CN116341354B 装配式钢结构超低能耗建筑多目标优化设计方法及平台 （河北工业大学）

装配式钢结构超低能耗建筑多目标优化设本发明为装配式钢结构超低能耗建筑多目行参数化设计研究和BIM动态模型自动建模；考采用多种人工智能算法完成建筑能耗的预测工2通过调整不同的建筑总长、建筑总宽自动生成符合特定目标的装配对钢框架的BIM模型根据规范进行结构稳定性计算，并统计钢框架的BIM利用建筑能耗模拟软件逐个分析对建筑能耗有影响的外围护结构材料性能参数的建依据建筑能耗影响因素分析模块确定的关键外围护结构材料性能参数的种类及各自i多目标优化的约束条件为关键外围护结构材料性能参数的热工系数限值标准约束及3利用多目标优化算法获得最优解，将最优解放入参数化建模流程中的钢框架的BIM模2.根据权利要求1所述的装配式钢结构超低能耗建筑多目标优化设计方法，其特征在3.根据权利要求1所述的装配式钢结构超低能耗建筑多目标优化设计方法，其特征在利用多种人工智能算法建立建筑能耗预测模型，采用平均绝对误差和决定系数R2作为4.一种装配式钢结构超低能耗建筑多目标优化设计平台，参数化建模模块，用于根据装配式钢结构超低能耗建筑的特建筑能耗影响因素分析模块，用于利用建筑能耗模拟软件确定对建筑键外围护结构材料性能参数的种类及各自的取建筑能耗预测模块，依据建筑能耗影响因素分析模块确定的关键外4方案生成模块，以多目标优化模块获得最优解集中的方案应5.根据权利要求4所述的装配式钢结构超低能耗建筑多目标优化设计平台，其特征在6.根据权利要求4所述的装配式钢结构超低能耗建筑多目标优化设计平台，其特征在视化编程中的可编程模块PythonScri7.根据权利要求4_6任一所述的装配式钢结构超低能耗建筑多目标优化设计平台，其行时可实现权利要求1_3任一所述装配式钢结构超低能耗建筑多目标优化设计方法的步5[0003]建筑运行能耗占我国能源消耗总量的30％以上，为了推动我国如期实现“145计决现有技术中上述缺点的装配式钢结构超低能耗建筑[0009]由于装配式钢结构超低能耗建筑具有集成房间模块单元[0010]通过调整不同的建筑总长、建筑总宽自动生成符合特定目标的装配式钢结构建6[0013]利用建筑能耗模拟软件逐个分析对建筑能耗有影响的外围护结构材料性能参数[0027]多目标优化的约束条件为关键外围护结构材料性能参数的热工系数限值标准约[0028]利用多目标优化算法获得最优解，将最优解放入参数化建模流程中的钢框架的7面内和平面外的稳定验算等效弯矩系数；P:P,—弯矩作用平面内和平面外的轴心受压构[0043]利用多种人工智能算法建立建筑能耗预测模型，采用平均绝对误差(MAE)和决定[0044]本发明还保护一种装配式钢结构超低能耗建筑多目标优化设计平台，其特征在8[0051]所述设计平台还包括结构稳定性计算模块，用于对钢框架的BIM模型进行稳定性[0052]所述参数化建模模块通过Dynamo可视化编程模块实现，多目标优化模块通过Dynamo可视化编程中的可编程模块PythonS序被处理器执行时可实现上述装配式钢结构超低能耗建筑多目标[0056]②应用多种人工智能算法建立能耗预测模型，结合建筑能耗模拟软件，例如[0057]③对选定的人工智能算法模型利用多目标优化算法，例如非支配排序遗传算法9能耗建筑——联肢模块化装配式钢结构超低能耗建筑为例，结合本发明实施例中的附图，[0077]通过调整不同的建筑总长、建筑总宽自动生成符合特定目标的装配式钢结构建[0080]基于建筑能耗模拟软件，逐个分析对建筑能耗有影响的外围护结构材料性能参[0082]充分考虑建筑能耗控制的结构尺寸优化设计，结合关键外围护结构材料性能参[0084]构建人工智能算法库，包括XGBoost算法(XGBoost)、GradientBoosting算法能算法为建筑能耗预测模型，在最优智能算法基以BIM参数化库的数据为基础，以单位面积建筑成本和单位面积建筑能耗来作为优化的目护结构材料单价，得到装配式钢结构超低能耗建筑的成本和能耗。以单位面积建筑成本和单位面积建筑能耗来作为优化的目标函数保证了优化的客观性。采用多目标优化算法进行装配式钢结构超低能耗建筑的多目标设计，外围护结构材料性能参数的约束条件在建筑能耗预测模型中已考虑，钢框架结构以结构承载力要求为约束条件，得到满足结构承载力和所得的最优解集方案中各设计参数值的分布频率，用以研究最优解集中设计参数的取值规[0093]多目标优化通过分布频数确定的调节参数与人工智能算法确定的变量重要性得[0094]最终的优化方案可以通过建立的参数化建模自动生成相应的BIM模型。多目标优化模块会封装在参数化建模流程中的可编程模块中，可以通过选择Pareto解集中的方案，直接生成对应的BIM模型，最终完成满足工程实际成本和能耗的联肢模块化钢结构超低能梁柱赋予材料特性构成钢框架的BIM模型即最后一[0114]应用多种机器学习算法进行建筑能耗预测，具体的机器学习算法包括XGBoost算[0115]然后统计XGBoost模型训练过程中各个特征的贡献值，定量分析各个特征对建筑[0116]由XGBoost模型训练获得的建筑能耗预测模型导出的二进制pkl文件和存放数据rr[0158]PP,—弯矩作用平面内和平面外的轴心受压构件稳定系数；应的方案为单位面积建筑成本和单位面积建筑能耗都为最优其余参数在优化搜索范围内存在最优值，与基于XBGoost建筑能耗预测模型的特征重要性分析所得到的结论一致，进一步增强了人工智能算法和多目标优化算法的可信度和准确[0163]将