基于“知情式”设计理念的建筑性能优化方法研究

朱姝妍，马辰龙

0 引言

从1970年代开始，能源危机、全球变暖等问题逐步推动了建设更高效建筑的需求。近些年，建筑学界对于“绿色”“节能”“碳排放”“气候适应性”等相关领域的关注，使得“建筑性能”（building performance）一词越来越多地出现在建筑师的视野之中。随着计算机技术的飞速发展，“大数据”“人工智能”等交叉领域的日新月异，业界对“性能模拟”的兴趣和关注与日俱增。21世纪的建筑师不仅需要建造实用、坚固、美观的建筑，还需要提供高性能的设计方案，从而应对气候、环境、社会和经济等多方面的挑战。

建筑性能的概念极为丰富，Wilde[1]在《建筑性能分析》中阐述建筑性能主要包括3个大类：工程、进程与审美，主要内容有：使用者满意度、热舒适性、室内空气质量、结构完整性、能源利用等。Foliente等[2]则提供了一个不同维度的建筑性能图解（图1）；孙澄、韩昀松等[3]从理论、方法和技术3个方面解析了基于计算性思维的建筑绿色性能智能优化设计。2019年，美国建筑师学会 （AIA） 发布 《建筑师的建筑性能指南》 （Architect's Guide to Building Performance），从建筑师的视角以官方指南的形式来对“性能模拟”提供支持。我国新版的《绿色建筑评价标准》，也增加了“绿色性能”的条文：涉及建筑安全耐久、服务便捷、健康舒适、环境宜居和资源节约（节地、节能、节水、节材）等方面的综合性能。

方案阶段的设计决策，诸如形态的改变、平面的调整等对建筑建成性能有巨大影响，因而建筑师需要从方案阶段便开始利用模拟分析工具来测试和评述设计方案及相应指标，才能根本上实现高效地优化建筑性能[4-5]。随着实践中建筑节能设计目标和要求的攀升，现有理论的局限性日渐凸显[6]，既有的设计方法亟待突破。此外，实践建筑师并不能全面地认知“性能”这一概念的理论和内容，且缺少与之相对应的设计及优化流程。本文旨在从方案设计的角度，引入“知情式”设计（Informed Design）理念，并结合建筑性能的相关研究，从量化优化和多解优化两种性能优化框架入手，借助数字技术工具，搭建了“知情式”的性能可视化数据互动分析平台。从而在建筑实践中，提升建筑师对建筑性能的直观认知，辅助他们有效地进行性能优化设计。

1 性能概念的不同维度及其在建筑中的应用，根据参考文献[1]改绘

2 3种建筑设计过程，根据参考文献[11]改绘

1 数字技术背景下的“知情式”设计理念

建筑学具有不同于传统工程特征领域的多学科交叉特征，且包括众多无法量化的评价内容，这造成了建筑设计相对于其他工程领域进行优化研究的复杂性。为了建立有效的建筑师“知情式”设计方法，在方案设计阶段，除了需要了解建筑师所关注的建筑性能具体类型，还需要对建筑设计流程进行分析，研究如何在各种评价指标的介入下，实现更为直观的综合优化过程。

1.1 建筑方案设计评价指标及流程

1.1.1 评价指标

建筑方案设计阶段涉及到的评价指标可被概括为3个层面：美学评价、功能特性、物理环境（表1）。其中，美学层面的指标难以量化得到最优解；功能层面可以通过部分指标，例如空间尺寸、面积统计、交通可达性等指标进行量化；物理环境层面则可以综合多维度的评价指标，主要包括：室内环境（光、热、能耗）、室外环境（风、热）以及结构性能、声环境等进行。其中物理环境的评价指标依赖基于物理学规律的软件模拟，然而常规模拟软件的计算时间难以压缩且不易修改，这些都极大地增加了对于方案进行性能评价的时间成本。

表1 建筑性能设计的评价指标及其相应软件平台、评价方式（绘制：马辰龙）

1.1.2 优化流程

Wortmann[7]将建筑设计过程按照由简单到复杂进行区分，限定为3类：分析综合（analyze synthesis）、生成与测试（generate and test）、平行进化（co-evolution）。“分析综合”代表了理想化的方案优化过程，通过对优化问题的穷尽式分析直接获得最优解；“生成与测试”是指在无法进行穷尽式分析的优化场景下，通过有限的参数采样探索建筑性能的分布情况，从而取得较优方案的过程；“平行进化”则说明存在多个不同的解题路径，需要针对不同的路径及对应的若干解决方案，进行综合评判后取得设计问题的最优解答（图2）。

1.2 数字技术背景下的计算性建筑设计

当今时代，数字技术从各方面向建筑设计领域渗透，并在一定程度上改变和影响着建筑师的设计范式。数据支持的计算性设计方法需要从控制指标出发，调整方案中相互对应、相互影响的形式和性能参数，寻求同时满足建筑师形式追求和性能评价要求的方案[8]。以权重评价方法的因果关系为基础建立设计导则，解析目标，明确设计方向，通过数字模型和数值模拟分析参数之间的非线性关系，以性能数据启发和拓展形式的可能性。

相关学者将计算性城市设计分为3个细分方向：强调数据支持的量化分析（Data-informed），强调具身性的循证分析（Evidence-based），和强调算法驱动的生成创新（Algorithm-driven）[9-10]。这3个方向也与计算性建筑设计相契合，其中第2个方向指以VR等沉浸式为代表的交互式设计，而另2个方向则是现阶段进行建筑性能优化设计的主流方向。其中，后者侧重得到基于优化算法的定量结果，实现方案生成，并不依靠设计者的主观判断与综合权衡；而量化分析强调将获取的数据结果向设计者直观呈现，设计者可以结合定量数据、定性数据、主观经验和直觉等进行综合评判以做出决策[9-10]。

表2列举了近些年国内外在建筑性能优化设计领域中代表性的研究成果。根据性能优化目标的不同，涉及的软件平台、优化方法、研究侧重点也不尽相同。此外，这些研究也分别与上述两种方向相契合：

表2 建筑性能优化设计的国内外研究成果分析 （绘制：马辰龙）

（1）量化分析：通过人机交互协同，实现建筑师对于建筑形态和材料层面的参数选取和控制，并利用计算机模拟软件或者相关数据分析工具，得到主观的设计形式及与之对应的客观变量之间的关系；

（2）算法生成：运用诸如“遗传算法”在内的优化算法，得到多目标条件下的最优解集，实现数据自动筛选条件下的方案生成。

然而，实际项目中建筑方案的丰富性和建筑形式的多样性，使得数据与设计并不是单一或者单向联系。一方面，追求最优解和唯一解违背了设计创新的初衷，建筑师可能更期望获取“性能较优”，但可以兼顾其他不可量化的主观评价指标的次优方案。另一方面，由于建筑设计参数与性能之间通常为非线性关系，难以实现依托帕累托最优解集来预测次优解（即如果在参数空间中同时选取两个帕累托最优解集，则二者“之间”的参数取值对应的性能值并不能保证同时在帕累托前沿附近），这将为建筑师的形式推敲工作带来巨大不确定性。

因而，亟需一种设计方法，能够将参数空间和阈值范围可视化地传递给建筑师，以便提供更多的设计可能性，从而使其更为直观、快速地获取满意的方案。

1.3 “知情式”设计方法

“知情式”设计这一概念在教育学[22]、工业与产品设计、城市规划与城市设计[23-24]等领域被广泛提及。2019年，乔丹·马瑟斯（Jordan Mathers）将一系列建筑、规划学者的访谈集命名为“Data-Informed Design”，表达了当前的建筑与规划实践中设计师对“多维度数据”的依赖，论述了建筑行业在大数据时代面临的挑战与机遇，以及建筑行业利用数字技术实现设计模式变革的潜在可能[25]。本文所述的“知情式”设计，便是在这一概念基础之上，对前文所述的量化分析和算法生成等研究方法进行融合，使理性的数据评价指标融入到感性的方案设计过程之中，建立以目标和效果为导向的计算机辅助设计方法，这一方法更强调了设计师在整个方案推进过程中的不可替代性。

1.3.1 实现“知情式”设计的关键问题

建筑性能优化设计的目标应当促进建筑师在方案设计阶段能够根据所选取的评价指标，直观判断出方案性能的优劣，积极解决性能模拟预测时间较长的问题，避免因为计算速度造成的不利影响。此外，还应综合考虑建筑空间、形体、界面等设计参数改变的情况下，对不同方案之间的性能差异进行比较与分析。

因此在建筑实践中进行建筑性能优化设计需要围绕以下两类关键性问题进行：一是如何将主观决策与量化评价指标相结合。建筑方案阶段的性能优化框架应当考虑将建筑师主观的设计决策与量化评价指标均纳入其中，并且建筑师可以直观地感知，从而有助于他们推进设计。二是如何实现设计与性能计算的同步，以及实现整体的速度提升，因为常规的能耗物理模拟方法、光线跟踪算法等均需要较大的时间成本。

3 基于屏幕叠加技术的交互式建模界面，引自参考文献[25]

1.3.2 解决“知情式”关键问题的方法

（1）多维度的数据呈现方式

“知情式”设计理念依托于多维度的数据呈现方式，其中常见的包括数据分析图表、模型着色、采样点的可视化、平行坐标图等。此外，依托屏幕叠加技术可以将多维度的可视化数据并置呈现，创造更直观的数据交互界面。

图3是借助Human UI插件实现屏幕叠加技术的案例，建筑三维模型、采样点的视线指标、太阳辐射值、阴影遮挡情况、功能分布数据、建筑预算等参数并置于同一界面，方便建筑师的方案推进，也便于设计师之间或设计师同服务对象之间的交流和沟通。

（2）基于机器学习的快速性能反馈方法

“知情式”设计理念要求各项建筑性能指标可以实现快速反馈，以供建筑师在时间紧迫的建筑方案设计阶段能够快速获取性能反馈而不至于打断方案构思流程。为解决此问题，引入机器学习算法，从既往采样数据学习输入参数与输出参数的关联性知识，从而能够根据新的输入参数快速猜测对应输出参数[26]。

2 “知情式”性能优化设计的方法构建

基于前述分析，本研究建立了“知情式”性能优化设计的方法，并分别从软件平台、核心算法工具、优化框架3个方面进行构建。

2.1 交互式性能优化平台

研究建立了面向方案设计阶段的交互式性能优化平台（图4）。该平台以Rhinoceros3D软件为建模核心，借助其内置的Grasshopper可视化编程工具，可同各类第三方插件或性能计算软件进行数据交互。其中，Ladybug+Honeybee性能计算模块可同EnergyPlus、Radiance软件链接，计算建筑能耗、舒适度与光环境性能；Octopus、Wallacei、Opossum等优化插件提供了各类优化算法，实现融合于设计流程的建筑性能选优；HumanUI、Mandrill、Conduit插件则在Rhino建模界面叠加各项建筑性能可视化指标，通过可视化方式进行建筑关键性能的直观呈现。通过MATLAB API链接MATLAB平台，利用其强大的数据分析计算功能作为机器学习算法引擎。

2.2 基于机器学习的核心算法工具

在MATLAB平台中编写了基于机器学习的核心算法工具，该算法工具将融入针对不同设计流程的两种性能优化框架，实现近乎“即绘即模拟”的交互方式，包括基于既往模拟数据的元模型训练与快速性能预测工具，以及基于机器学习的能耗快速预测工具（图5）。

（1）机器学习训练与快速性能预测工具

以Simple ANN（浅层神经网络）为代表的机器学习算法可以从多变量高维数据集中学习对应的输入输出关联模式，从而建立一个输入输出关联模型，通过将新数据输入训练好的预测模型，可以预测对应的数据输出。这一性质被广泛运用于建筑能耗预测相关领域以加快建筑能耗优化的速度，并被称为“代理模型”或“元模型”方法（surrogate model/metamodel）[27]。元模型的应用通常涉及到对特定预测问题的最优输入参数筛选（feature engineering）及最优机器学习算法的选取两个过程，本文开发的机器学习训练与快速性能预测xzz工具依托于MATLAB平台内的机器学习算法库，在训练阶段建立了多输入参数与多机器学习算法的自动选优过程，以在后续的性能预测阶段使用最优元模型进行性能预测。

4 方案设计阶段的交互式性能优化平台

5 两种快速预测工具的工作原理图示

（2）基于机器学习的能耗快速预测工具

建立方案阶段全年能耗快速预测工具，该工具包括了自主开发的基于建筑体量自动分解算法，以基本组合单元所受全年辐射值为输入参数的能耗快速预测方法。将建筑体量分解得到的基本组合单元几何特征和对应全年辐射值参数输入上述MATLAB内的机器学习训练与快速性能预测工具，快速得到对应的能耗计算结果。

2.3 面向建筑设计流程的两种优化框架

结合Wortmann所提出的3类设计过程，将整个方案设计流程分解为量化优化（对应分析综合过程）和多解优化（对应生成与测试及平行进化过程）两种优化场景，并分别建立与之对应的性能优化框架。

2.3.1 量化优化场景下的性能优化框架

量化优化场景是指设计师已经确定了某一方案原型，需要对这一方案的各项形态控制参数进行详细的数值优化，以确定最佳设计参数。该性能优化框架侧重于将设计参数与对应的性能指标以更为直观的方式呈现给建筑师，运用多维度呈现方式，帮助建筑师更快速地理解建筑设计参数与对应性能指标之间的增减关系。此种情况下，一方面可以将不同参数组合和对应的建筑性能进行随机采样，并以可视化手段显示，如点云图或平行坐标图等，从而直观地反映建筑性能随参数的变化趋势。另一方面，可以借助机器学习算法对不同参数和对应建筑性能之间的内在关联性进行学习，进而脱离精确但耗时的物理模拟，直接将训练好的机器学习算法当作性能预测核心，从而快速实时地获得建筑性能反馈。当机器学习算法达到一定预测精度后，便可以结合遗传算法等传统优化算法和工具进行快速的多目标性能优化（图6）。

6 量化优化场景下的性能优化框架

7 多解优化场景下的性能优化框架

2.3.2 多解优化场景下的性能优化框架

多解优化场景可以对应方案设计流程中的多方案比较阶段，在这一阶段涉及到了不可量化的方案决策。不同于量化优化场景，这一场景下各个候选方案无法用固定的某些控制参数的数值变化来得到，通过随机采样和机器学习算法获得完整平滑的建筑控制参数间关联性的方法已经失效，建筑师应当直接聚焦于不同候选方案间性能预测结果值的比对（图7）。

因此，在多解优化场景下最有效的路径是尽可能快速地实现性能可视化，当建筑性能的反馈从传统的数十分钟大幅缩短，建筑师就可以在方案修改之后快速直观地看到对应的性能变化趋势，这将大大提高对设计方案的把控能力。为了实现上述目的，该优化框架利用GPU加速的光线追踪算法来加速与此相关的采光指标和舒适度指标的计算；利用机器学习算法实现建筑能耗的快速预测。加速后的性能指标计算时间已经可以支持模型建模界面的快速可视化，以辅助建筑师在进行建筑形态推敲过程中快速获知建筑性能的对应增减趋势，以判断下一步的形态推敲方向。

3 基于“知情式”理念的性能优化实践

3.1 核心算法的准确度验证

为了验证基于机器学习的核心算法可靠性，对能耗快速预测算法进行了准确度验证。首先，编写参数化算法随机生成城市尺度的路网，在此基础上建立不同规模的街区验证模型，之后分别利用搭建的能耗快速预测平台计算出每一栋建筑内所有热区对应的建筑能耗，并记录其计算时间；接下来，利用Ladybug+Honeybee插件将对应模型导入EnergyPlus软件进行基于物理模拟的能耗计算，记录其所有热区的能耗值及计算时间。随着街区规模的扩大及模型几何复杂度的提升，基于物理模拟的能耗计算时间显著上升。将两组数据及计算时间进行比较分析，最终结果显示：不同规模下，能耗快速预测算法的计算准确度（R²值）始终保持在较高水平（图8、9）；对于中小尺度的建筑体量其能耗计算速度不足20s，而对于城市街区尺度模型则将计算速度从24h缩短到480s之内（图10）。

8 不同规模的街区能耗验证模型

10 基于物理模拟的能耗计算与快速能耗计算方法时间对比

11 多解优化场景下的总平面布局分析

12 锯齿形玻璃幕墙标准单元及分析图

9 不同规模的建筑基本运算单元能耗预测准确度

3.2 基于“知情式”理念的性能优化实践

基于交互式的性能优化平台，建筑师可以将一个典型的建筑设计流程分解为若干多解优化与量化优化场景的迭代组合，分别结合两种优化框架能够直观而快速地理解形态操作对建筑性能的影响。下文展示了优化平台在实际项目中的应用，为在性能寻优目标下的建筑布局形式和立面单元尺寸提供了示范。

3.2.1 多解优化场景下的建筑总平面推进

在容积率为2.0的前提下，建筑体量的高低搭配、建筑形式选型、楼栋数量等均有较多的可能性，无法用有限个数的控制参数生成所有备选方案。在总平面布局推敲时，设计师既可以关注到不同建筑体量组合形式，又可以看到建筑能耗的多少，从而选取最合适的总平面布局方案；之后，在布局方案基本确定时还可以获取对应的采光指标，验证其采光质量。

叠加于建模界面之上的可视化数据实时呈现出能耗变化趋势以及每个方案的能耗分布情况（图11）。其中，屏幕最上方显示当前设计方案的地上总建筑面积；左侧上方显示整个地块所有建筑的空调能耗、采暖能耗和总能耗值；左侧两个环状图则分别表征了各个建筑体量的空调能耗与采暖能耗占比情况；下方的方框区域内为建筑能耗历史记录可视化区域，经历若干次方案推敲之后，历史方案的空调能耗、采暖能耗和总能耗变化趋势将分别以蓝色、红色和洋红色折线图表的形式反映在该区域。图示反映了建筑师的总平面布局探索过程：第一组方案包括两组板式的办公建筑，第二组方案主要放置了3栋点式的塔楼，由右下角的折线图表可以看出，第二组的能耗有所降低；第三组方案尝试了点式和板式的组合方式，而第四组为板式塔楼与裙房结合的形式，通过能耗历史记录工具可以看出第三组方案增加了能耗，而第四组虽然提高了采暖能耗，但对应的制冷能耗会降低，因而可以初步判断该布局更适合于夏季炎热的南方地区。

3.2.2 量化优化场景——立面单元尺寸选优

在某办公楼设计中，建筑的西立面正对城市主干道，是主要的展示面，综合考虑西立面的防晒需求，选取锯齿形玻璃幕墙作为该立面的基本构成单元（图12）。锯齿形幕墙的倾斜角度、外伸距离会同时影响到投资成本、室内采光效果及制冷制热能耗；但是不同参数组合下相关性能如何变化，建筑师无法直接获取。

在量化优化场景下，选取两个柱子之间的开窗单元进行分析，其中窗户单元的大小及旋转角度为可变量，性能指标为材料成本、UDI值，制冷与采暖能耗，在设计中需要综合考虑4个目标参数的结果，实现综合寻优[28]。通过对4个目标参数的随机采样，依托机器学习算法建立了对应的平行坐标图和参数曲面图。

最终的可视化结果显示（图13），材料成本：随着旋转角度和窗口长度减小，成本逐渐降低。整体形成对称的、中间凹陷的反应曲面，且在窗长为零时达到最小值。

UDI100–2000/60%：UDI值随悬挑距离的增大而减小，且旋转角度越大呈现的UDI值越大；反应曲面在点（0°, 2.1）周围形成一个明显凹陷，这是因为窗户转角为0°且宽度较宽时，过多的天然采光摄入；当窗户尺寸小于0.4m时，UDI值急剧下降。

能耗：包括制冷和采暖能耗。制冷能耗随窗口尺寸减小而下降，且旋转角度在10°左右时能耗值较高，形成一个向上的凸面；采暖能耗的反应曲面相对复杂，在左上角（-90°, 2）处达到极大值，而在点（30°, 0.6）附近形成一个凹陷。

建筑师可以参照4个性能参数的三维点云可视化结果，综合了解参数的变化趋势以及参数之间潜在的此消彼长的关系；此外，还可以综合考虑模型的美学效果和空间感受等设计因素，直观地选取同时满足性能需求和主观美学评价需求的候选方案，最终选取了窗户角度为30°，宽度为0.7m的设计参数进行下一阶段的深化设计。

13 量化优化场景下的数据可视化分析图

4 结语与展望

我国“十四五”规划强调“加快推动绿色低碳发展，发展绿色建筑”。绿色建筑的推进必须见人见物，“人”是首要的决定性因素，人的影响力首先在于绿色价值观的建立和绿色生活方式[29]的推行。建筑师作为建筑设计中最重要的角色，应当努力成为建筑性能决策的主导者；如果建筑师从方案阶段就能够从性能角度进行优化设计，既可以降低建筑的能耗、减少碳排放，又可以提升室内外的环境质量，从而促进建筑整体的品质提升。

此外，人工智能技术的发展推动了建筑产业的信息化升级与转型。机器学习及神经网络技术等前沿技术如何介入建筑设计流程，成为许多建筑学者关注的问题[27]。将机器学习作为辅助工具的前提下，可以提高整个设计流程的设计效率[30]；利用不同机器学习算法的筛选，可以获得最优性能[31]，这些均为性能优化设计的研究和应用提供了有力的技术支撑。

本研究正是基于“节能减排”的国家战略，结合人工智能语境下建筑学领域的发展和变革，以建筑师的视角出发，从理论、方法和应用3个层面对建筑性能优化设计进行探索。

在理论层面，引入了“知情式”的建筑设计理念，在“知情式”的前提条件下，建筑设计需要关注评价指标和优化流程两方面的内容，并解决如何将主观设计决策与量化评价指标相结合，如何实现设计与性能计算同步以及速度提升这两个关键性问题。

在方法层面，依托当前丰富的数字技术工具建立起基于“知情式”理念的性能优化平台，将建筑方案设计流程分解，提出了“量化优化”和“多解优化”两个场景下的性能优化框架。建筑师可以根据设计实践中不同需求，交叉选用不同的优化框架来辅助方案的决策。

在应用层面，利用机器学习技术，通过对历史候选方案性能参数的学习，建立性能指标与设计参数之间的分布规律模型，根据新的控制参数快速预测建筑性能；借助可视化插件实现建筑性能的叠加显示，加强设计师在方案推敲过程中的性能感知。

随着人工智能理论与数字技术的发展，基于参数化的性能设计平台开发，除了设计前期的虚拟交互操作系统，还包括方案阶段的建筑形式自动生成系统、建造阶段的建筑构件数控加工系统等[32]。在今后的研究和实践过程中，除了不断完善交互式平台，还应针对设计中的其他环节展开性能优化设计，将其更加深入地介入到建筑设计的整个流程之中，以技术的力量促进未来建筑设计方法的更新，最终实现更为全面的变革。□