Simulation-Based and Machine Learning Methodologies for Energy Optimization in Buildings

doi:10.1002/wene.70021

2026-01-11

PRE

A. Romaios

J. A. Paravantis

Athanasios Giannadakis

Sonia Malefaki

Manolis Souliotis

Anastasia Antzoulatou

Paraskevas Georgiou

Pantelis G. Nikolakopoulos

G. Mihalakakou *

DOI：10.1002/wene.70021

原文链接

原文求助

摘要

En 中文

随着现代建筑面临日益增长的可持续性与性能要求，基于仿真的优化和机器学习已成为设计过程中的必备工具。本文指出了传统设计方法的局限性，并探讨了多目标优化和代理模型如何实现建筑性能的可扩展、高效、数据驱动的评估。设计范式已从基于规则的方法转向智能的、算法驱动的流程，以平衡能源、舒适度、成本和排放。基于仿真的优化将动态仿真与先进算法相结合，以探索复杂的设计空间并识别最优的权衡方案。为此，本文以希腊帕特拉斯的一栋低层住宅建筑为例，采用非支配排序遗传算法II进行案例分析。该模型评估了12个与建筑围护结构相关的设计变量，并生成了一组分布良好的帕累托前沿，包含65个非支配解，揭示了供暖能耗需求与建造成本之间的权衡关系。帕累托集中的敏感性模式表明，保温层厚度和窗户性能是影响供暖需求的最主要因素。基于机器学习的代理模型通过用快速预测模型近似计算成本高昂的仿真，进一步增强了优化效果。这些代理模型在采样仿真数据上进行训练，能够实现快速优化和敏感性分析。第二个案例研究涉及葡萄牙一所学校的改造项目，结果表明，人工神经网络代理模型将计算时间从约75天缩短至仅3天，同时保持了高预测精度。敏感性分析显示，窗户升级、暖通空调（HVAC）效率以及太阳能热集成对能源使用和热不舒适度具有最显著的影响。这些定量的和基于敏感性的见解表明，结合仿真和机器学习方法能够支持高性能、低成本且环境友好的建筑设计与改造。

Keyword:

machine learning in building design

multi-objective optimization

simulation-based optimization

surrogate modeling