基于物理信息的建筑性能仿真机器学习——综述
系统与控制
2025-05-26 v3 系统与控制
摘要
建筑性能仿真（BPS）对于理解建筑动力学与行为、分析建筑环境的性能、优化能源效率、提升需求灵活性以及增强建筑韧性至关重要。然而，进行BPS并不简单。传统BPS依赖准确的建筑能源模型，主要依赖于物理模型，需依赖详细的建筑信息、专业知识以及逐案模型校准，从而显著限制其可扩展性。随着传感技术的发展和数据获取量的增加，数据驱动BPS正受到日益关注的注意。然而，纯数据驱动模型常 suffer from 泛化能力有限且缺乏物理一致性，导致在实际应用中表现不佳。为此，近期研究开始将物理先验纳入数据驱动模型，称为物理信息机器学习（PIML）。PIML是一个新兴领域，其定义、方法、评估标准、应用场景和未来方向仍处于开放状态。为弥合这些差距，本研究系统综述了BPS的最新PIML研究，提供了PIML的综合定义，并就数据需求、建模 effort、性能和计算成本等方面与传统BPS方法进行比较。我们还总结了常用的方法、验证方法、应用领域、可用数据来源、开源软件包和测试平台。此外，本研究为根据BPS应用选择合适的PIML模型提供了通用指南。最后，本研究确定了关键挑战并概述了未来研究方向，为推动PIML在BPS中的研发提供了坚实基础和宝贵见解。
引用
@article{arxiv.2504.00937,
title = {Physics-informed machine learning for building performance simulation-A review of a nascent field},
author = {Zixin Jiang and Xuezheng Wang and Han Li and Tianzhen Hong and Fengqi You and Ján Drgoňa and Draguna Vrabie and Bing Dong},
journal= {arXiv preprint arXiv:2504.00937},
year = {2025}
}