注入新鲜血液。同时，不同建筑设计参量对建筑性能具有不同影响，敏感性强的设计参量可有效提升建筑性能优化水平。本文以参数化建模、建筑性能模拟与建筑多目标优化技术为基础，基于Grasshopper平台构建了设计参量敏感性分析模块，并与前文所述几项技术进行整合，构建了建筑性能多目标优化设计工作流，为寒地办公建筑自然采光与能耗性能优化设计提供决策支持工具。

2 研究理论

2.1 建筑性能模拟

随着我国城市化的高速发展，建筑面积与建筑耗能所占比重不断增加。据统计，我国建筑能耗占总能耗比例可达33%[1]，为保证建筑可持续发展与能源节约型设计社会的建设，高性能建筑设计具有重要意义。建筑性能模拟技术作为高性能建筑设计的有效手段主要在建筑方案设计阶段展开，建筑性能模拟可指导设计者对设计方案展开性能评价以对模型进行不断修正与评价，经过多次性能模拟计算后生成满足设计要求的设计方案。另外，既有建筑性能模拟种类有建筑室外风环境模拟，建筑室外热环境模拟，建筑能耗模拟，建筑室内自然采光模拟以及建筑遮阳与日照阴影模拟等，与之对应的性能模拟平台也不同。现阶段应用较为广泛的平台有依托CFD模拟技术的Fluent软件以支撑建筑室外风模拟；有承载Radiance模拟引擎与EnergyPlus模拟引擎的Honeybee&Ladybug插件以支撑建筑室内采光模拟与建筑能耗模拟等。基于不同软件平台可辅助设计师对建筑性能模拟结果进行定量与定性分析提供依据，建筑性能模拟技术是支撑建筑方案设计阶段中建筑性能提升的有效工具，并且方案设计阶段又是建筑节能设计的根源，因此，建筑性能模拟技术有助于设计师进行高性能建筑设计。

2.2 多目标优化

方案阶段的建筑设计优化可获得较优建筑方案性能，例如建筑形态设计参量、建筑非形态设计参量以及建筑室内功能影响设计参量等。这些建筑设计参量与建筑性能具有密切联系，且多种建筑性能之间又存在复杂的耦合关系，单一采用建筑性能模拟方法获取最终优化性能的方案具有人工操作繁琐且耗时长的缺陷，为弥补这一缺陷，建筑性能多目标优化技术可为最优建筑性能设计参量搜索提供技术支撑[2]。

建筑性能多目标优化技术可基于多目标优化算法展开建筑最优性能搜索，现阶段的多目标优化算法有NSGA、PAES、SPEA和NSGA-II算法等。其中，NSGA算法是基于决策向量空间共享函数方法，将非劣个体与优化个体进行分类并对非劣个体进行循环分类以完成对所有个体的分类，该方法具有优化非劣解分布均匀但效率低且计算复杂的特点；PAES算法是将非劣解统一归类到一个集合中并将变异后的每个解与非劣解进行比较并保留与之相似的解，不符合要求的解将继续变异；SPEA算法是将待优化种群中的个体复制到外部群体计算个体强度与适应度值以便筛选优秀个体，这几个多目标优化算法同属于遗传算法，基于遗传算法的多目标优化流程也具有一定普遍性（图1）。 

2.3 敏感性分析

不同建筑性能对不同建筑设计参量的敏感度有所不同，从多种建筑设计参量中筛选敏感性设计参量，对分析、模拟与优化建筑性能具有重要意义。在建筑性能模拟与优化过程中，选择敏感程度高的设计参量作为建筑优化参量可有效提升建筑性能水平，提高建筑使用舒适度。既有建筑设计参量敏感性设计分析方法主要有以下四种：

（1）局部灵敏度分析法：该方法也称为微分灵敏度分析法，属于一次一因素法的类别。其灵敏度测量通常是假定其他因素固定不变的前提下变化一个因素以计算该变量对待测试性能的影响度。局部灵敏度分析法具有明显的优势，其很容易被应用且可视化能力强。相比之下，该方法通常需要少量模拟就可以获得相应的敏感性设计变量。然而，此方法只能探索少量的输入建筑设计变量，而不能检测多种设计变量之间的相互作用。

（2）回归分析法：该方法是通过利用数据统计原理，对大量统计数据进行数学处理以确定因变量与某些自变量之间的相关关系，以建立相关性良好的回归方程（函数表达式），从而预测因变量之后变化的分析方法。因为该方法计算速度快，易于理解，且许多指标可以通过该方法进行灵敏性测量，然而该方法具有主观性强，准确度相对低的缺点。

（3）筛选分析方法：该方法通常是通过输入一些来自大量因素中的某些固定因素以降低计算输出的方差值。其中，莫里斯法是最常用的一种全局敏感性筛选分析方法，且该方法的每一步基线变化和最后的敏感度测量是通过在不同点上取平均值来计算的。这种方法具有计算成本低的优点，但其更倾向于通过排列输入因子来提供定性的度量，而不能量化不同因素对输出的影响。

（4）方差分析方法：该方法根据待测量变量数量又可分为单因素方差分析与多因素方差分析。其中，多因素方差分析可用来研究两个及两个以上控制变量是否对观测变量产生显著影响。多因素方差分析不仅能够分析多个控制变量对观测变量的独立影响，更能够分析多个控制变量的交互作用能否对观测变量产生显著影响，最终找到利于观测变量的最优组合。该方法适用于复杂的非线性和非加性模型并可量化每个模型的输入与输出，同时，它还可以考虑变量之间的交互作用，但是，该方法具有计算成本高的缺点。

现阶段，建筑性能优化过程涉及参数化建模、建筑性能模拟与建筑性能多目标优化等步骤，待优化设计参量种类多、建筑性能模拟耗时长且性能模拟依托平台单一的特点导致设计多采用方法一或者方法二进行设计参量敏感性分析[3,4]，这两种方法虽然能有效获得敏感性设计参量，但这类方法具有模拟耗时长，数据处理与多平台转换效率低且人工操作繁琐等缺点。

3 设计参量敏感性分析模块构建与验证

3.1 设计参量敏感性分析模块构建

鉴于敏感性设计方法存在的缺点，及既有参数化建筑设计、建筑性能模拟与多目标优化技术，本文在Rhinoceros软件的Grasshopper平台中，基于Python编程将渐进梯度提升回归树算法（Gradient Boosting Regression Tree，GBRT）置入GH_Cpython插件中，构建了设计参量敏感性分析模块，该模块可通过输入建筑性能模拟采样数据库完成对建筑设计参量的敏感性分析，并以设计参量敏感性由强到弱进行排序并呈现在Python Figure的可视化界面中，以便设计者对敏感性设计参量的选择。

至于该模块的核心算法——渐进梯度提升回归树算法，其与决策树相似，是一种树形结构的预测模型，树的分叉表示对象属性与对象值之间的映射关系。树中的每个节点表示待预测对象的某个属性，连接属性的分支表示某一属性的可能值，通过从根节点——中间节点——叶节点的决策路径实现对某个问题的决策。然而，单一决策树在连续性字段较难预测，且当对象自身属性值较多时容易产生错误。于是，Friedman在1999年提出一种Gradient Boosting 算法，其可通过在残差减少的梯度上建立一个新的决策模型，通过不断迭代产生新的决策树组合，以推动损失函数计算值不断优化并向梯度减小方向发展，以此为基础产生了GBRT算法，该算法可通过对Gradient Boosting算法的改进实现对每个决策树计算结果的权重值处理，对于错的答案增加其权重以便加强对这部分决策树的训练，而对于正确结果权重值则予以保留，使得整体模型不断向梯度减小的方向发展，通过不断迭代产生回归树模型并加以组合，可实现将所有回归树预测结果进行累加并作为最终的输出结果。

如图2所示为构建的设计参量敏感性分析模块，设计者可通过输入能够反映设计参量与建筑性能之间关系的建筑性能遗传采样数据库，并设置设计参量敏感性分析模块运行参数。其中，GBRT迭代次数为3000，学习率为0.01，比率为0.8，之后即可开启分析模块，模块运行结果将呈现在一张可视化界面中以便设计者进行敏感性设计参量的选择。

3.2 模块使用效果验证

为验证构建的设计参量敏感性分析模块的使用效果，本研究选取文献[3]中实验案例的设计参量作为验证实验组的设计参量，基于研究中的设计参量敏感性分析功能模块，实现对寒地办公建筑有效天然采光照度百分比性能影响设计参量敏感性分析，并与原文献得出的性能模拟结论进行比较。原文献中的实验设计参量如表1-1所示，根据文献中的建筑实验设计参量建构寒地办公建筑自然采光性能模拟模型，同样基于GH中的OCTOPUS插件可进行建筑性能采样（图3），并将模拟数据存储到性能模拟采样数据库中。

经过历时10小时的建筑性能模拟采样后可得到200组建筑性能模拟数据组，以反映建筑设计参量与建筑有效天然采光照度之间的映射关系。然后将该数据库输入至设计参量敏感性分析功能模块中并设置迭代次数为3000，学习率为0.1，学习速率为0.8，随后可开启模块执行开关并得到如图4的分析结果。建筑有效天然采光照度百分比性能对设计参量的敏感程度排序依次为南向窗墙比、玻璃反射率、地面反射率、墙体反射率与天花反射率，原文献中得出的设计参量敏感性排序依次为窗墙比、玻璃透射率、地板透射率。通过比较基于设计参量敏感性分析功能模块得出的敏感性设计参量与基于单因素敏感性分析法得出的设计参量敏感性较为相似，但是基于设计参量敏感性分析功能模块的设计参量敏感性分析速度得到提升，人工操作步骤得到简化。

3.3 模块应用

为验证基于寒地办公建筑决策支持模型得到的敏感性设计参量准确性及建筑性能提升效果，本节将分别基于单因素敏感性分析法与设计参量敏感性分析模块确定不同设计参量对不同建筑性能的影响程度，并通过比较基于两种方法分析得出的敏感性设计参量差异性，并基于不同敏感性设计参量得出的建筑性能模拟结果，从而对该设计参量敏感性分析模块的应用效果进行验证与评价。

实验中的寒地办公建筑设计参量值域是基于对既有大量寒地办公建筑节能设计文献相关参量值域统计的，其中包括建筑形态设计参量（如表1-2）与建筑非形态设计参量（如表1-3），其可基于这些参量构建自然采光性能模拟模型与能耗性能模拟模型，从而对不同设计参量及相应性能模拟值进行建筑性能映射关系建构，从而能根据建筑设计参量值与性能模拟值建立回归方程以分析不同设计参量对不同建筑性能的影响程度。

基于单因素敏感性分析方法的建筑性能模拟实验过程中，可通过控制变量法对建筑设计参量进行调整并完成建筑性能模拟结果的记录，然后可通过对不同建筑性能模拟结果的回归分析得出不同建筑设计参量对两种建筑性能的影响程度，经模拟分析得出不同建筑设计参量的敏感度统计如表1-4所示：

另一方面，实验基于Grasshopper中的多目标优化模块OCTOPUS进行了建筑性能遗传采样，在历时49天的146次迭代计算后，可得到能够满足进行设计参量敏感性分析的性能模拟总数并完成建筑性能模拟数据库汇总，然后可基于设计参量敏感性分析模块分析建筑自然采光性能与年单位建筑面积耗能量对各种建筑设计参量的敏感程度。在分析过程中应注意将两种建筑性能模拟值与相应建筑设计参量值分别置入两个数据库中，并设置渐进梯度提升回归树的训练学习速率为0.1，迭代次数为300，学习率为0.1，即可展开两种建筑性能相关设计参量的敏感性分析。其中，建筑性能敏感性分析过程所得结果准确性可通过计算所得的均方误差值（Mean-Square Error, MSE）进行判定，其计算公式见式1-1：

n为总建筑性能模拟数据组数，OBSERVED_K为模拟得到的各组建筑性能数据，PREDICTED_K为基于GBRT算法预测得到的各组建筑性能数据。最终，基于敏感性设计参量功能模块得到的建筑自然采光性能相关设计参量间的敏感性如图5所示，分析结果中的MSE值为0.6，具有较高的准确性；建筑室内AEC性能相关设计参量敏感性分析结果如图6所示，分析结果中的MSE值为0.8，也具有较高的准确性。

通过综合分析影响建筑有效天然采光照百分比性能设计参量的敏感性数值与影响AEC性设计参量的性能敏感性数值，得出两种建筑性能影响程度较高的敏感性设计参量为建筑总进深——东部中庭宽度——西部中庭宽度——建筑总开间——北部中庭宽度——南向窗墙比——北向窗墙比——建筑层高——南向中庭宽度——墙体传热系数——建筑层数——西向窗墙比——X方向天窗比例——东向窗墙比——Y方向天窗比例——玻璃传热系数——屋顶传热系数。基于以上分析结果，决策者可选择前3-6项敏感性设计参量（建筑总进深——东部中庭宽度——西部中庭宽度——建筑总开间——北部中庭宽度——南向窗墙比）作为建筑性能多目标优化的敏感性设计参量。

基于单因素敏感性分析法与设计参量敏感性分析功能模块得出不同设计参量对建筑有效天然采光照度性能的敏感度有较大差异，为比较不同组分析得出的敏感性设计参量对建筑性能的综合影响程度，本节最终将分别提取两种分析方法所得排名前6的敏感性设计参量作为控制变量进行建筑有效天然采光照度模拟与建筑AEC性能模拟，通过将两种中敏感性设计参量分别提高约10%并取整的原则设置对照组设计参量数值，并通过比较两组建筑设计参量提升前后的性能变化量，从而得出基于哪种方法得出的敏感性设计参量更有效。具体实验设置及模拟结果如表1-5。

通过表中性能模拟结果分析可得，基于敏感性设计参量功能模块得到的设计参量组执行的建筑性能模拟实验，单位设计参量的改变影响UDI100-2000改变量较高；基于单因素敏感性分析得到的设计参量组执行的性能模拟实验，单位设计参量的改变影响AEC性能模拟值更高；综合两种性能改变量的分析可得，本研究中决策支持模型中的设计参量敏感性分析功能模块对敏感性设计参量分析贡献度更大。

4 结论

本文通过对建筑性能模拟、建筑性能多目标优化以及设计参量敏感性分析等理论的研究，基于Python编程将渐进梯度提升回归树算法置入Grasshopper平台以完成建筑设计参量敏感性分析模块的构建。通过比较分析基于单因素敏感性分析方法与基于设计参量敏感性分析模块得出的敏感性设计参量对两种建筑性能影响程度的差异以及对基于两组敏感性设计参量进行建筑性能多目标优化结果的比较得出，本研究构建的设计参量敏感性分析模块可有效提高建筑自然采光性能与能耗性能，且基于设计参量敏感性分析模块的建筑性能优化过程有效的简化人工操作步骤并提升敏感性分析效率。

参考文献

[1] 夏春海, 朱颖心, 林波荣. 方案设计阶段建筑性能模拟方法综述[J]. 暖通空调, 2007, 37(12):32-40.

[2] 喻伟, 李百战, 王迪. 一种基于性能导向的建筑多目标优化设计方法：中国，CN201610674684.2[P]. 2017-01-04

[3] 于虹，梁静，高亮. 严寒地区开放办公建筑自然采光性能影响因素敏感性分析[C]∥吉国华.全国建筑院系建筑数字技术教学与研究学术研讨会论文集.北京：中国建筑工业出版社，2017：159-168.

[4] 刘光昭. 基于最优多项式模型的结构全局敏感性分析方法研究[D]. 湖南：湖南大学，2015.

分享让更多人看到