基于神经网络的建筑绿色性评价

魏太兵，陈 坚

（武夷学院 土木工程与建筑学院，福建 武夷山354300）

绿色建筑、节能建筑提倡资源节约，环境友好，已经成为我国建筑业发展的方向，是我国建设节约型社会的重要突破口。而建筑绿色性评价体系旨在寻求可操作、可定量化的方法，以衡量和评价建筑可持续发展的水平和能力，指导绿色建筑发展的具体实践。

1 绿色建筑评价体系

建筑绿色性评价体系具有评判差异化建筑的绿色性和指导绿色建筑发展的作用。围绕着建筑绿色化的推广和发展要求，国际上出现了许多与绿色建筑相关的技术协会和研发组织，开发了相应的评价标准和模拟软件。如美国的LEED、英国的BREEAM、德国的LNB、荷兰的ECOQuantum、加拿大的 GBTool、澳大利亚的NABERS、挪威的EcoProfile、法国的ESCALE，以及日本环保省的CASBEE等标准，他们都是结合各自国情所提出的评估标准［1］。

我国绿色建筑评价体系是基于国外较为先进理论和实践的基础上，结合我国发展低碳社会对建筑提出具体的要求。例如低能耗围护结构、新能源利用、绿色自然、绿色建材，以及合理选址和科学规划；高效节能，循环利用资源，减排减害；建筑环境健康舒适，以及功能灵活适宜等。

国内外评价体系指标大致可以从节能性、经济性和环保性三个层面划分，针对住宅建筑和公共建筑的6大评价指标推进绿色建筑理论和实践的探索与创新。具体指标如表1所示［1，6］。

表1 建筑绿色性评价总体指标

2 人工神经网络概述

2.1 人工神经网络

人工神经网络（Artificial Neural Network，ANN），是一种通过大量的、功能较简单的神经元互相连接而构成复杂网络系统，其最主要的特征是能够模拟“人脑”的许多基本功能和简单思维方式。

与传统人工智能方法的“直觉缺陷”相比，人工神经网络不仅具有自主学习、自主组织，而且具有优良非线性自适应信息处理能力，即非线性逼近能力，以及通过神经元间的协作和学习来进行解决问题的能力。因此，利用具有并行处理、容错性及鲁棒性等特点，人工神经网络不仅在神经专家系统、模式识别、智能控制中得到应用，而且在组合优化、预测等领域中也得到成功应用［3］。

人工神经网络是在某一层次上对“人脑”基本工作机理的模拟和简化。人们可以在不了解模型的情况下，通过对神经网络进行训练，网络可以获得相关信息，并将信息存储在神经元的连接权值中，称之为“样本”，并在需要时对被称作“样本”的现有数据进行学习，以此获得相应解决问题的能力。

2.2 BP神经网络

BP神经网络又称为误差反向传播神经网络，是前向网络的核心部分，也是人工神经网络精华所在。它由一个输入层、一个或多个隐含层和一个输出层构成，每一层由一定数量的神经元构成，这些神经元如同人脑神经细胞一样是互相关联的［3］，其结构如图1所示。

图1 BP神经网络模型

BP神经网络主要应用于以下几个方面：

函数逼近：通过输入向量和相应的输出向量对网络进行训练，以此得到一个逼近函数。

模式识别：通过一个待定输出向量，使之与输入向量联系起来。

合理分类：将输入向量划分为所定义的类型。

数据压缩：减少输出向量维数以便传输或存储。

3 人工神经网络在绿色建筑综合评价中的应用

建筑物各指标要素的得分能反映出建筑的整体性能。然而，这些指标要素的构成具有复杂性与关联性，并不是所有的相关性都能完全避免，且不同数值范围内的评价指标对指标评估结果会有所不同，指标性能和综合性能之间还存在着一定的非线性关系。因此，如何确保所构建的指标体系具有独立性，排除绿色建筑评估过程中的数量信息噪声，防止重复计算，计量标准与计量尺度就显得十分重要。

因此，经过多方面的考虑与分析，现有的系统大都采取了“指标分解——设定权重——指标评估——加权累加”的方法［3］。其中，指标分解和综合是建立在各指标完全独立这一理想状态的基础上的，权重系统则是对不同指标间重要程度的主观描述。作为对复杂系统的一种简化形式“线性加权”模型在绿色建筑评估理论和实践中发挥了重要作用，因此本文所讲的绿色建筑综合评价系统便是依据此法进行建模。

基本原理：

输入量：反映建筑绿色性特征的信息，例如建筑节能性、经济性和环保性等指标。

输出量：相应代表绿色建筑综合评价结果的量值。

一旦确定输出与输入量之后，系统利用传统综合评价取得的成功样本对网络进行训练，使系统的权系数经自适应学习后得到正确的内部表示，并以此网络来作为绿色建筑综合评价的模型。

基本步骤：

（1）网络训练。通过对特征的分类、归纳、抽取、选择，确定评价指标体系，并以此参数作为神经网络的输入向量。而利用输出的评价指标，建立分类训练样本集，然后对网络进行训练。

（2）专家对各评价指标的评价值构成训练人工神经网络的样本集。此外，还要确定建筑评价指标体系的层次结构和能具体反映建筑综合性能的本质属性评价指标，以及各级评价目标，建立较为系统的数学模型。

（3）根据建筑综合评价的目的，通过界定的指标数据的来源渠道，进行指标筛选，得到全面的反映建筑各个方面的初步指标，并启动神经网络进行自学习，直至收敛。

（4）将学习好的神经网络储存起来，以此作为神经网络评价模型。本文通过给出的输入参数即可得到相应的输出，从而得到绿色建筑的综合评价结果。

基本流程图如图2所示。

图2 神经网络评价流程图

基本模型确立：

绿色建筑综合评价模型的确定，先要了解建立函数的几个重要一、二级指标（一级指标共有9个，二级指标共有98个），如表2所示［4］。

表2 绿色建筑评价指标体系

其中，样本集（X，Y），输入指标属性值构成A＝［Xni，Yni］，输入的指标因素共有10个，共10个节点。表2表示建筑物与指标集相关的实际数据；期望输出构成B＝［Xn，Yn］，共1个，即1个节点，表示建筑物的实际得分值，其中n∈N，i∈N。

4 基于人工网络的绿色建筑评价体系的应用

依据表2中的指标系统，本文采用1分制形式，选取福建省某乡镇58座建筑物为样本进行评价。为了在网络训练中得到较为极端的样本，增加2座虚拟建筑物，即0.01分的“最差建筑物”标记为59号，将1分的“最好建筑物”标记为60号。依据“特尔菲法”而得到一致的二级输入指标得分A＝［Xni，Yni］，进而得出一级指标的输出得分B＝［Xn，Yn］。具体评价结果如表3所示。

本文选取1～10号建筑物为测试样本，11～20号建筑物为确证样本，21～60为训练样本。结合MATLAB进行网络训练，具体训练步骤如下：

（1）网络 A＝［Xni，Yni］、B＝［Xn，Yn］的训练。以表3中的二级指标的得分结果作为各网络的输入，一级指标的评估结果作为期望输出。

（2）综合性能网络的训练。一级指标的评估作为网络的输入，指标综合性得分能作为期望输出。

（3）以0.01作为进行网络训练的目标精度。横坐标为训练的次数，纵坐标为训练值的精度，曲线为网络训练的拟合曲线。经过训练，其具体的情况如图3所示。

由图3可看出，经过6次训练，即达到了0.01的精度要求。此时训练后的网络可进行仿真实验，将相应的预测值同实际的数值进行逼近检验，最终得出网络训练样本的输出值与期望值的最大相对误差小于5%，而测试样本网络输出值与期望值的最大相对误差为3.8%。由此可见，基于人工神经网络的绿色建筑评价体系是比较可靠且可行的，可使用该方法进行其它方面的评价，例如绿色建筑节能评价等。

表3 绿色建筑一、二级指标综合评价结果表

图3 网络神经训练图

5 结论

绿色建筑评价是培育绿色建筑市场，促进建筑领域资源节约的重要手段。绿色建筑评价指标体系是由相互关联、相互制约及不同层次的指标群构成的一个有机整体，通过实例应用进一步说明了BP神经网络可以较全面地反映该建筑绿色设计内涵的基本特征，在绿色建筑评价方面具有可行度和有效性。在今后的绿色建筑评定工作中，利用神经网络可以使绿色建筑评价朝智能化、模型化的方向发展，让评价结果更加客观，更加有效。

［1］魏太兵.基于LEED的房地产绿色评价研究［D］.西安：长安大学，2006.

［2］王竹，贺勇，魏秦.关于绿色建筑评价的思考［J］.浙江大学学报：工学版，2002（36）：14－15.

［3］支家强，赵靖，李楠.基于人工神经网络法的绿色建筑评价［J］.山西建筑，2006，32（7）：47－48.

［4］杨丽，卢德华.基于人工神经网络的建筑节能体系综合评价［J］.城市环境与城市生态，2010（23）：44－47.

［5］崔艳琦.国内外绿色建筑与评估［J］.科技管理研究，2008（9）：71－72.

［6］石华旺，安俊华，孟辉斌.绿色建筑评价指标体系与评价方法研究［J］.山西建筑，2007（33）：49－50.

［7］侣同光，宋华平，刘加云.人工神经网络在绿色建筑评估中的应用［J］.山东建筑大学学报，2008（23）：356－360.