CN116341354B 裝配式鋼結構超低能耗建筑多目標優化設計方法及平臺 （河北工業大學）

裝配式鋼結構超低能耗建筑多目標優化設本發明為裝配式鋼結構超低能耗建筑多目行參數化設計研究和BIM動態模型自動建模；考采用多種人工智能算法完成建筑能耗的預測工2通過調整不同的建筑總長、建筑總寬自動生成符合特定目標的裝配對鋼框架的BIM模型根據規范進行結構穩定性計算，并統計鋼框架的BIM利用建筑能耗模擬軟件逐個分析對建筑能耗有影響的外圍護結構材料性能參數的建依據建筑能耗影響因素分析模塊確定的關鍵外圍護結構材料性能參數的種類及各自i多目標優化的約束條件為關鍵外圍護結構材料性能參數的熱工系數限值標準約束及3利用多目標優化算法獲得最優解，將最優解放入參數化建模流程中的鋼框架的BIM模2.根據權利要求1所述的裝配式鋼結構超低能耗建筑多目標優化設計方法，其特征在3.根據權利要求1所述的裝配式鋼結構超低能耗建筑多目標優化設計方法，其特征在利用多種人工智能算法建立建筑能耗預測模型，采用平均絕對誤差和決定系數R2作為4.一種裝配式鋼結構超低能耗建筑多目標優化設計平臺，參數化建模模塊，用于根據裝配式鋼結構超低能耗建筑的特建筑能耗影響因素分析模塊，用于利用建筑能耗模擬軟件確定對建筑鍵外圍護結構材料性能參數的種類及各自的取建筑能耗預測模塊，依據建筑能耗影響因素分析模塊確定的關鍵外4方案生成模塊，以多目標優化模塊獲得最優解集中的方案應5.根據權利要求4所述的裝配式鋼結構超低能耗建筑多目標優化設計平臺，其特征在6.根據權利要求4所述的裝配式鋼結構超低能耗建筑多目標優化設計平臺，其特征在視化編程中的可編程模塊PythonScri7.根據權利要求4_6任一所述的裝配式鋼結構超低能耗建筑多目標優化設計平臺，其行時可實現權利要求1_3任一所述裝配式鋼結構超低能耗建筑多目標優化設計方法的步5[0003]建筑運行能耗占我國能源消耗總量的30％以上，為了推動我國如期實現“145計決現有技術中上述缺點的裝配式鋼結構超低能耗建筑[0009]由于裝配式鋼結構超低能耗建筑具有集成房間模塊單元[0010]通過調整不同的建筑總長、建筑總寬自動生成符合特定目標的裝配式鋼結構建6[0013]利用建筑能耗模擬軟件逐個分析對建筑能耗有影響的外圍護結構材料性能參數[0027]多目標優化的約束條件為關鍵外圍護結構材料性能參數的熱工系數限值標準約[0028]利用多目標優化算法獲得最優解，將最優解放入參數化建模流程中的鋼框架的7面內和平面外的穩定驗算等效彎矩系數；P:P,—彎矩作用平面內和平面外的軸心受壓構[0043]利用多種人工智能算法建立建筑能耗預測模型，采用平均絕對誤差(MAE)和決定[0044]本發明還保護一種裝配式鋼結構超低能耗建筑多目標優化設計平臺，其特征在8[0051]所述設計平臺還包括結構穩定性計算模塊，用于對鋼框架的BIM模型進行穩定性[0052]所述參數化建模模塊通過Dynamo可視化編程模塊實現，多目標優化模塊通過Dynamo可視化編程中的可編程模塊PythonS序被處理器執行時可實現上述裝配式鋼結構超低能耗建筑多目標[0056]②應用多種人工智能算法建立能耗預測模型，結合建筑能耗模擬軟件，例如[0057]③對選定的人工智能算法模型利用多目標優化算法，例如非支配排序遺傳算法9能耗建筑——聯肢模塊化裝配式鋼結構超低能耗建筑為例，結合本發明實施例中的附圖，[0077]通過調整不同的建筑總長、建筑總寬自動生成符合特定目標的裝配式鋼結構建[0080]基于建筑能耗模擬軟件，逐個分析對建筑能耗有影響的外圍護結構材料性能參[0082]充分考慮建筑能耗控制的結構尺寸優化設計，結合關鍵外圍護結構材料性能參[0084]構建人工智能算法庫，包括XGBoost算法(XGBoost)、GradientBoosting算法能算法為建筑能耗預測模型，在最優智能算法基以BIM參數化庫的數據為基礎，以單位面積建筑成本和單位面積建筑能耗來作為優化的目護結構材料單價，得到裝配式鋼結構超低能耗建筑的成本和能耗。以單位面積建筑成本和單位面積建筑能耗來作為優化的目標函數保證了優化的客觀性。采用多目標優化算法進行裝配式鋼結構超低能耗建筑的多目標設計，外圍護結構材料性能參數的約束條件在建筑能耗預測模型中已考慮，鋼框架結構以結構承載力要求為約束條件，得到滿足結構承載力和所得的最優解集方案中各設計參數值的分布頻率，用以研究最優解集中設計參數的取值規[0093]多目標優化通過分布頻數確定的調節參數與人工智能算法確定的變量重要性得[0094]最終的優化方案可以通過建立的參數化建模自動生成相應的BIM模型。多目標優化模塊會封裝在參數化建模流程中的可編程模塊中，可以通過選擇Pareto解集中的方案，直接生成對應的BIM模型，最終完成滿足工程實際成本和能耗的聯肢模塊化鋼結構超低能梁柱賦予材料特性構成鋼框架的BIM模型即最后一[0114]應用多種機器學習算法進行建筑能耗預測，具體的機器學習算法包括XGBoost算[0115]然后統計XGBoost模型訓練過程中各個特征的貢獻值，定量分析各個特征對建筑[0116]由XGBoost模型訓練獲得的建筑能耗預測模型導出的二進制pkl文件和存放數據rr[0158]PP,—彎矩作用平面內和平面外的軸心受壓構件穩定系數；應的方案為單位面積建筑成本和單位面積建筑能耗都為最優其余參數在優化搜索范圍內存在最優值，與基于XBGoost建筑能耗預測模型的特征重要性分析所得到的結論一致，進一步增強了人工智能算法和多目標優化算法的可信度和準確[0163]將