Interpretable machine learning framework for climate-resilient architectural design optimization

Xinyi Zhang

doi:10.1080/17452007.2026.2702035

Interpretable machine learning framework for climate-resilient architectural design optimization

2026-07-15

0

PRE

AI

DOI：10.1080/17452007.2026.2702035

原文链接

原文求助

摘要

En 中文

在建成环境中增强气候韧性需要数据驱动的方法来优化被动式气候响应设计策略，而中国传统民居为适应不同气候的建筑性能提供了有价值的参考。本研究开发了一种可解释的机器学习框架，通过整合建筑性能模拟与极端梯度提升（XGBoost）、贝叶斯优化和SHapley加性解释（SHAP），以实现性能驱动和气候韧性的建筑设计优化。虽然传统的建筑性能模拟工具（如DesignBuilder和EnergyPlus）支持参数化分析并仍对详细评估至关重要，但多个设计参数之间复杂、非线性的相互作用解释往往隐含且难以系统提取。本框架通过（1）提供针对帕累托最优高性能设计区域的PMV和UDI快速预测代理模型；（2）采用SHAP定量揭示和解释关键设计参数（如庭院尺寸与朝向的联合影响）的非线性影响和协同效应，从而提供传统模拟难以直接获取的可解释且面向设计见解。以中国桂林传统住宅的案例研究证明了该方法在早期设计决策中的应用。优化的XGBoost模型实现交叉验证R²为0.9968，基于TPE的贝叶斯优化在效率上优于传统网格搜索和高斯过程方法。SHAP分析识别出庭院尺寸、朝向和缓冲空间是光环境和热性能的主导驱动因素。本研究提供了可解释的数据驱动见解，扩展了传统建筑性能建模并支持气候韧性设计。

Keyword:

Architectural design optimization

climate-resilient design

passive strategies

traditional Chinese dwellings

interpretable machine learning

Interpretable machine learning framework for climate-resilient architectural design optimization

摘要

期刊

机构

引用论文