论文部分内容阅读
随着我国经济类型和产业结构的调整,城市化进程的发展以及人类对高舒适度的居住建筑的追求,目前占社会终端能耗20%的建筑能耗的比例将上升到30%~40%。节能居住建筑作为建筑的重要组成部分,其鲜明的个体特征导致居住建筑能耗不但与建筑自身有关,更与居住者的行为意识、生活习惯等密切相关。在当前的市场经济条件下,节能居住建筑多目标优化研究已成为大家关注的热点。人们生活水平的不断提高,以单目标、双目标进行优化设计的居住建筑,很难满足人们对住宅经济性、舒适性、节能性等多方面需求。针对节能居住建筑多目标优化这一难题,本文作了以下研究:第一、建立典型居住模型,进行仿真模拟试验,训练数据集。首先,通过层次抽样法,统计居住建筑原始数据,利用相似理论归纳居住建筑多目标优化相关特征因素,对相似值进行分析评价,找出可以精确反应原型的特征因素,达到简化模型目的。然后,建立典型房屋模型,用Designbuilder进行仿真模拟,收集整理数据,作为GA-BPNN多目标优化模型的训练数据集、测试数据集。第二、选择建筑能耗、室内热舒适度、建造成本、太阳能利用率作为优化目标,结合BP神经网络基本原理、遗传算法,利用Python语言加载Tensorflow框架来构建GABPNN多目标优化模型,然后输入训练集训练网络模型,优化网络参数,提高模型准确性,再通过测试数据集对模型进行测试,从而判断出训练出的神经网络模型的性能好坏。从测试结果可以看出,在经过37504轮数训练后,模型的准确率为98%以上,满足实验要求,因此该GA-BPNN多目标优化模型的构建是可行。第三、为进一步验证模型的高效性、实用性,用对比试验来对GA-BPNN多目标优化模型进行训练收敛性验证,测试准确性验证,仿真模拟对比验证。最后结合具体案例,对其进行多目标优化分析,最终筛选出最优解集,设计者可以根据实际需求进行选择,证明了模型具有高效性、实用性。对比实验分析表明:(1)GA-BPNN模型相比BPNN模型收敛速度快,收敛精确度高、预测准确性强;(2)在进行GA-BPNN的多目标优化时,设置变量组合越多,囊括的可能性越多,结果的可借鉴性也就越高;(3)能为决策者呈现多种最优的居住建筑优化组合,可以根据自身条件进行选择,避免技术冗杂。