面向早期设计阶段的日光与视觉舒适度评估机器学习框架
机器学习
2021-09-15 v1
摘要
本研究主要关注机器学习算法在早期设计阶段预测日光与视觉舒适度指标方面的评估。首先基于 Honeybee for Grasshopper 的 2880 次模拟构建数据集。模拟针对带单侧窗的鞋盒空间进行。方案由不同物理特征生成，包括房间尺寸、室内表面反射率、窗户尺寸与朝向、窗户数量以及遮阳状态。采用 5 项指标进行日光评估，包括 UDI、sDA、mDA、ASE 和 sVD。基于 LEED v4 视觉质量评价框架，通过 Grasshopper 算法对同一鞋盒空间分析视觉质量(Quality Views)。进一步使用 Python 编写的人工神经网络算法分析该数据集。预测准确率平均约为 97%。所建模型可用于早期设计阶段分析，无需在既往平台与程序中进行耗时的模拟。
引用
@article{arxiv.2109.06450,
title = {A machine-learning framework for daylight and visual comfort assessment in early design stages},
author = {Hanieh Nourkojouri and Zahra Sadat Zomorodian and Mohammad Tahsildoost and Zohreh Shaghaghian},
journal= {arXiv preprint arXiv:2109.06450},
year = {2021}
}
备注
This paper was presented at the 2021 IBPSA (International Building Performance Simulation Association) Conference in Bruges, Belgium