深圳网站建设公司排行,石家庄新华区网站建设,高端网站建设教学,做网站属于什么技术推荐#xff1a;用 NSDT设计器 快速搭建可编程3D场景。 AEC#xff08;建筑、工程、施工#xff09;行业的BIM 技术#xff0c;允许在实际施工开始之前虚拟地建造建筑物#xff1b; 这带来了许多有形和无形的好处#xff1a;减少成本超支、更有效的协调、增强决策权等等。… 推荐用 NSDT设计器 快速搭建可编程3D场景。 AEC建筑、工程、施工行业的BIM 技术允许在实际施工开始之前虚拟地建造建筑物 这带来了许多有形和无形的好处减少成本超支、更有效的协调、增强决策权等等。 对于一些公司来说采用 BIM 是需要克服的一大障碍许多公司仍在苦苦挣扎。 但现在我们看到行业出现了另一个新趋势人工智能。 我们不要害怕仔细看看它。 它比你想象的要简单
在本文中我将展示我的硕士论文题为“使用深度神经网络优化 BIM 模型能源性能”。
1、问题的提出
许多不同的估计表明大约 70-80% 的设施成本用于运营。
当然这些也是由于维护造成的 但请记住建筑业有时被称为“40% 的行业”因为它占用了世界自然资源和二氧化碳排放量的 40%。 我们应该更好地爱护大自然
我将尝试提出一个框架来优化建筑物的能源消耗这被称为 EUI或能源使用强度以兆焦或千瓦时/平方米/年为单位测量。 Green Building Studio 将使用 DOE-2 引擎和从 Revit 导出的 gbXML 文件执行能源分析。
2、获取BIM数据
首先我们需要做出一些假设。 让我将要测试的每个模型的 HVAC 系统保持相同即Revit 提供的单户住宅标准 HVAC 模型将用于每个 Revit 模型。 事实上在实际设施中随着时间的推移它可以被更高效的固定装置和系统取代否则我们可能根本不知道暖通空调类型那么早。
相反让我们关注建筑物更永久的特征例如地板、墙壁和屋顶的导热率Rm²K/W 窗墙比 计划中的旋转。 这些是我将要尝试的特征。
另一个假设是我们的 Revit 模型将是一个普通的盒子里面只有一个房间没有隔断和窗户窗墙比将在稍后分配。 这是为了简化分析。
因此让我们尝试以下参数范围的所有组合
10368 种组合太多了但 Revit API 会有所帮助。 Green Building Studio 使用 Revit 可以导出的 gbXML 文件。 此脚本将热阻值和平面旋转的组合应用于模型并将每个组合模型导出为 gbXML 格式。 通过改变热资产的导热系数来实现不同的热阻值。 改变厚度会在分析中引入另一个因素分析表面始终位于单元的中间因此总面积随壁厚而变化。
解析 gbXML 目录以获取所有文件的路径后我们准备将 3456 (121212*2) gbXML 文件上传到 Green Building Studio。 使用 Dynamo 包 Energy Analysis for Dynamo。
分析完成后我们可以开始在 Green Building Studio 中分配窗墙比。 不幸的是Dynamo 包没有此功能并且 GBS API 仅供开发人员使用因此我不得不借助浏览器自动化来分配 WWR。 然而这只需要执行一次我们稍后会看到原因。 能量分析完成后我们可以解析 GBS 中的数据并对其进行彻底检查。 现在让我们用另一个简单但不同的 Revit 模型重复上述所有步骤。 我们将需要这些数据以供以后使用。
3、训练神经网络
对于每个机器学习项目来说数据检查和准备是必须的。 但在这种情况下我们没有丢失数据或异常值我们的数据是人为创建的。 因此我们可以安全地跳过许多检查步骤。 我将写另一篇文章更详细地描述神经网络。 如果你有兴趣这里是脚本。 但长话短说神经网络在给定大量数据的情况下能够导出管理数据的规则。 与传统编程相比我们给出规则和数据来获得答案。
当规则难以编码时神经网络会派上用场面部或语音识别、自然语言处理、翻译、情感分析等。
我们为本文中BIM数据设计的网络具有以下架构
输入层绿色有 5 个单元。 这些是我们的参数WWR、平面旋转和三个热阻值。 输出层黄色是 EUI 值。 将此网络蓝色层视为一个巨大的矩阵其中第一步仅包含随机数。 为了训练网络我们的输入层向量乘以一系列矩阵以获得 EUI 值的预测。 然后将预测与实际 EUI 值进行比较并更新网络中的数字以更好地预测输出。 重复这个循环直到我们对性能感到满意为止。
现在是时候根据第一个盒模型的数据点来训练我们的网络了。 其中 94% 将用于训练我们的网络6% 将用于验证网络并调整影响网络的一些参数以获得更好的性能。
训练后我们使用网络预测 10368 个 EUI 值 误差保持在0.2%以内还不错。 除此之外网络将我们的数据从离散变为连续。 换句话说我们现在可以获得以前无法获得的参数的 EUI 值 例如 21% WWR 或 R2.45。
好的这让我们进入下一步。
4、迁移学习
还记得我们第一步做的第二个 Revit 模型吗 我们现在将通过称为“迁移学习”的技术来使用它。 让我们采用上一步中经过训练的网络并将前四层设置为不可训练 或者换句话说让我们只关注最后两层。
此时网络“知道”主要模式和趋势以及每个参数如何影响 EUI。 但仅适用于第一个 Revit 模型。
现在让我们通过使用新数据重新训练最后两层将新的 Revit 模型“引入”到我们的网络中。 但有一个重要的区别这次只有 6% 的数据用于训练94% 用于验证。 不执行超参数调整。 训练后我们得到这样的结果 注意训练时间约为 1 或 2 分钟而第一个盒子 Revit 模型则需要 2-3 小时并且预测几乎同样准确。
5、训练集/验证集比例的实验
为什么要坚持 6% 的训练与验证比例 让我们再尝试一下看看效果如何。 4% 训练数据
1% 训练数据
0.25% 训练数据
事实证明训练-验证比例大约为 1-2% 时性能开始显着下降。
请注意损失函数达到平台后停止训练
6、结果与比较
恭喜 现在我们有了一个训练好的神经网络可以使用少量数据来预测 Revit 模型在大范围参数下的能耗。 该模型甚至可能没有任何窗户。 我们所做的最后一步展示了它通过引入我们想要分析的模型中的一些数据点我们得到了相当准确的估计几乎没有误差。
为了强调迁移学习的效果让我们用刚刚训练的网络来预测两个模型的 EUI。
一个网络 — 两个 Revit 模型预测
这就是说我们不能采用随机神经网络并期望它与我们的模型一起工作应该进行一些能量分析。 然而它可以像第一部分一样自动化。
7、未来的工作
现在我们有了一个可以准确预测能耗的神经网络除了使用复杂的 Revit 模型对其进行测试之外还必须向实际优化迈出一步。 为了找到最优的参数组合需要建立成本模型。 成本模型应包括材料、劳动力、可能的维护、能源成本并应考虑建筑物的生命周期、建筑和物理限制。
这将产生现实的框架只需很少的努力就可以在项目的概念阶段选择最佳的参数组合。 原文链接神经网络BIM能源优化 — BimAnt
