基于数据挖掘技术的绿色公共建筑智慧化设计方法探索＊

徐斌 苑翔

2020年9月22日，习近平总书记在第75届联合国大会中提出，我国的二氧化碳排放量将力争在2030年前达到峰值，在2060年前实现碳中和。建筑行业对于我国碳达峰、碳中和目标的实现十分重要，2019年中国建筑建造和运行相关二氧化碳排放占中国全社会总二氧化碳排放量比例的38%，其中建筑运行占比约为22%。

绿色建筑是实现建筑低碳发展的重要手段，也是城乡建设绿色发展战略的重要支撑和关键保障。绿色建筑设计以建筑师引领多主体、全专业协同为特征，是基于正向设计与即时评估的系统性设计方法，但仍存在绿色设计介入时间滞后、缺乏对地域气候适应性问题的思考、用户体验感不足、各环节脱节，以及工业化和信息化融合度不足等现实问题。这些问题在一定程度上影响了绿色建筑科学化、规模化发展和节能、减排导向的有效落实。

在绿色建筑的全生命周期内应整合设计体系，遵循建筑设计的深层逻辑，挖掘绿色基因，在设计的不同阶段不断融合绿色策略，通过整体平衡的方式选取最适宜的解决方案，发挥建筑师的引领、统筹作用，与各专业系统推进绿色建筑设计工作。

本文利用数据挖掘技术，通过整合式思考方式和正向设计逻辑，构建绿色建筑的核心要素，指导设计人员从全生命周期、系统化的角度对设计方法及设计技术进行选择应用，以期提升绿色建筑设计的数字化和信息化水平，实现绿色建筑设计效率和水平的全面提升。

1 绿色公共建筑设计基础数据库

1.1 数据库结构搭建

研究通过监测与搜集已建成的绿色建筑的运营数据，处理基础数据，建立项目信息数据库及算法模型，为数据挖掘提供支撑。

数据库结构如图1所示，最底层为基础数据源，来源于对实体建筑项目数据的测试、监测和搜集分析，并将项目数据按照气候区划、城市级别逐级分类，子分类中则按照建筑类型划分。

基础数据源的上层架构为数据处理平台，包含三个数据处理模块——设计参数处理模块、设计目标分析模块和模拟仿真模块。设计参数处理模块将基础数据源整理分类，得到方便设计和计算的数据结构；设计目标分析模块根据数据库辅助选择项目的设计目标；模拟仿真模块根据监测整理后的建筑数据，建立物理模型或数值模型，结合模拟软件进行实验或仿真计算，扩充数据量，以获得更完备、更有适应性的数据算法库。

通过数据处理平台处理后的数据，具有可搜索、可计算、可分析的特征，并可输入大数据智能算法模型。数据训练后，可形成适用于该地区、该种建筑类型的算法模型，为下一阶段的设计搭建基础。

1.2 建筑基础数据处理

设计参数处理模块将基础数据源中的建筑参数分为气象参数、形体参数、建筑环境参数、建筑系统参数和建筑运行参数，可根据项目的需求以及设定的程序规则进行筛选，并对公共建筑设计的场地（P）、建筑（B）、技术（T）和管理（M）四个维度的指标体系执行数据处理，得到适合智能算法数据模型的架构，形成下一层级的分解指标体系。具体的指标数据可经过基础数据归类和简单计算得到，其中简单计算是指不需要经过数据挖掘技术而只需简单的公式计算便能够得到的指标值（图2）。

1.3 基于数据库选择设计目标

设计目标分析模块根据基础数据，统计分析各类可表示当地建筑特色或品质的指标值，如建筑能耗、碳排放、绿色等级、建筑环境及功能等指标，再根据项目所在的气候区、地域、投资、政策、设计需求，以及适用于当地的相关标准和典型建筑，提出合理的设计目标参数。

设计目标分为定性目标和定量目标（表1）。定性目标包含绿色建筑的星级目标、当地政策目标、社会效益目标和人文功能目标等；定量目标包括环境效益目标、经济效益目标、节能低碳目标、区域规划系统定量指标等。同时，设计目标应紧密结合甲方的需求进行设定。

对于定性目标，由于无法通过数据计算将目标参数导入模型算法，因此需要在数据库中匹配气候区、地域、项目投资、政策、项目需求等要素，找到与此目标一致的案例，统计所有类似项目的数据，计算各要素，把定性目标分解成为项目的设计指标，即将其转换为定量目标。已经确定的定量指标可以作为后续优化设计中模型算法的输入参数，同时，需要搜索案例数据库中与此目标相匹配的案例，将其他核心参数作为优化设计的备用数据。

表1 设计目标类型和确定方法

1 数据库结构图

2 项目基础数据处理过程

2 数据挖掘技术与方法

2.1 数据挖掘技术流程

数据挖掘技术（Data Mining，DM）是在大型数据存储库中，自动地发现有用信息，并客观地从数据集中发现蕴藏的知识。该技术可以利用机器学习在性能预测中的优势，进行数据挖掘、预测和评价，并引入智能优化技术在群目标中求得最优解。进而建立性能指标与设计要素的影响机制、预测模型和优化模型，实现“多性能指标预测”与“多目标优化”的同步性、高效性和准确性，得到绿色建筑的反馈式决策模型，弥补传统建筑设计的不足，为绿色建筑节能参数化设计的多目标优化与建筑本体设计的有机融合提供强有力的数据决策支持。

通过对建筑能耗数据库的数据挖掘构建设计实验与分析模型，把建筑能耗和设计需求作为参数输入智能算法模型，分析得到与建筑形体设计相关的关键要素参数，从而形成最优的设计方案，并高效地满足最初设定的绿色设计目标（图3）。

绿色建筑创作新型设计方法与传统设计方法不同，在确定设计需求和设计目标后，不能仅依赖设计经验和设计标准进行主观判断，而需要把设计需求和目标值作为参数输入算法模型，得到与建筑本体创作相关的设计参数，并将现有的设计标准作为约束项，形成多目标驱动、具有数据链接、即时反馈和循环干预机制的新型设计机制，进而生成科学、最优的决策设计方案。

3 基于数据挖掘技术的绿色建筑设计方法

通过建立数据库和算法模型，得到气候区划、建筑类型等前置条件相同或相似项目的标准化计算模型，提高设计分析与实验的效率。建立标准化模型有两个条件：一是必须具有大量的同类项目数据，数据边界至少要确定项目地点、气候条件、建筑类型和功能特点等；二是算法模型需要经过反复训练，形成可直接利用的快速分析模型，模型宜简单，便于设计参数的输入与输出。同时，标准化模型又可用于修正弥补已有的设计标准规范，利于标准的完善与优化，促进建筑精细化设计的发展。

2.2 数据挖掘算法模型

数据挖掘算法主要包括神经网络法、遗传算法、支持向量机法、决策树法、模糊集法等。本研究应用BP（Back Propagation）神经网络建立算法模型。BP神经网络属于前馈神经网络，是目前应用最广泛的神经网络模型之一，其预测结果可靠，算法和模型都较为成熟，不仅在大样本预测中具有很好的精度，在小样本预测中同样效果良好。

研究从数据处理的角度看待各数据之间的关系，基于数据挖掘技术的神经网络模型，将建筑的已知参数指标和设计目标作为输入参数，把建筑师所关心并需要确定的建筑设计参数作为输出参数，确保建筑的统计数据参与设计参数的决策过程。

3 设计理论与流程

从建筑师的设计思维出发，在设计之初，首先通过设计需求和建筑数据统计分析进行数据初步处理，得到可输入算法模型的数据指标，再依据相关设计标准和设计目标筛选设计参数。在建立智能算法模型时，不同的项目采用的设计参数会有所差异。把设计目标和设计参数输入智能算法模型，通过数据挖掘技术和实验分析得到设计方案，再与相关设计标准进行对比分析，使方案满足现有设计标准，并基于经验数据和优秀案例，在一定程度上完善其不足。

因此，本文基于项目数据库和数据挖掘技术建立绿色公共建筑设计流程，如图4所示。

4 设计方法应用实例

某市位于夏热冬冷地区，需要在此设计一宾馆建筑。根据业主的要求和当地标准确定设计目标：建筑面积约20 000m，节能水平要求达到当地宾馆建筑的平均能耗值。本文应用基于数据挖掘技术的绿色公共建筑设计方法，依据该综合设计目标开展设计工作。

4 基于数据挖掘技术的绿色公共建筑设计流程

5 宾馆建筑窗墙比分布 6 宾馆建筑围护结构热工参数分布

4.1 相关设计数据库分析

根据该市61座宾馆建筑的设计参数数据库得知，所有建筑的体形系数在0.05～0.85之间，其中49家建筑面积分布在10 000～40 000m之间，约占80%，其余建筑面积在10 000m以下。统计得到该市的宾馆建筑能耗差别较大，单位建筑面积能耗最小值为16.1kgce/m，最大值为85kgce/m。所测试样本的建筑面积与单位面积能耗值没有直接相关性，单位面积能耗平均值为45.3kgce/m，样本建筑中位数能耗值为41kgce/m，下四分位数能耗值为37kgce/m。根据测试的能耗数据统计值，可将该市宾馆建筑节能设计的约束值设为45kgce/m，目标值设为41kgce/m。

影响宾馆建筑能耗的因素很多，包括建筑的围护结构热工参数、窗墙比、体形系数、朝向、室内人员密度、入住率、能源系统效率和控制策略等。将这些参数数据统计在数据库中（图5,6），经调研和监测发现，该市样本宾馆建筑的全年平均入住率分布在55%～65%之间，波动不大。

这是由于其作为受季节影响较小的旅游城市，一年四季旅游的人员分布相对比较均匀，并没有特别集中的时间段，因此该市样本宾馆建筑的入住率常年保持稳定。其次，该市样本宾馆建筑的供热系统平均效率分布在0.8～0.92之间，制冷机综合部分负荷性能系数分布在4.9～5.9之间，综合能源系统效率相对较高，各建筑之间差别不大。

7 基于数据挖掘技术的神经网络模型

4.2 设计核心要素分析

宾馆建筑的能耗影响因素可以分为建筑形态、热工参数、使用情况和能源系统效率等，每类参数包括的具体性能指标如表2所示。

通过调研测试可得到建筑能耗数据，若仅针对各参数与能耗数据，可以抛开实际的物理模型，仅从数据处理的角度看待数据关系，并形成各类建筑在特定约束条件下的能耗指标限值。但从建筑设计的角度，则希望从这些数据中得到建筑朝向、体形系数和窗墙比等参数的对应关系。

4.3 BP神经网络模型

上述参数不应仅根据建筑设计标准确定，而应利用数据挖掘技术，建立如图7所示的神经网络模型。其中共有输入参数10个，包括建筑面积（x）、建筑能耗（y）、热工参数（x、x、x、x）、使用情况（x、x）、能源系统效率（x、x）；输出参数6个，包括建筑朝向（x）、体形系数（x）和南、北、东、西窗墙比（x、x、x、x）。

根据网络模型的输出和输入参数建立3层BP神经网络模型，经反复试验，设定隐层神经元12个。将BP算法误差精度设为1×10，函数选择学习率为0.035，网络所要达到的目标误差为1×10，最大迭代次数为50 000。把表3中的数据输入BP网络模型，首先可得到建筑朝向角、体形系数和各方向窗墙比的输出数据，再据《公共建筑节能设计标准》（GB 50189-2015）选取的围护结构热工参数和能源系统性能指标，以及调研测试得到的建筑人员密度和入住率等参数。再结合该市建筑节能目标41 kgce/m·a，经BP神经网络模型预测，可以得到针对不同建筑面积的设计参数范围，即建筑体形系数、建筑朝向角和窗墙比。通过表4可以科学地优化设计方案，在建筑创作的同时使得建筑能耗达到目标值。

表2 建筑创作与运行对建筑能耗综合指标的影响参数

表3 模型输入参数数据列表

表4 节能目标值下的设计参数建议值

利用基于数据挖掘技术的设计方法以及该市的数据库，确定输入、输出参数并建立BP神经网络模型，通过大量数据训练和测试验证，得到理想的预测模型，可针对该市的建筑节能目标对指定面积的建筑进行设计参数的预测，成功得到建筑朝向角、体形系数和窗墙比等设计参数，并给出设计建议值，为绿色建筑设计提供量化的设计策略。

5 结论

本文提出了应用数据挖掘技术，以建筑数据库为基础并建立智能算法模型的绿色公共建筑设计方法，即以建筑师为主导，通过统计、分析设计需求和建筑能耗数据，得到建筑节能设计目标，将其与经过筛选的输入/输出参数带入建立的智能算法模型，并结合相关设计标准，经设计师转译优化为满足设计目标的建筑创作方案。本研究方法是以建筑数据库为基础，以数据挖掘技术为手段的绿色公共建筑智慧化设计方法，期望对绿色建筑的智慧化设计提供一定的指引。

＊ 本研究得到中国建筑设计研究院有限公司科技创新项目“地域气候适应型绿色公共建筑设计导则智慧化支撑决策系统研发”（Y2021153）资助。

1-7作者自绘

表1-4作者自绘