推薦：用 NSDT設計器 快速搭建可編程3D場景。

AEC（建筑、工程、施工）行業(yè)的BIM 技術，允許在實際施工開始之前虛擬地建造建筑物； 這帶來了許多有形和無形的好處：減少成本超支、更有效的協(xié)調(diào)、增強決策權(quán)等等。 對于一些公司來說，采用 BIM 是需要克服的一大障礙，許多公司仍在苦苦掙扎。 但現(xiàn)在我們看到行業(yè)出現(xiàn)了另一個新趨勢：人工智能。 我們不要害怕，仔細看看它。 它比你想象的要簡單！

在本文中，我將展示我的碩士論文，題為“使用深度神經(jīng)網(wǎng)絡優(yōu)化 BIM 模型能源性能”。

1、問題的提出

許多不同的估計表明，大約 70-80% 的設施成本用于運營。

當然，這些也是由于維護造成的； 但請記住，建筑業(yè)有時被稱為“40% 的行業(yè)”，因為它占用了世界自然資源和二氧化碳排放量的 40%。 我們應該更好地愛護大自然！

我將嘗試提出一個框架來優(yōu)化建筑物的能源消耗，這被稱為 EUI，或能源使用強度，以兆焦（或千瓦時）/平方米/年為單位測量。 Green Building Studio 將使用 DOE-2 引擎和從 Revit 導出的 gbXML 文件執(zhí)行能源分析。

2、獲取BIM數(shù)據(jù)

首先，我們需要做出一些假設。 讓我將要測試的每個模型的 HVAC 系統(tǒng)保持相同（即，Revit 提供的單戶住宅標準 HVAC 模型將用于每個 Revit 模型）。 事實上，在實際設施中，隨著時間的推移，它可以被更高效的固定裝置和系統(tǒng)取代，否則我們可能根本不知道暖通空調(diào)類型那么早。

相反，讓我們關注建筑物更永久的特征，例如地板、墻壁和屋頂?shù)膶崧剩≧，m2K/W）； 窗墻比； 計劃中的旋轉(zhuǎn)。 這些是我將要嘗試的特征。

另一個假設是我們的 Revit 模型將是一個普通的盒子，里面只有一個房間，沒有隔斷和窗戶（窗墻比將在稍后分配）。 這是為了簡化分析。

因此，讓我們嘗試以下參數(shù)范圍的所有組合：

10368 種組合太多了，但 Revit API 會有所幫助。 Green Building Studio 使用 Revit 可以導出的 gbXML 文件。 此腳本將熱阻值和平面旋轉(zhuǎn)的組合應用于模型，并將每個組合模型導出為 gbXML 格式。 通過改變熱資產(chǎn)的導熱系數(shù)來實現(xiàn)不同的熱阻值。 改變厚度會在分析中引入另一個因素：分析表面始終位于單元的中間，因此總面積隨壁厚而變化。

解析 gbXML 目錄以獲取所有文件的路徑后，我們準備將 3456 (121212*2) gbXML 文件上傳到 Green Building Studio。 使用 Dynamo 包 Energy Analysis for Dynamo。

分析完成后，我們可以開始在 Green Building Studio 中分配窗墻比。 不幸的是，Dynamo 包沒有此功能，并且 GBS API 僅供開發(fā)人員使用，因此我不得不借助瀏覽器自動化來分配 WWR。 然而，這只需要執(zhí)行一次，我們稍后會看到原因。 能量分析完成后，我們可以解析 GBS 中的數(shù)據(jù)并對其進行徹底檢查。

現(xiàn)在，讓我們用另一個簡單但不同的 Revit 模型重復上述所有步驟。

我們將需要這些數(shù)據(jù)以供以后使用。

3、訓練神經(jīng)網(wǎng)絡

對于每個機器學習項目來說，數(shù)據(jù)檢查和準備是必須的。 但在這種情況下，我們沒有丟失數(shù)據(jù)或異常值：我們的數(shù)據(jù)是人為創(chuàng)建的。 因此我們可以安全地跳過許多檢查步驟。 我將寫另一篇文章更詳細地描述神經(jīng)網(wǎng)絡。 如果你有興趣，這里是腳本。 但長話短說，神經(jīng)網(wǎng)絡在給定大量數(shù)據(jù)的情況下，能夠?qū)С龉芾頂?shù)據(jù)的規(guī)則。 與傳統(tǒng)編程相比，我們給出規(guī)則和數(shù)據(jù)來獲得答案。

當規(guī)則難以編碼時，神經(jīng)網(wǎng)絡會派上用場：面部或語音識別、自然語言處理、翻譯、情感分析等。

我們?yōu)楸疚闹蠦IM數(shù)據(jù)設計的網(wǎng)絡具有以下架構(gòu)：

輸入層（綠色）有 5 個單元。 這些是我們的參數(shù)：WWR、平面旋轉(zhuǎn)和三個熱阻值。 輸出層（黃色）是 EUI 值。 將此網(wǎng)絡（藍色層）視為一個巨大的矩陣，其中第一步僅包含隨機數(shù)。 為了訓練網(wǎng)絡，我們的輸入層（向量）乘以一系列矩陣以獲得 EUI 值的預測。 然后將預測與實際 EUI 值進行比較，并更新網(wǎng)絡中的數(shù)字以更好地預測輸出。 重復這個循環(huán)，直到我們對性能感到滿意為止。

現(xiàn)在是時候根據(jù)第一個盒模型的數(shù)據(jù)點來訓練我們的網(wǎng)絡了。 其中 94% 將用于訓練我們的網(wǎng)絡，6% 將用于驗證網(wǎng)絡并調(diào)整影響網(wǎng)絡的一些參數(shù)以獲得更好的性能。

訓練后，我們使用網(wǎng)絡預測 10368 個 EUI 值：

誤差保持在0.2%以內(nèi)，還不錯。 除此之外，網(wǎng)絡將我們的數(shù)據(jù)從離散變?yōu)檫B續(xù)。 換句話說，我們現(xiàn)在可以獲得以前無法獲得的參數(shù)的 EUI 值； 例如 21% WWR 或 R=2.45。

好的，這讓我們進入下一步。

4、遷移學習

還記得我們第一步做的第二個 Revit 模型嗎？ 我們現(xiàn)在將通過稱為“遷移學習”的技術來使用它。 讓我們采用上一步中經(jīng)過訓練的網(wǎng)絡，并將前四層設置為不可訓練：

或者，換句話說，讓我們只關注最后兩層。

此時，網(wǎng)絡“知道”主要模式和趨勢以及每個參數(shù)如何影響 EUI。 但僅適用于第一個 Revit 模型。

現(xiàn)在讓我們通過使用新數(shù)據(jù)重新訓練最后兩層，將新的 Revit 模型“引入”到我們的網(wǎng)絡中。 但有一個重要的區(qū)別：這次只有 6% 的數(shù)據(jù)用于訓練，94% 用于驗證。 不執(zhí)行超參數(shù)調(diào)整。 訓練后我們得到這樣的結(jié)果：

注意：訓練時間約為 1 或 2 分鐘，而第一個盒子 Revit 模型則需要 2-3 小時，并且預測幾乎同樣準確。

5、訓練集/驗證集比例的實驗

為什么要堅持 6% 的訓練與驗證比例？ 讓我們再嘗試一下，看看效果如何。

4% 訓練數(shù)據(jù)

1% 訓練數(shù)據(jù)

0.25% 訓練數(shù)據(jù)

事實證明，訓練-驗證比例大約為 1-2% 時，性能開始顯著下降。

請注意，損失函數(shù)達到平臺后停止訓練

6、結(jié)果與比較

恭喜！ 現(xiàn)在，我們有了一個訓練好的神經(jīng)網(wǎng)絡，可以使用少量數(shù)據(jù)來預測 Revit 模型在大范圍參數(shù)下的能耗。 該模型甚至可能沒有任何窗戶。 我們所做的最后一步展示了它：通過引入我們想要分析的模型中的一些數(shù)據(jù)點，我們得到了相當準確的估計，幾乎沒有誤差。

為了強調(diào)遷移學習的效果，讓我們用剛剛訓練的網(wǎng)絡來預測兩個模型的 EUI。

一個網(wǎng)絡 — 兩個 Revit 模型預測

這就是說，我們不能采用隨機神經(jīng)網(wǎng)絡并期望它與我們的模型一起工作：應該進行一些能量分析。 然而，它可以像第一部分一樣自動化。

7、未來的工作

現(xiàn)在我們有了一個可以準確預測能耗的神經(jīng)網(wǎng)絡，除了使用復雜的 Revit 模型對其進行測試之外，還必須向?qū)嶋H優(yōu)化邁出一步。 為了找到最優(yōu)的參數(shù)組合，需要建立成本模型。 成本模型應包括材料、勞動力、可能的維護、能源成本，并應考慮建筑物的生命周期、建筑和物理限制。

這將產(chǎn)生現(xiàn)實的框架，只需很少的努力，就可以在項目的概念階段選擇最佳的參數(shù)組合。

原文鏈接：神經(jīng)網(wǎng)絡BIM能源優(yōu)化 — BimAnt文章來源地址http://www.zghlxwxcb.cn/news/detail-627802.html

到了這里，關于基于BIM+AI的建筑能源優(yōu)化模型【神經(jīng)網(wǎng)絡】的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！