骆肇阳,齐轩宁,董琪
(1.哈尔滨工业大学建筑学院,黑龙江 哈尔滨 150000;2.寒地城乡人居环境科学与技术工业和信息化部重点实验室,黑龙江 哈尔滨 150000)
智能遮阳是当代建筑发展方向的重要内容之一,它具有优化室内环境品质及节能和提高空间舒适度的功效[1]。因光照时刻变化,手动遮阳不能满足需求,智能遮阳具有即时遮阳控制室内采光舒适度的作用[2]。
既有智能遮阳研究多利用采光模拟与优化工具进行调控形态的推导[3-9],许多采光性能模拟软件与优化工具耗时较长,传统的试错型设计流程,极易延长设计周期。为了提升智能遮阳设计效率,需使用有效的智能遮阳模拟工作流程,统筹相应的设计工具,从而在设计初始阶段,确定智能遮阳原型。
人工智能时代下,各类机器学习工具开始应用于各类领域。本研究对已有的智能遮阳建模技术与信息模型进行更新,提出利用神经网络预测模型优化的智能遮阳采光模拟设计流程,统筹配套的数字工具集,以便提高设计效率,以服务于后续的控制策略、控制工具、传动设计等一系列设计。
合理的智能遮阳设计流程能够有效完成从“概念设计”到“实体设计”的过渡,有助于其复杂设计过程的简化。早期相关学者曾提出流水概念模型(waterfall model)作为早期建筑智能遮阳设计流程(图1),该模型假设早期设计过程应组织成一组连续的动作,引导设计者实现设计目标,这些设计目标在执行之前,会被进行明确定义。然其缺点在于,它需将设计活动排列为不可逆的、定向的序列,这与日常实践中的设计思维相悖:设计进行初期往往不会明确特定的设计活动,设计过程本身许多环节是回溯性(iteration)地进行,此外设计过程往往趋向于多个解决方案的比较,并最终决定设计结果。
作为对流水模型的修正改良,Horváth[10]提出了概念设计过程的路径寻找器流程模型(pathfinder model)(图2),该模型将所有设计目标进行重叠,未指定任何确切的执行方案,设计师可根据设计任务的特定需求决定设计活动的类型、频率和顺序。这种模式的主要优点在于可同步影响与反映多个设计概念的变化,承认所有目标都是相互影响与制约的,一方牵动另一方进行设计策略与性能参数的改变,并能根据具体设计目标控制权重。该模型更贴切于智能遮阳结构的设计与运行逻辑[11]。因此,路径寻找器流程模型可作为以采光为导向的建筑智能遮阳模拟设计流程的理论基础。
图2 路径寻找器模型[11]Fig.2 Path finder model
机器学习优化下的动态采光遮阳设计流程,以路径寻找器流程模型为纲要,整合动态建筑遮阳设计内容,创建成参数交互组件,利用机器学习算法对模型数据进行学习训练以生成预测模型,以更快地获取方案信息,避免重复优化流程。设计流程包含设计流程的参数化与映射数据的机器学习。
智能遮阳的运行逻辑是不同时刻不同环境下,将可动的遮阳结构自动调节成最优的遮阳形态,以实现室内的最佳采光,同时避免眩光等目标。除借助材料形变的复杂遮阳构件外,其大部分如机器一样,借助数字化途径生成、控制与运行:数字构成形体几何模型,数字编译的动力运行逻辑控制形态变化,数字构成的物理系能评价指标指导物理环境的优化。因此,它必然是基于参数化设计思维进行架构下的产物,模拟流程应以参数化思维进行建构。
本研究以路径寻找器模型为纲要,借助参数化思路,将以采光为导向的智能遮阳流程组块分为五项(图3),每项组块包含相关的设计内容。其中,形式组块的内容包含:智能遮阳的几何形体参数建立,以参数影响形体改变;优化组块的内容主要为以采光性能为目标进行形态优化,确立不同环境参数、几何参数下的最佳遮阳形态;分析组块的内容为智能遮阳控制下室内采光性能的仿真模拟,以数据进行采光环境的评价;环境组块的内容包含室外采光环境的建模与天空模型参数的设定,以提供适用于设计场地的模拟运行环境;动力组块为智能遮阳运行的可视化模拟,以模拟与观察其运动效果。设计组块之间互相连接,在统一的数字设计平台下进行参数相互关联,每个模块的输入参数会影响遮阳形态,以及其模拟结果。在此基础上该流程运行的模式为:在每一组块的设计内容上进行调节、分析、评估、反馈修改与决策,在确定的设计周期内该工作流可不停循环,直至生成可行的设计目标(图4)。
图3 智能遮阳形态模拟设计流程组块Fig.3 Smart shading form simulation design process block
图4 智能遮阳设计流程运行Fig.4 Smart shading design process operation
将智能遮阳设计流程进行参数化,虽明晰与整合了智能遮阳形态设计上的不同子内容,然而目前所使用的设计工具处理引擎具有一定局限性,对硬件平台要求高,庞大的数据流模拟易造成设计效率低下,譬如采光性能模拟与优化等耗时较长,精度与时效往往很难同时满足,特别是当设计需要推倒重来时,重新模拟会延长设计周期[12]。因此需要更高效的智能化策略,对智能遮阳的参数化设计流程进行升级。
本研究拟采用人工神经网络[13,14]对智能遮阳模拟流程进行升级,其内容包含神经网络结构设计,神经网络数据库学习与神经网络训练测试。具体操作为:将组块中的形态设计变量进行自变量数据编组,作为神经网络模型的输入层,包括形式组块的几何形体参数和环境组块的建筑形体参数与室外天空模型参数;而将组块中作为采光性能结果的参数进行因变量数据编组,作为神经网络模型的输出层,包括分析组块的仿真采光物理性能数据结果,从而建立神经网络映射数据库。
本研究下的动态建筑遮阳设计流程,旨在结合参数化设计思维进行设计目标的关联、协调与管理,并以机器学习工具——人工神经网络预测模型为工具,以避免修改设计时所造成的重复模拟,从而缩短时间。该流程的实现需选择适宜的工具平台进行支撑,以及工具之间的兼容协调,以完成设计。因此需进行工具的梳理与整合,并对流程实践的可行性进行论证。
完善的工具选择,是该设计流程的操作支撑。本研究将可用的数字工具进行整合,组成数字工具箱,包含相关可视化建模、可视化采光性能模拟软件,以及相应的可视化参数化脚本编辑器。流程每个组件分配有相应的工具以进行相关设计内容的探索,以满足智能遮阳在采光目标上的模拟与设计。工具平台选择Rhinoceros与Grasshopper实现形体可视化编辑操作与脚本命令操作,在此基础上,根据本研究流程设计内容进行工具的完善与细化:形式组块包含Grasshopper内部基本的形体逻辑编辑模块;分析与环境组块为自然采光性能分析模拟插件DIVA内部的分析模块与环境信息模块;动力组块为力学仿真模拟插件Kangaroo;优化组块为基于机器学习算法下的目标优化插件Opossum。该平台的优势在于可以避免建模软件与模拟软件的文件转换,实现多个目标的同步控制。而在机器学习预测模型的建立上,选择SPSS作为数据训练与预测工具。
为证明该设计流程的可行性,本文以某智能动态百叶遮阳设计流程为案例实践,结合某实际办公空间,进行形态设计模拟操作测试。限于篇幅,选择室内最佳自然采光为其设计目标,选择有效天然采光照度(Useful Daylight Illuminance,UDI)为智能遮阳采光调节性能的评价标准。基础几何模型为水平旋转式百叶(图5),依据本文所提出的遮阳模拟设计流程,进行对应设计模块的编辑。在形式组块上,信息参数包含百叶构件的宽度、百叶间距、百叶光学材料系数;环境组块包含建筑地理信息、使用的建筑长宽高与进深方向系数、墙壁地面天花板的材料反射系数、朝向、窗墙比与窗高等,选择Preze模型作为天空仿真模型;分析组块包含DIVA室内工作面高度设定、工作面照度分析与眩光分析,其中采光评价指标采用UDI100-2000lx;优化组块为基于机器学习优化算法的Opossum插件,能够进行快速的最优解计算,其核心架构采用了基于代理逻辑(Surrogate-based)的径向基函数Radial Basis Function Network神经网络,相对于传统的遗传算法,能够更快获取最优解[14],此外相关模拟固定参数设定见表1。
表1 模拟工具参数设定
在完成流程设定后,便可进行设计模拟操作。研究拟设定该智能遮阳百叶在6月21日9:00—17:00使用期间进行逐时自动调节,通过Opossum的优化驱动百叶几何参数变化,采光软件DIVA根据不同百叶的几何参数,计算室内有效自然采光平均值(UDIaverage),最终软件平台可计算出满足评价指标下的室内最大有效自然采光照度平均值,从而获取逐时百叶几何参数与采光性能的映射数据。储存数据结果,建立输入为形态设计参量、输出为室内自然采光性能目标参量的神经网络学习数据库,最终透过模拟获取2 866组映射数据,由各时间点的百叶尺寸参量与其对应的室内平均有效照度映射数据组数组成。
接着,利用神经网络预测工具,建立形态与性能的映射关系,研究最终采用交叉验证法分类,其中,2 207组数据组用于训练、266组用于验证、264组用于测试以验证相关性。在此之前,需确立神经网络模型结构,包含输入层、输出层与隐含层的设定。本次案例模拟中,窗孔尺寸固定,百叶位置与百叶整体的长宽参数不计入输入层,于是在输入层的神经元设定对应的4项智能遮阳百叶形态设计参量,其中包含百叶片宽度、百叶的个数、时间、百叶的角度;输出层神经元对应的1项,为对应形态下室内有效天然采光平均照度值;隐含层为1层,包含30组神经元,并采用SPSS下的MLP(Multilayer Perception)网络进行训练(图6)。研究以有效采光照度模拟值为目标值,计算神经网络预测值与目标值的相关系数,以验证预测精度。计算结果表明,训练后的神经网络模型下,其有效自然采光照度预测值与模拟值的相关系数为0.964,和方差(Sum of Squares Error,SSE)为0.450(图7),模型拟合较好,数据预测较为成功。由此可见,训练后的神经网络预测模型具有一定精确性预测的能力。
图6 神经网络映射结构Fig.6 Mapping structure in neural network
图7 神经网络预测精度显示Fig.7 Fitness level in trained neural network
最终,设计者便可使用预测模型进行智能遮阳百叶形态选择的同时,可迅速获取其工作时效内的室内有效自然采光照度,无需重复进行采光性能的模拟。依据同样方法,设计者可以获取室内眩光评价数据等其他采光指标,从而在形态选型工作中进行有效的遮阳形体使用权衡,避免重复软件模拟。
本文提出了机器学习工具优化下的建筑智能遮阳形态模拟设计流程,在既有参数化设计策略与使用工具的研究基础上,进行总结与归纳,指出既有智能遮阳模拟研究的不足,整合了智能遮阳模拟流程的使用工具,利用机器学习算法——神经网络预测模型改良模拟流程。摒弃了阶段式设计思维,使智能遮阳设计目标相互关联,从而有助于降低工具与流程的运算耗时,提升了智能遮阳设计效率。