基于Dynamo的绿色建筑方案设计优化

(南京林业大学 土木工程学院，南京 210037)

1 引言

建筑业是我国国民经济重要的支柱产业，也是造成能源耗费、环境污染和生态破坏的主要原因之一。据统计，建筑能耗在我国社会总能耗中的占比高达33%，而建筑业产生的温室气体也超过了总量的70%[1]。我国新建房屋面积以每年20亿的速度持续增长,其中 90%以上是高能耗建筑 ,而目前既有的约 430亿建筑中, 只有4%采取了能源效率措施，单位建筑面积采暖耗能为发达国家新建建筑的3倍以上[2]。“十三五”期间，我国正大力提倡绿色建筑，推广节能建筑。方案设计是初步设计、施工图设计的基础，对项目预期目标实现的影响可达到70%[3]。如何从提高建筑综合性能、节约能源及合理配置资源的角度出发，提高方案设计水平、科学优化设计方案，具有重要的意义。

基于环境性能的绿色建筑方案设计优化研究受到众多设计、研究人员的关注。研究主要分为两类，其一，以单目标、离散型设计变量、有限个设计方案为研究对象，在对目标模拟或预测的基础上采用枚举法实现方案优选；文献[4]基于风环境模拟技术，研究了合理风速、风压和舒适度约束下的最优建筑体块布局方案。文献[5]建立了建筑节能优化的正向计算和反向优化流程；文献[6]选取6项设计因素通过正交试验和列表法组织能耗模拟实验，获取最终节能优化方案；其二，设计目标采用两2-3个目标，对设计决策因素进行初选，在对各目标数据进行模拟的基础上，采用智能优化算法如遗传算法进行方案优选。如文献[7]在利用Energyplus进行大量的能耗和热舒适模拟的基础上，以模拟数据对建立的GA-BP预测模型进行训练，最后将训练后的预测模型作为NSGA-Ⅱ算法的适应度函数，进行以能耗和热舒适为目标函数的多目标优化。

以往研究存在以下不足：1)优化目标多为单一性能目标，没有实现多性能目标综合优化；设计参数选取具有主观性，且多为离散型参数，只能在通过枚举法在有限方案中寻优；2)虽然基于多目标并对设计因素进行了遴选，但对目标数据模拟和方案智能寻优是相互独立、分离的过程，增加了方案优选的难度。Wang Wei-min[8]试图建立一个综合的设计方案环境性能综合优选系统，但是迄今没有推广应用。

针对以上问题，本文基于参数化设计理论，在分析、提取方案设计阶段影响环境性能关键设计因素的基础上，建立以能耗和自然采光为目标函数的设计优化模型，以遗传算法NSGA-II作为方案搜索引擎，应用GBS(Green Building Studio)和Dynamo对模型进行求解，寻求最优设计方案。

2 理论方法

2.1 方案参数化设计

参数化设计基本原理是将建筑设计因素转化为函数变量，将方案生成逻辑、法则转化为函数关系或算法，通过函数变量驱动函数或算法生成设计方案参数模型[9]。参数化设计使设计方案模型更趋于理性,其根本目标是能够方便快捷地产生数个设计方案，便于后期的深化与实施[10]。Dynamo是Autodesk公司提供的一种基于Revit的高效的建筑参数化设计工具，将三维正向建模与参数化建模有机结合，既可以将三维模型的设计信息以参数化的形式导出，也可以将参数化设计信息导入形成三维模型。用户仅需掌握一定的编程逻辑知识，按照相应的建模思路和方案，组织连结预设的节点，即可形成一个执行程序[11]。这些程序就是参数化设计的“源代码”，运行程序生成几何关系复杂又包含大量信息的参数模型。模型生成后，可借助性能模拟软件进行方案分析，依据分析结果调整相关设计参数，快速生成新的设计方案[12]。参数化方法更具逻辑性且更为精确，同时避免了重复建模工作，体现出参数化设计高效、优化的基本思想[13]。

由于建筑方案设计目标的多样性，需要考虑的设计因素众多，性能模拟分析得到的单一结果只能作为方案选择考虑的目标之一，枚举法、简单优化算法等方案优选方法已不能满足要求，为进一步提升方案寻优效率，在参数化设计过程中引入智能优化算法，并通过Dynamo可视化编程手段将性能模拟系统与智能优化系统相结合，形成基于Dynamo的多目标优化流程，如图1所示。

2.2 遗传算法

智能优化算法众多，其中以遗传算法(Genetic Algorithm)较为常见，它是一种借鉴生物界适者生存、优胜劣汰进化规律演化而来的算法，突破了传统优化算法计算效率抵、全局搜索能力弱、应用范围小等局限。基本遗传算法主要包括编码、初始种群设定、适应度评价、基本遗传操作(选择、交叉、变异)和终止条件判断等过程。本文采用NSGA-Ⅱ算法作为方案搜索引擎，它是在NSGA(Non-dominated Sorting Genetic Algorithm)的基础上改进而来(快速非支配排序算子设计、个体拥挤度距离算子设计和精英策略选择算子设计)[14-15]。凭借解集收敛性好、运行速度快等优点，NSGA-Ⅱ成为目前最常用的多目标优化算法之一。遗传算法得到的结果是pareto解集，而非单一解。设计师根据实际需求从pareto解集中选择满意的解作为最终解。

图1 参数化设计多目标优化流程图

3 绿色建筑环境性能目标和设计因素

3.1 绿色建筑环境性能目标

建筑环境性能指室内外物理环境质量，包括自然采光、风环境、声环境、热环境以及建筑能耗等[16]。为满足绿色建筑“四节一环保”(节能、节水、节地、节材和保护环境)乃至更高的要求，这些环境性能都应是方案设计考虑的目标。据统计，我国每年约有16-20亿新增建筑，其中超过97%为高能耗建筑，预计到2020年，全国高耗能建筑面积将达700亿。建筑节能已然成为绿色建筑设计关注的焦点。另一方面，自然光的合理利用除了可以营造舒适的室内环境外，还能减少为满足使用要求产生的人工照明耗能量。更有研究表明，光环境是影响建筑能耗的主要原因之一[1]。此外，遗传算法结果的可视化表现形式仅限于二维或三维图，因此本文选取建筑能耗和采光性能作为绿色建筑方案设计优化目标。

3.2 方案设计因素提取

建筑设计参数即设计师在不同设计阶段所考虑的各种设计因素，按参数是否连续，可将其分为连续型参数(C:continues)和离散型参数(D:discrete)。2016年11月住建部颁发了《建筑工程设计文件编制深度规定》，对各设计阶段设计文件的编制内容和编制深度作了进一步明确规定。2017年发布的《建筑工程设计信息模型交付标准》(征求意见稿)也规定了不同设计阶段的建筑工程信息模型需要满足相应模型精细度(信息粒度和建模精度)的要求。

以上述两份文件和相关文献[17]为依据，提炼出建筑方案设计阶段影响环境性能的关键设计参数集以供参考，如表1所示。影响能耗和采光的设计参数众多，针对关键参数进行优化才能事半功倍。参考建筑设计参数集和前人研究成果[6, 18]，分析确定了如下7个常用设计参数：窗墙比、窗类型、建筑朝向、传热系数、体形系数、暖通空调系统类型、遮阳板尺寸。

4 方案设计环境性能优化模型

建筑年度能耗量，主要包括年度燃料用量和年度耗电量。其中前者以天然气作为基础性能源进行计量，主要为采暖能耗，后者主要包括空调和照明能耗[19]。因能源类型不统一，故以年度能耗费用来表征年度能源消耗量。采光系数是采光设计的重要评价指标之一[20]，其值应满足现行《建筑采光设计标准》GB50033-2013(下称《标准》)的要求。而绿色建筑主要功能房间采光系数满足《标准》要求的面积比例达到60%，才能进行室内光环境评分项评分，比例越大评分越高[21]。

本文以年度能耗费用最小化，满足《标准》采光系数要求的面积比例最大化为方案搜索方向，目标函数如下：

minEcost=FE(x')·CE

(1)

(2)

x'=[x1,x2,···,xm]

式中：Ecost为建筑总能耗费用；FE为能耗量；CE为能源单价；x'为约束变量(窗墙比、窗类型、建筑朝向、传热系数、体形系数、暖通空调系统类型、遮阳板尺寸等)；PL为达到采光系数要求的面积占采光分析总面积的比例；FL为采光系数；Ssum为采光分析总面积；n为参与采光分析的房间数；Si为第i个房间达到采光系数的面积。

表1 方案设计阶段建筑设计参数集

表2 NSGA-Ⅱ算法关键节点

图2 NSGA-Ⅱ 算法工作空间

5 模型求解

5.1 NSGA-II算法设计

在Dynamo“软件包”菜单栏中可下载安装用户自行开发、上传的各种功能的软件包。这极大的扩充了Dynamo的能力范围，提高了使用者的工作效率。NSGA-Ⅱ 算法包含在名为Optimo的软件包内，其关键节点如表2所示。按照NSGA-Ⅱ算法逻辑进行节点连结，形成算法工作空间，如图2所示。算法的编码方式、交叉概率、变异概率等都已设置完成并封装在了算法节点内，所以只要完成目标函数和相关参数(如：种群规模、约束变量及其范围、最大迭代次数等)的设置即可运行算法，简化了传统繁琐的编程工作。

5.2 能耗仿真模拟计算

建筑能耗在社会总能耗中占有相当大的比重，但由于建筑系统的复杂性，难以通过简单计算量化能耗。所以借助BIM技术应用体系下的IT云框架——GBS(Green building studio)进行能耗模拟计算，实现目标函数评价。

GBS是一款基于Web的性能模拟工具，以DOE-2为计算引擎。在Revit平台下，用户可将Revit模型直接转换为能耗分析模型，无需重新创建分析模型。转换完成后生成gbXML(Green Building ExtensibleMarkup Language)文件并上传到GBS云端进行模拟分析。用户可以到Web端查看分析结果，亦可将结果下载到本地进行数据分析，具体流程如图3所示。

图3 GBS能耗模拟流程

Energy Analysis For Dynamo是Dynamo中基于GBS的能耗分析软件包，通过相应节点的逻辑连结，实现上述过程的自动化运作，无需频繁手动操作。笔者将其分为方案创建与文件生成、方案迭代、文件上传、结果下载四个主要模块，具体代码如图4所示。

图4 Energy Analysis For Dynamo主要模块

5.3 采光计算

Dynamo中包含Honeybee、Daylighting Workflows等采光分析软件包，但由于针对不同环境性能所需的模拟分析模型各不相同，无法利用能耗分析模型进行采光分析，所以本文采用《建筑采光设计标准》GB50033-2013中的采光计算公式进行采光分析。采光计算分为侧面采光和顶部采光，兼有两种采光形式时，可简化为侧面采光区和顶部采光区分别进行计算，具体计算公式如下：

侧面采光

(3)

式中：ADF为采光系数平均值；τ0为采光材料的透射比；Ag为窗的净表面积 (m2)；At为室内(含窗)表面总面积(m2)；ρ为室内表面平均反射比；θ为天空遮挡角。

顶部采光

(4)

运用Dynamo基本节点即可编辑采光函数，并将其以目标函数的形式整合到NSGA-Ⅱ算法程序中。

6 实例

6.1 项目概况

本研究选取南京市某单层小型艺术展馆为例进行方案优化，以验证多目标优化模型的可行性。总建筑面积1600，采用钢筋混凝土框架结构，无柱大跨结构净高为6m。该建筑的二维平面图和Revit三维分析模型如图5所示。

图5 二维平面图和三维分析模型图

6.2 设计参数选择及设置

项目地点设置为南京，以获取经纬度坐标和当地气象数据。查阅资料并结合项目周围环境拟定建筑朝向为南偏东20°，天空遮挡角为45°；展馆的运营时间为周一至周六，每天9：00至21：00；外墙为轻质构造，采用低隔热层。不计电费、天然气价格的波动，南京市电费为0.5283元/kw·h，天然气为2.5元/m3。

表3 优化参数信息

注：HVAC系统按GBS提供的类型进行选择设置

HVAC系统营造了舒适的室内生活、工作环境，同时也是建筑能耗的主要来源之一。其类型的不同带来能耗上的差异，故将HVAC系统类型作为本案例的优化参数之一。除窗墙比与建筑能耗和采光性能密切相关外，遮阳设计对二者也有着重要影响[17]，本案例采用水平遮阳方式，通过调整水平遮阳宽度达到遮阳要求。此外，案例项目为展馆建筑，设有顶部采光，增加天窗百分比为优化参数。各优化参数具体取值如表3所示，其他设置为GBS默认值。

6.3 模型求解

在Dynamo中完整的模型求解工作空间如图6所示。NSGA-Ⅱ算法种群规模设为50，经过20次迭代计算结果趋于稳定，由Dynamo导出csv文件进行可视化(见图7)。部分代表性pareto最优方案如表4所示。

图6 能耗、采光多目标优化代码

序号窗墙比水平遮阳宽度(m)天窗百分比采光不达标比例(%)年度能耗费用(￥)12A0.361.230.4219.36929.760.431.340.3915.76951.3234B0.670.770.5513.76982.280.710.410.5213.17026.05 56C0.560.760.3313.17060.200.830.690.5813.27076.33

(a)第一代种群分布

(b)第10代种群分布

(c)第20代种群分布图7 种群分布图

6.4 结果分析

图7中(c)图即为pareto解集，将种群分为A、B、C三个区，A区的采光性能较差，总体能耗费用相应较少。C区与A区相反，采光性能较优，但总体能耗费用较大。B区两种性能都处于一般状态。决策者可根据需要从pareto解集中选取合适方案。

7 结论

本文以能耗和采光为优化目标建立多目标优化模型，在建筑方案参数化设计过程中引入NSGA-Ⅱ算法，并与性能模拟相结合对模型进行求解，结果表明：参数化设计方法实现了设计方案的随改立现，节约了大量修改时间；优化算法和性能模拟的结合提升了方案寻优的效率；目标函数设计过程中参照绿色建筑评价标准，使得方案优选更具说服力，为决策者提供决策依据。但仍有以下几点不足：GBS云端服务器在国外，大量模拟工作耗费时间仍旧较长；Dynamo中模拟软件包较少，有待进一步开发；不同性能模拟系统所需的分析模型不同，无法实现“一模多用”，致使本文的采光分析并未使用性能模拟，对方案寻优准确性有一定影响。

随着云端服务器性能的提升、网络带宽的增加以及Dynamo软件包兼容性的提高，这些问题都能得到解决。人们生活质量在不断提高，对建筑各方面的功能要求也在不断增加，深入研究建筑环境性能多目标优化相关问题有着重要意义。