基于BIM技术和BP神经网络的成都理工大学图书馆天然采光研究

蒋佳欣1 王 博2 王 猛3 蔡宋刚4 倪 婷1 敖仪斌1 刘 燕

(1.成都理工大学 环境与土木工程学院，成都 610059；2.成都理工大学 网络安全学院，成都 610059；3.成都理工大学 旅游与城乡规划学院，成都 610059；4.成都理工大学 材料与化学化工学院，成都 610059；5.电子科技大学 公共管理学院，成都 610054)

前言

建筑信息模型(BIM)技术的迅速发展在建筑设计阶段影响很大。BIM软件与专业建筑性能分析软件兼容性高，可通过将BIM模型导入建筑性能分析软件Ecotect，采用交互式分析方法，调整设计参数，定量计算自然采光系数，定性分析建筑室内采光效果。目前，我国对采光分析的主要研究集中在用Revit搭建BIM模型并导入Ecotect，通过对材质、光源、照明控制形成建筑节能分析模型，对不同设计方案效果预测，从而帮助评估光环境。其中，徐莉等人以三星级绿色建筑设计项目为例，简化建筑设计施工图纸，建立模型模拟，使用光环境分析模块模拟计算并分析主要使用空间满足《建筑采光设计标准》的百分比，判断是否达到国家标准[1]。孙敬采用实地调研、仪器测试、Ecotect数值模拟、统计分析等方法，通过计算采光系数以及Ecotect模拟分析室内光环境，凭借数据的对比分析来了解不同室内材料、采光形式对室内光环境的影响[2]。

然而，大部分的研究是通过大量时间计算采光系数，观察采光系数的变化从而分析光环境变化趋势，并不能高效地预测最优采光系数[3-4]。Dabe和Dongre利用Ecotect 2011软件的Daysim、辐亮度分析工具和温度分布工具，利用动态模拟的方法，通过有效日光照度、日光自主性、热舒适时间和地毯面积窗比的比较分析，对选定参数进行评估，进而评估住宅单元类型设计中最关键的居住面积，从而预测日光和热舒适性[5]。这一研究肯定了采光水平预测的重要性。本文以成都理工大学新图书馆作为研究对象，针对建筑设计阶段，考虑窗台高度、玻璃透光率和墙体材料光反射率对采光系数的影响，通过建立BP神经网络模型，对图书馆室内自然采光系数进行预测，并给出在最优采光系数下窗台高度、玻璃透光率和墙体材料光反射率变化范围，对优化设计方案有着十分重要的意义。

1 研究方法

1.1 BIM技术

BIM技术将真实的、完整的建筑信息集成到参数化三维模型中，其信息完备性、协调性、可视化，能很好应用在项目决策、设计、施工、运维的全寿命周期中，尤其在建筑设计阶段，在进行绿色建筑设计和评价过程中，传统的设计方法及绿色评价工作量大，计算繁琐，过程复杂，误差较大，很难适应和满足绿色建筑的大规模发展，而BIM技术的应用正好解决了绿色建筑设计中出现的问题[6]。借助相应的BIM应用软件，创建简单的BIM模型，建筑师可根据模拟分析结果，对建筑设计进行优化调整，并且应用BIM技术进行分析计算可帮助减少设计变更的影响。BIM技术的主流建模软件Revit与有关建筑节能分析软件兼容性高。采用Revit建立的绿建模型，可以通过IFC标准，或者gbXML标准文件导入到Ecotect软件中，来对绿建能耗进行分析； 还可以对绿建的朝向、围护结构的开窗设置(如开窗位置和窗墙比)、声、光、热、风速、湿度、空气质量等方面进行分析[7-8]。Revit还可通过导出DXF、gbXML、FBX等多种格式的文件，以交互式形式，将真实有效的BIM数据及丰富的构建信息导入绿色建筑分析软件，通过可视化模拟分析计算，可得到热环境、光环境、声环境、风环境、日照等分析模型，定量计算相关系数。

Autodesk Ecotect Analysis软件是一款功能全面的可持续设计及分析工具，是能够充分利用建筑信息模型有效提升建筑节能设计效率的模拟分析软件，对建筑的各项性能的需求进行了模拟和综合考虑，其中便包括自然光和人工光的采光和日照等方面的研究分析，最后还能够对分析结果进行可视化表达，以此代替了以往繁琐的测试步骤。Sher 等基于当地的气候数据，采用Ecotect分析计算了建筑的日照因子和能源需求，对建筑物有无中庭的采光环境进行了比较，以评价建筑的整体节能效果[9]。本文利用Ecotect设计软件，对项目阅览区域光环境进行了分析研究。首先将从Revit软件导出的绿色建筑可扩展标记语言(gbXML)格式的建筑模型信息文件导入Ecotect 软件，建立对阅览区采光有影响的门和窗，再通过对项目的地理位置、气象数据、光照方向和光照时间进行设置，以及窗台高度、玻璃透光率和墙体材料光反射率变化的工况设置，最后完成自然采光系数的计算。

1.2 多层感知机及误差逆传播算法

多层感知机(MLP)，也叫前馈神经网络，后文简称为神经网络模型。模型通常由一个输入层、一个或多个隐层和一个输出层构成[10]。图1给出了一个全连接的神经网络模型。其中有向线为每个实例通过网络时的流动方向，对于神经网络模型，数据只会从输入节点通过隐层节点流动到达输出节点，没有周期或循环。

图1 全连接的神经网络模型

神经网络模型可以用(1)表达式描述。式中，输入层X=(x1，x2，……，xi，……，xm)，隐层Z=(z1，z2，……，zj，……，zn)，输出层Y=(y1，y2，……，yk，……，yp)；wij和wjk为权重，输入层第i个神经元与隐层第j个神经元之间的权重用wij表示，隐层第j个神经元与输出层第k个神经元之间的权重用wjk表示，f为激励函数，bj和bk为偏置[11]。

(1)

本文采用的激励函数为(2)表达式。神经网络模型包括许多权重和偏置，故需要算法来调整这些权重，本文在该模型的基础下使用误差逆传播算法(BP)来训练神经网络。误差逆传播算法由信号的正向传播和误差的反向传播两个过程构成。在正向传播过程中，根据输入向量X[12]，权重向量W和偏置向量b，计算最终输出值以及输出值与实际值之间的损失值，如果损失值不在给定的范围内则进行反向传播的过程，否则停止W，b的更新。在反向传播过程中，将输出值以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据[13]。权值和偏置不断调整的过程，就是网络训练的学习和训练过程，经过信号正向传播与误差反向传播，权值和偏置的调整反复进行，终止条件可以是网络收敛到最小的错误值，可以是一个训练时间标准，也可以是最大迭代次数[14]。

(2)

1.3 采光分析流程

Revit与Ecotect之间的数据交换是不完全双向的，即Revit模型信息可以进入Ecotect中模拟分析，但Ecotect只能誊抄数据或者通过DXF格式文件到Revit里作为参考[15]。本文借助BIM技术建立三维可视化的图书馆土建模型，并导出绿色建筑可扩展标记语言格式的建筑模型信息文件，通过Ecotect计算自然采光系数，进行建筑室内自然采光分析，再将得到的数据整理，然后将数据导入模型进行训练和测试，从而建立可预测最优采光系数下变量变化范围的BP神经网络模型。分析流程如图2所示。

图2 采光分析过程

2 模型建立和环境设置

2.1 研究对象

成都理工大学新图书馆位于四川省成都市成华区二仙桥东三路1号，建筑总面积41 407.29m2，建筑总高度24.9m，为地下一层、地上五层的框架结构。地下部分为书库和设备机房，地上一层到五层为书库、阅览室、休闲区和办公用房。项目所在地成都市是夏热冬冷气候区，属于亚热带季风性湿润气候。项目所在方位为北纬30°67′，东经30°46′。根据《建筑采光设计标准》(GB/T50033)中划分的五类光气候区可知，成都市属于第V类光气候区，室外天然光临界照度值为4 500lux，相对应的光气候系数应取1.20。

本文的主要研究对象为图书馆的阅览区，是在所有图书馆项目中对采光要求最高的功能区域之一，因此为满足读者在阅览区阅览所需要的光照强度，需要有合理的材质选择、空间划分以及窗墙比。根据规范《图书馆建筑设计规范》以及《建筑采光设计标准》可得到所有图书馆建筑通性，即阅览区采光等级属于Ⅲ级，采光系数标准值不低于3%，受到的天然光照度标准值不低于450 lux，并且在立面上的窗墙比不低于1/5。

2.2 模型建立

在Revit软件中，新建项目后首先绘制新图书馆轴网标高，接着插入链接CAD图纸。按照Revit建模方法，绘制五层外墙、内墙、各层楼板以及五层顶天窗部分。其中，绘制墙体时要注意墙体与墙体之间的连接处处理，墙体高度要附着到楼板； 处理中庭部分时，利用竖井洞口命令，按CAD平面图中庭部分形状剪切1-5层楼板，形成中空的中庭； 处理图书馆大厅中空部分时，利用竖井洞口命令，按CAD平面图大厅尺寸形状，剪切1-5层楼板。模型建立如图3。

图3 成都理工大学新图书馆简化模型

2.3 模型处理

本文是通过gbXML格式进行Revit与Ecotect间的数据交换，必须对Revit模型进行一定的处理。由于gbXML格式的模型通过Revit中的“房间”来识别，因此在Revit中通过创建房间分割线来分隔“房间”。并且将“房间”的水平方向与垂直方向的空间根据实际模型的尺寸与空间来进行调整，使其充满整个模型，便可导出与Revit相同的模型，如图4所示。

图4 创建“房间”

模型处理完成后，在Revit中用“导出”-“gbXML”命令，左边是三维查看器，右边可以输入一些建筑的基本信息以及一些设置，如图5所示。

图5 gbMXL模型的形状以及导出

考虑到gbMXL格式的文件模型在Ecotect中无法较好地识别玻璃材质窗户、幕墙，因此在将gbMXL格式文件导入Ecotect后，根据新图书馆CAD建筑图纸中的窗户、幕墙形状、位置来进行创建，如图6所示。

图6 Ecotect中创建玻璃窗户、幕墙

2.4 环境设置

模拟计算的图书馆阅览区B区内的各个表面和构件的反射率或透射率根据《建筑采光设计标准》、《住宅装饰装修工程施工规范》、《图书馆建筑规范》以及《玻璃建筑应用技术规程》所要求的范围内设置的，阅览区窗户的玻璃透光率选择0.2、0.3、0.4、0.5、0.6，墙体材料光反射率选择0.502、0.604、0.702、0.804，窗台的高度选择0.900m、1.000m、1.100m、1.200m、1.300m。

成都市属于第Ⅴ类光气候区，室外天然光临界照度4 000lux。Ecotect采光模拟采用了CIE全阴天模式，将冬至日12月22日上午9点作为模拟时间，所模拟分析网格的工作面高为每层阅览区楼板上方0.750m处，并在分析网格上每1.0m设置一个计算网格，网格个数为35×9个，分别为开间35个计算点和进深方向9个计算点，所有的计算点形成了计算网格。以此来分别模拟计算不同工况下图书馆阅览区B区的自然采光系数随着窗台高度、玻璃透光率以及墙体材料光反射率变化的分布情况，再将分析网格中的所有计算网格的采光系数平均值作为该工况下的数值，并对这些采光系数值进行数据处理，并进行对比分析。

3 工况设置及数据整理

3.1 工况设置

本文主要研究外窗玻璃材料、外窗位置、内墙体材料对室内光环境的影响。工况设置上面，设置变量1为窗台高度，取高度分别为0.900m、1.000m、1.100m、1.200m、1.300m的五组变量； 设置变量2为玻璃透光率，取透光率分别为0.2、0.3、0.4、0.5、0.6的五组变量； 设置变量3为墙体材料光反射率，取光反射率分别为0.502、0.604、0.702、0.804的四组变量。以采光系数作为因变量，研究三个变量多因素对图书馆室内阅览区采光情况影响，故对单层而言，设置5×5×4=100组变量，分别设置这100组工况，计算不同工况条件下的采光系数。本文以新图书馆地上五层楼为研究对象，故100组工况应分别设置分析网格高度为0.750m、5.250m、9.750m、14.250m、18.750m，共得到500组数据。Ecotect软件内计算如图7、图8。

图7 工况(0.9-0.2-0.604)下第3层楼计算情况

图8 工况(0.9-0.6-0.604)下第3层计算情况

3.2 数据整理

将所得500组采光系数整理，形成表格，为导入算法模型做准备。挑选部分数据如表1所示。

表1 采光系数计算的部分数据

层数窗台高度(m)玻璃透光率墙体材料光反射率采光系数(%)10.90.60.50212.41010.90.60.60415.28010.90.60.70218.63010.90.60.80423.150—————20.90.60.50211.56020.90.60.60414.12020.90.60.70217.10020.90.60.80421.090—————30.90.60.50211.60030.90.60.60414.15030.90.60.70217.11030.90.60.80421.080—————40.90.60.50211.71040.90.60.60414.24040.90.60.70217.20040.90.60.80421.180—————50.90.60.50212.13050.90.60.60414.94050.90.60.70218.27050.90.60.80422.820

4 神经网络模型的运用

4.1 数据选取与训练

文中基于Ecotect软件对图书馆阅览区B区进行相关数据计算，得出窗台高度、玻璃透光率和墙体材料光反射率三个因素在一定变化范围内的采光系数，每层楼有100组数据，共5层楼，总计500组。以第一层为例，用于训练的数据有90组，用于测试的数据有10组。文中实现算法的软件为Weka。在该软件中使用BP算法时可以直接对数据进行归一化处理，故原数据可以直接使用，部分训练数据如表2所示。

表2 图书馆第一层部分训练数据

窗台高度(m)玻璃透光率墙体材料光反射率采光系数(%)0.90.20.50210.5600.90.20.60413.400————1.00.30.70217.2201.00.30.80421.730————1.10.40.60414.3301.10.40.70217.680————1.10.50.70218.1601.10.50.80422.690————1.20.60.50212.3901.20.60.60415.250

在神经网络模型中，输入层由窗台高度、玻璃透光率和墙体材料光反射率三个节点构成，输出层为一个节点，即采光系数。在训练过程中需要确定隐层的个数、节点数、学习率和动量，因此，需要对这些参数进行优化。优化的通常标准是均方根误差rms低于0.10或是训练达到一定总周期数。通过不断的学习和训练，每层选取的隐层个数、节点数、学习率和动量如表3，训练次数均为10 000次。

表3 训练参数

层数隐层隐层节点学习率动量rms126, 40.50.10.0924228, 70.20.10.1114329, 40.50.40.10784210, 30.30.10.1239535, 4, 20.30.20.0942

第一层使用的神经网络的拓扑结构如图9所示。

图9 第一层楼的神经网络拓扑结构

4.2 数据测试和预测

每一层有10组数据用于测试，用这些数据对模型进行检验，与目标结果的误差较小，可以认为训练的神经网络模型通过测试，各层的测试结果见表4和图10所示。

(a)第一层

(b)第二层

(c)第三层

(d)第四层

表4 第一至五层测试结果

模型建立的目的就是为了确定一个最优的采光系数，并在最优的采光系数下，给出窗台高度、玻璃透光率和墙体材料光反射率的范围。首先通过对5层的所有数据进行分析，其采光系数在最大的情况下，只有窗台高度在变化，而玻璃透光率和墙体材料光反射率是固定的，都是0.6和0.804，因此，在进行数据预测是可以将这两个变量固定，从而变化墙体高度。于是让墙体高度从0.900m开始递增，增量为0.001m，增加至1.300m，共计401组数据，然后将数据导入每层楼建立的神经网络模型进行预测。表5给出在每层楼在采光系数最大下的各变量的范围。

表5 各层在最优采光系数下窗台高度、玻璃材质 和墙体材料的变化范围

层数窗台高度(m)玻璃透光率墙体材料光反射率采光系数(%)10.982～1.0030.60.80423.19321.156～1.1720.60.80421.13431.048～1.0490.60.80421.08841.174～1.1850.60.80421.23551.119～1.1240.60.80422.869

在采光系数最大的情况下，玻璃透光率和墙体材料光反射率都是固定的，仅墙体高度有变化。预测结果显示：在最优采光系数下各层玻璃透光率固定为0.6，墙体材料光反射率固定为0.804，一层中，窗台高度变化范围为0.982～1.003m； 二层中，窗台高度变化范围为1.156～1.172m； 三层中，窗台高度变化范围为1.048～1.049m； 四层中，窗台高度变化范围为1.174～1.185m； 五层中，窗台高度变化范围为1.119～1.124m。

从预测的数据来看，预测的每一层的最优采光系数与原始数据中的几乎一致，说明神经网络模型对这种关系的预测能力比较出色。采光系数与窗台高度、玻璃透光率以及墙体材料光反射率三者的关系是非线性的，而影响采光系数的最大因素是窗台高度，综合五层楼的数据，要使采光系数最优，窗台高度应在0.900～1.200m之间，玻璃材质取0.6，墙体材料取0.804。

在使用Ecotect软件计算采光系数的时候，每组数据计算的时间大致为6-8分钟，而神经网络模型只需要少量的数据进行学习训练就可以有较强的预测能力，其预测结果与真实结果误差极小，完全可以作为参考，并且在10s内就可以计算出预测的401组数据的采光系数。故在图书馆的建筑设计过程中可以采取这种方式来确定窗台高度、玻璃透光率和墙体材料光反射率，从而获得一个较优的采光系数。

5 结论

本文借助BIM技术主流建模软件Revit，进行成都理工大学新图书馆模型建立，并导出gbXML格式文件，将gbXML格式文件导入可持续建筑设计及分析工具Ecotect软件，选取窗台高度、玻璃透光率和墙体材料光反射率为变量，建立工况，利用Ecotect软件对图书馆一至五层楼阅览区B区进行的采光和照明分析，得到500组自然采光系数数值，将数据分为训练集和测试集，对于五层楼分别建立了基于BP算法的神经网络模型，进行不断学习训练，成功训练后的模型在训练集和测试集都表现出出色的性能，然后将模型用来进行采光系数的预测，可以算出各层的最优采光系数，并给出在该系数下各变量的变化范围。

通过神经网络模型的预测，给出了各层在最优采光系数下窗台高度、玻璃透光率和墙体材料光反射率的变化范围。综合五层楼的数据，要使采光系数最优，窗台高度应在0.900～1.200m之间，玻璃透光率取0.6，墙体材料光反射率取0.804。

在成都理工大学新图书馆例子中，通过对建筑采光定量分析，建立基于BP算法的可预测最优采光系数的神经网络模型，不仅帮助评估建筑设计是否达到标准，而且可以确定可使建筑采光系数最优的窗台高度、玻璃透光率和墙体材料光反射率工况设置。天然采光是建筑节能的重要研究方向，引进太阳光进行室内照明可降低建筑照明能耗，而拥有良好自然采光的建筑不仅可以节约能源，还有利于对建筑内部各功能区域以及人工采光布置的优化设计和节能设计。本文可为建筑设计提供思路和方法，建立的可预测最优采光系数的神经网络模型能够得到较为准确的采光系数预测数值，并给出在最优采光系数下窗台高度、玻璃透光率和墙体材料光反射率变化范围，从而使建筑设计师在设计阶段能够进一步提高建筑性能，优化建筑设计方案。