12、实时太阳辐射预测的深度学习方法

实时太阳辐射预测的深度学习方法

1. 背景与挑战

建筑性能对气候变化的影响巨大，过去几十年推动了建筑、工程和施工（AEC）行业的研发工作。如今，环境模拟工具通过新界面的不断开发，与主流CAD框架结合，使建筑师和城市设计师能评估设计的环境性能，做出可持续设计决策。同时，优化和生成式设计方法的发展也改变了计算设计流程。

然而，现有的性能驱动设计流程存在两大瓶颈：
- 计算需求高 ：尽管模拟引擎集成有进展，但计算需求仍无法满足设计师早期的实时反馈需求，且使用计算工具探索设计优化问题的广阔解决方案空间时，只能处理快速量化的性能指标，难以深入复杂性能方面。
- 专业知识缺乏 ：建筑师和城市设计师缺乏特定领域知识，现有模拟工具不易获取或需要他们未接受过培训的计算工具专业知识，导致性能优化过程多由计算专家和研究人员掌握，早期设计中难以参与。

2. 研究目标

为解决上述挑战，我们借助InFraReD评估机器学习（ML），特别是深度学习（DL）框架在环境建筑性能模拟中的潜力。框架聚焦于ML增强环境模拟计算能力，大幅缩短性能反馈时间，通过将模型集成到主流CAD框架，使设计师能访问广阔解决方案空间，推动建筑性能模拟工具的普及。目前，开发城市尺度太阳辐射（SR）预测的DL模型已取得有前景的初步成果，这也为未来早期弹性设计的决策支持框架发展奠定基础。

3. 相关研究背景

ML用于模拟预测并非新鲜事，例如在光伏系统运行优化中，SR预测的ML方法已成熟，且有多种模型被系统研究。但在AEC行业，通过DL进行SR预测仍待探索。已有针对建筑的ML模拟预测