一种建筑群方案生成性能评价方法

1.本发明属于建筑群方案生成评价领域，具体涉及一种建筑群方案生成性能评价方法。


背景技术：

2.当前建筑群方案设计多基于场地条件、容积率等，由设计师根据自身设计经验自主设计。近年来随着深度学习技术的发展，为建筑群方案生成设计提供了新的设计思路。深度学习是一种能够模拟出人脑的神经结构的机器学习方法。它可以自行抽取特征中有价值的信息进行自身调优与训练，并通过训练去拟合输入从而得到一个合理的模型结构，在生成设计方面有较大潜力。因此可使用深度学习方法挖掘其设计规律，自动生成建筑群设计方案，提高方案设计效率和科学性。
3.随着居民生活质量的提高，建筑耗能正在逐年升高，虽然通过建筑被动式设计与设备系统节能方式可以减少建筑的能源需求总量，但随着零能耗、零碳建筑的新目标，想要实现更高的节能标准就必须充分利用新能源，即建筑设计需要同时考虑到节能和产能两个方面。在产能方面，在城市中最方便获取与利用的新能源便是太阳能，在单体建筑利用太阳能技术比较成熟的当今，如何对建筑群体布局设计方案的太阳能潜力进行预测、规模化应用太阳能已是该领域研究的关注重点。现有的机器学习技术为建筑群能耗、太阳能潜力的预测方面提供了新的思路，以对不同建筑群设计方案的建筑性能做出评价。


技术实现要素：

4.本发明基于上述背景，提供一种建筑群方案生成性能评价方法，包括五个模块：样本数据筛选与处理；建筑群方案样本数据聚类；基于cgan的建筑群方案生成模型建构；基于cnn的建筑群性能预测模型建构；建筑群方案生成及方案性能评价。该方法能够通过k-means技术对收集到的当前建筑群方案进行聚类分析，挖掘当前某建筑类型建筑群方案设计特征，利用cgan技术学习各建筑群方案特点，用于建筑群方案的生成设计，提高设计效率与精度。利用cnn算法构建的建筑群方案性能预测模型可以快速预测某类型建筑群布局方案下的太阳能潜力值和建筑能耗值，进而实现对方案的性能评价。
5.本发明为了达到上述目的，通过以下技术方案实现：
6.s1：建筑群样本方案聚类数据、建筑群方案生成样本数据、建筑群方案性能样本数据筛选与处理
7.s1.1：样本数据筛选；
8.s1.2：样本数据处理。
9.s2：建筑群方案样本数据聚类。
10.s3：构建建筑群方案生成模型
11.s3.1：建筑群方案生成模型建构；
12.s3.2：建筑群方案生成模型训练。
13.s4：构建建筑群方案性能预测模型
14.s4.1：建筑群方案性能预测模型建构；
15.s4.2：建筑群方案性能预测模型训练与验证。
16.s5：建筑群方案生成及性能评价
17.s5.1：数据处理与建筑群方案生成；
18.s5.2：建筑群方案性能评价。
19.优选地，所述步骤s1.1中样本数据筛选依据为：所选取样本数据来源集中在具有相似的气候区、纬度、地形条件下的既有某类型建筑群方案布局案例，以降低样本误差进而保证后续模型训练效果。
20.优选地，所述步骤s1.2中样本数据处理包括建筑群样本方案聚类数据处理、建筑群方案生成样本数据处理、建筑群方案性能样本数据处理，具体方法为：
21.s1.2.1：建筑群样本方案聚类数据处理：通过图像处理工具，提取各建筑方案场地形状并填充为黑色，场地内不同高度、功能的建筑以不同rgb色块表示，黑色场地形状与rgb色块表示的建筑群叠加后，按照相同比例导出并置于240mm*240mm的白色背景图像上，记录图中其每格像素的rgb值并进行归一化处理；将所有图的归一化后rgb值二维矩阵按行展开成一个一维行向量，每张图像对应一个行向量，所有的行向量构成方案样本的聚类数据集。
22.s1.2.2：建筑群方案生成样本数据处理：通过图像处理工具，首先提取各建筑方案场地形状并填充为黑色作为建筑群方案生成模型输入样本数据之一；其次将样本场地形状填充为白色，场地内不同高度、功能的建筑以不同rgb色块表示，白色场地形状与rgb色块表示的建筑群叠加；最后设定统一比例，将各建筑群方案样本图像按照相同比例导出，并应用图像处理工具进行批量化处理为cgan网络模型可识别的图像格式，作为建筑群方案生成模型输入样本数据之二。
23.s1.2.3：建筑群方案性能样本数据处理：首先通过图像处理工具，将样本场地形状填充为白色，场地内不同高度、功能的建筑以不同rgb色块表示，白色场地形状与rgb色块表示的建筑群叠加后，按照步骤s1.2.2所设定的统一比例进行同比例导出和批量化处理作为建筑群方案性能预测模型的输入样本数据；其次将各样本方案建模为rhino-grasshopper 3d模型，定义建筑群中各建筑的运行信息数据，通过ladybug honeybee插件分别计算各样本方案下的太阳能潜力值、建筑能耗值，单位为kwh/(m2·
a)，两种性能值作为建筑群方案性能预测模型的输出样本数据。
24.优选地，所述步骤s2中建筑群方案样本数据聚类方法为：
25.将步骤s1.2中处理后的建筑群样本方案聚类数据作为输入数据，基于方案数据集所反应的容积率、布局方式等方案特征，利用k-means聚类算法对建筑群样本方案数据进行聚类，选取mia(mean index adequacy)、mdc(mean of distance between curves)、伪f统计量(psf)、r2统计量(rsq)四个评价指标，对k-means聚类算法的k值做出选择，将建筑群样本方案聚类数据聚类为k组。
26.优选地，所述步骤s3.1中建筑群方案生成模型建构方法为：
27.采用基于cgan的pix2pix进行建筑群方案生成模型建构，模型建构过程中生成器采用u-net架构，并合理设置其编码器与解码器卷积层层数、每层网络的神经元个数、下采样的卷积核与上采样的反卷积核的大小及步长；在编码器建构中，每层卷积层后都连接
leakyrelu激活函数层；在解码器建构中，每层反卷积层后都连接有非线性运算单元；在生成器的编码器与解码器建构中，每层卷积层与反卷积层后均连接有批量归一化层，生成器网络的随机噪声以dropout层形式输入。
28.采用patchgan建构判别器，包括卷积层、激活函数层与批量归一化层三部分，并合理设置卷积神经网络结构、每层卷积网络神经元个数、激活函数；所建构判别器的输入数据为生成器生成的图像与生成器的输入图像，最后输出为取值为0-1的真假预测图，真假预测图上的每个数值对应判别器输入图像的相应位置上的图像分块的真假程度，取值越接近1则说明判别器认为该图像分块的生成效果接近真实布局图像。
29.优选地，所述步骤s3.2中建筑群方案生成模型训练方法为：
30.基于步骤s2的k组聚类结果，将步骤s1.2.2中处理过的建筑群方案生成样本数据划分为k类，按照15％：85％的比例分别将每类建筑群方案生成样本数据划分为测试集与训练集并展开训练，获得k个建筑群方案生成模型；训练过程中pix2pix模型训练会同时调用生成器与判别器，通过损失函数度量判别器上每个相应图像分块上真假分类的损失；模型优化采用adam优化器进行，通过试错法合理设置其学习率、迭代次数超参数，模型超参数参考pix2pix算法，采用其默认设置，迭代过程中算法会利用训练数据不断优化模型权重值，减少输出图像与真实图像之间的损失值，从而使生成图像越来越逼近真实图像，迭代中损失函数设置如下：
[0031][0032][0033][0034]
其中，g
*
为损失函数；arg min max表示极值情况下的变量取值；min表示最小值；max表示最大值；表示一般cgan的损失函数；g为建筑群方案生成器网络；d为建筑群方案判别器网络；表示l1loss损失函数；表示期望值；x为黑色建筑场地形状图像；y为真实的建筑群方案总平面图；g(x，z)为建筑群方案生成器网络的生成图像；z为输入的随机噪声；λ为设置的权重值采用dropout代替。
[0035]
优选地，所述步骤s4.1中建筑群方案性能预测模型建构方法为：
[0036]
将步骤s1.2.3中处理后的建筑群方案性能样本数据15％分为测试集，其余为训练集，采用cnn结构展开模型构建，cnn输入层数据为处理后的建筑群方案图片，输出层数据为由rhino-grasshopper计算所得该建筑群方案所对应的太阳能潜力、能耗两种性能值。
[0037]
优选地，所述步骤s4.2中建筑群方案性能预测模型训练与验证方法为：
[0038]
设定cnn卷积层、下采样层、全连接层层数及神经元数量、学习率、迭代次数等超参数区间，以测试集中预测太阳能潜力值与真实值之间的均方误差和预测建筑群能耗值与真实值之间的均方误差作为模型精确度的评价指标，对模型的超参数进行优化调整，直至可取得较高的预测精度，评价指标公式如下：
[0039]
[0040][0041]
其中，js表示测试集中预测太阳能潜力值与真实值之间的均方误差；je表示表示测试集中预测建筑群能耗值与真实值之间的均方误差；表示第i个测试数据的太阳能潜力预测值；表示第i个测试数据的太阳能潜力实际值；表示第i个测试数据的建筑群能耗预测值；表示第i个测试数据的建筑群能耗实际值；i表示第i个测试数据；m表示测试集数据数量。
[0042]
优选地，所述步骤s5.1中数据处理与建筑群方案生成方法为：
[0043]
s5.1.1：提取待生成建筑群场地形状并填充为黑色；其次按照与步骤s1.2.2中所设定的统一比例导出，并应用图像处理工具将其处理为cgan网络模型可识别的图像格式，作为建筑群方案生成模型输入数据。
[0044]
s5.1.2：将输入数据分别导入k个已训练好的具有u-net架构的建筑群方案生成模型中展开方案生成设计，得到该场地条件下的不同建筑群生成方案图像。
[0045]
优选地，所述步骤s5.2中建筑群方案性能评价方法为：
[0046]
将步骤s5.1.2中所得不同建筑群生成方案图像作为输入数据，分别导入已训练好的建筑群方案性能预测模型中展开预测，得到不同建筑群方案下的太阳能潜力值和建筑能耗值，作为方案性能评价指标，对各方案做出性能评价判断，最后可基于性能评价判断选择具体设计方案。
[0047]
本发明的优点在于：
[0048]
(1)本发明基于k-means算法对某类型的建筑群方案集进行聚类分析，基于聚类结果，可以挖掘该类型建筑群方案设计特征，解析当下该类型的建筑群方案设计特点。
[0049]
(2)本发明基于cgan技术搭建了建筑群方案生成模型，模型可基于提供的场地形状信息，自动生成具有不同设计特点的建筑群方案，且利用该训练好的模型进行方案生成的过程迅速，显著降低了设计耗时，提高了设计效率；基于cnn技术搭建了建筑群方案性能预测模型，模型可基于输入的建筑群方案平面图快速预测建筑群太阳能潜力、建筑群能耗两项建筑性能。
[0050]
(3)将建筑群方案生成模型与建筑群方案性能预测模型进行结合，可快速实现对生成的不同建筑群设计方案的性能预测，基于各性能指标可做出建筑群方案设计决策，该方法可提高建筑群方案设计的效率和科学性。
附图说明
[0051]
图1是本发明中建筑群方案生成性能评价方法系统框架图。
[0052]
图2是本发明中样本数据处理流程图。
[0053]
图3是本发明中样本方案聚类流程图。
[0054]
图4是本发明中建筑群方案生成模型、方案性能预测模型建构及应用图。
具体实施方式
[0055]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
以下以寒冷地区办公建筑群设计实例进行详细说明：
[0057]
如附图1，本发明实施例提供的一种建筑群方案生成性能评价方法，包括如下步骤：
[0058]
s1：包括办公建筑群样本方案聚类数据、建筑群方案生成样本数据、建筑群方案性能样本数据筛选与处理，操作方式如附图2所示，包括下面两个步骤；
[0059]
s1.1：样本数据筛选；
[0060]
s1.2：样本数据处理。
[0061]
优选地，上述步骤s1.1中样本数据筛选依据为：样本数据来源于政府建设公告官网、国内外建筑设计网站以及建筑杂志与书籍。由于气候条件、地形地貌以及经济发展水平等条件对办公建筑群方案的设计会产生影响，因此所选取样本来源集中在具有相似的气候区、纬度、地形条件下的既有某类型建筑群方案布局案例，以降低样本误差进而保证后续模型训练效果。
[0062]
优选地，上述步骤s1.2中样本数据处理包括建筑群样本方案聚类数据处理、建筑群方案生成样本数据处理和建筑群方案性能样本数据处理，具体方法为：
[0063]
s1.2.1：建筑群样本方案聚类数据处理：通过图像处理工具，提取各建筑方案场地形状并填充为黑色，场地内不同高度、功能的建筑以不同rgb色块表示，黑色场地形状与rgb色块表示的建筑群叠加后，按照相同比例导出并置于240mm*240mm的白色背景图像上，记录图中其每格像素的rgb值并进行归一化处理；将所有图的归一化后rgb值二维矩阵按行展开成一个一维行向量，每张图像对应一个行向量，所有的行向量构成方案样本的聚类数据集。
[0064]
s1.2.2：建筑群方案生成样本数据处理：通过图像处理工具，首先提取各建筑方案场地形状并填充为黑色作为建筑群方案生成模型输入样本数据之一；其次将样本场地形状填充为白色，场地内不同高度、功能的建筑以不同rgb色块表示，白色场地形状与rgb色块表示的建筑群叠加；最后设定统一比例，将各建筑群方案样本图像按照相同比例导出，并应用图像处理工具进行批量化处理为cgan网络模型可识别的图像格式，作为建筑群方案生成模型输入样本数据之二。
[0065]
s1.2.3：建筑群方案性能样本数据处理：首先通过图像处理工具，将样本场地形状填充为白色，场地内不同高度、功能的建筑以不同rgb色块表示，白色场地形状与rgb色块表示的建筑群叠加后，按照步骤s1.2.2所设定的统一比例进行同比例导出和批量化处理作为建筑群方案性能预测模型的输入样本数据；其次将各样本方案建模为rhino-grasshopper 3d模型，定义建筑群中各建筑的运行信息数据，通过ladybug honeybee插件分别计算各样本方案下的太阳能潜力值、建筑能耗值，单位为kwh/(m2·
a)，两种性能值作为建筑群方案性能预测模型的输出样本数据。
[0066]
s2：办公建筑群方案样本数据聚类。
[0067]
优选聚类方法为：将步骤s1.2中处理后的建筑群样本方案聚类数据作为输入数
据，基于方案数据集所反应的容积率、布局方式等方案特征，利用k-means聚类算法对建筑群样本方案数据进行聚类，选取mia(mean index adequacy)、mdc(mean of distance between curves)、伪f统计量(psf)、r2统计量(rsq)四个评价指标，对k-means聚类算法的k值做出选择，将建筑群方案样本方案聚类为k组，聚类过程如附图3所示。
[0068]
s3：构建建筑群方案生成模型，包括以下两个步骤：
[0069]
s3.1：办公建筑群方案生成模型建构；
[0070]
s3.2：办公建筑群方案生成模型训练。
[0071]
优选地，所述步骤s3.1中建筑群方案生成模型建构方法为：
[0072]
采用基于cgan的pix2pix进行建筑群方案生成模型建构，模型建构过程中生成器采用u-net架构，并合理设置其编码器与解码器卷积层层数、每层网络的神经元个数、下采样的卷积核与上采样的反卷积核的大小及步长；在编码器建构中，每层卷积层后都连接leakyrelu激活函数层；在解码器建构中，每层反卷积层后都连接有非线性运算单元(rectified linear units，relu)；在生成器的编码器与解码器建构中，每层卷积层与反卷积层后均连接有批量归一化层(batch normalization)，生成器网络的随机噪声以dropout层形式输入。
[0073]
采用patchgan建构判别器，包括卷积层、激活函数层与批量归一化层三部分，并合理设置卷积神经网络结构、每层卷积网络神经元个数、激活函数；所建构判别器的输入数据为生成器生成的图像与生成器的输入图像，最后输出为取值为0-1的真假预测图，真假预测图上的每个数值对应判别器输入图像的相应位置上的图像分块的真假程度，取值越接近1则说明判别器认为该图像分块的生成效果接近真实布局图像。
[0074]
优选地，所述步骤s3.2中建筑群方案生成模型训练方法为：
[0075]
基于步骤s2的k组聚类结果，将步骤s1.2.2中处理过的建筑群方案生成样本数据划分为k类，按照15％：85％的比例分别将每类建筑群方案生成样本数据划分为测试集与训练集并展开训练，获得k个建筑群方案生成模型；训练过程中pix2pix模型训练会同时调用生成器与判别器，通过损失函数度量判别器上每个相应图像分块上真假分类的损失；模型优化采用adam优化器进行，通过试错法合理设置其学习率、迭代次数超参数，模型超参数参考pix2pix算法，采用其默认设置，迭代过程中算法会利用训练数据不断优化模型权重值，减少输出图像与真实图像之间的损失值，从而使生成图像越来越逼近真实图像，迭代中损失函数设置如下：
[0076][0077][0078][0079]
其中，g
*
为损失函数；arg min max表示极值情况下的变量取值；min表示最小值；max表示最大值；表示一般cgan的损失函数；g为建筑群方案生成器网络；d为建筑群方案判别器网络；表示l1loss损失函数；表示期望值；x为黑色建筑场地形状图像；y为真实的建筑群方案总平面图；g(x，z)为建筑群方案生成器网络的生成图像；z为输入的随机噪声；λ为设置的权重值采用dropout代替。
[0080]
s4：构建建筑群方案性能预测模型，包括以下两个步骤：
[0081]
s4.1：办公建筑群方案性能预测模型建构；
[0082]
s4.2：办公建筑群方案性能预测模型训练与验证。
[0083]
优选地，所述步骤s4.1中建筑群方案性能预测模型建构方法为：
[0084]
将步骤s1.2.3中处理后的建筑群方案性能样本数据15％分为测试集，其余为训练集，采用cnn结构展开模型构建，cnn输入层数据为处理后的建筑群方案图片，输出层数据为由rhino-grasshopper计算所得该建筑群方案所对应的太阳能潜力、能耗两种性能值。
[0085]
优选地，所述步骤s4.2中建筑群方案性能预测模型训练与验证方法为：
[0086]
设定cnn卷积层、下采样层、全连接层层数及神经元数量、学习率、迭代次数等超参数区间，以测试集中预测太阳能潜力值与真实值之间的均方误差和预测建筑群能耗值与真实值之间的均方误差作为模型精确度的评价指标，对模型的超参数进行优化调整，直至可取得较高的预测精度，评价指标公式如下：
[0087][0088][0089]
其中，js表示测试集中预测太阳能潜力值与真实值之间的均方误差；je表示表示测试集中预测建筑群能耗值与真实值之间的均方误差；表示第i个测试数据的太阳能潜力预测值；表示第i个测试数据的太阳能潜力实际值；表示第i个测试数据的建筑群能耗预测值；表示第i个测试数据的建筑群能耗实际值；i表示第i个测试数据；m表示测试集数据数量。
[0090]
s5：办公建筑群方案生成及性能评价，包括以下两个步骤：
[0091]
s5.1：数据处理与建筑群方案生成；
[0092]
s5.2：办公建筑群方案性能评价。
[0093]
优选地，所述步骤s5.1中数据处理与建筑群方案生成方法为：
[0094]
s5.1.1：提取待生成建筑群场地形状并填充为黑色；其次按照与步骤s1.2.2中所设定的统一比例导出，并应用图像处理工具将其处理为cgan网络模型可识别的图像格式，作为建筑群方案生成模型输入数据。
[0095]
s5.1.2：将输入数据分别导入k个已训练好的具有u-net架构的建筑群方案生成模型中展开方案生成设计，得到该场地条件下的不同建筑群生成方案图像。
[0096]
优选地，所述步骤s5.2中建筑群方案性能评价方法为：
[0097]
将步骤s5.1.2中所得不同建筑群生成方案图像作为输入数据，分别导入已训练好的建筑群方案性能预测模型中展开预测，得到不同建筑群方案下的太阳能潜力值和建筑能耗值，作为方案性能评价指标，对各方案做出性能评价判断，最后可基于性能评价判断选择具体设计方案。
[0098]
本实施例中步骤3、步骤4、步骤5应用如附图4所示。