清华大学学报(自然科学版)

作者：刘依明, 杨珺涵, 张忠利, 许沛琪, 刘念雄

单位：1. 浙江省建设投资集团股份有限公司, 杭州 310012;<br>2. 中国建筑西南设计研究院有限公司, 成都 610000;<br>3. 临沂城市建设投资集团有限公司, 临沂 276000;<br>4. 清华大学 建筑学院, 北京 100084

关键词：碳排放,机器学习,设计参数,交叉验证,网格搜索

基金：浙江省科技计划项目(2023C03173);国家重点研发计划项目(2022YFC3803800);国家自然科学基金重点项目(52130803)

机器学习算法模型为住宅低碳设计与优化提供了数据支持。然而, 在碳排放预测与分析时, 算法模型常被直接使用, 而未考虑调参与寻优, 且不同自变量数据集对模型预测效果的影响差异也有待明确。为揭示不同算法模型对寒冷地区住宅低碳设计的指导效果、 向建筑师提供算法模型的选择依据, 针对多元线性回归、 分类回归树、 随机森林、 自适应增强算法、 梯度提升回归树和多层感知机等在低碳设计中常用的算法模型进行寻优, 对比分析不同算法和自变量数据集的适用性与预测性能。该文说明了算法模型寻优的目标边界、 参数取值范围、 寻优过程和论证方法。在37栋寒冷地区钢筋混凝土剪力墙结构住宅及其衍生方案的基础上, 采用交叉验证和网格搜索, 建立了120个建材碳排放预测模型和60个将稳态耗热量转换为动态耗热量的转化系数预测模型。对比结果表明： 总体上, 多元线性回归、 随机森林和梯度提升回归树算法的碳排放预测性能更好。其中, 随机森林和梯度提升回归树算法在误差控制方面表现更佳, 但预测优度与多元线性回归算法相近, 且可解释性较差。采用恰当的自变量数据集, 如建筑总层数、 建筑层高、 建筑面宽与进深等形体尺度参数, 标准层户数与卧室数等功能配置参数, 以及采暖期室外平均温度、 实际供暖天数、 屋面和墙面传热系数的修正系数等城市气象参数, 多元线性回归算法能够为寒冷地区住宅低碳设计与优化提供更直观、 有效的指导。

来源：2024年第10期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2024年第10期