深圳大学建筑与城市规划学院2024年度绿色、健康建筑前沿课程系列讲座第二讲：“ 建成环境评价中的智能技术 ”于10月9日晚顺利举行，本场讲座由袁磊教授主讲。
袁磊教授以绿色、健康为视角，聚焦深圳本土案例，系统梳理了建成环境评价技术的演进脉络：从“前智能化”时代的关键技术奠基，到近年来AI主导的智能化技术在建成环境评价领域的蓬勃发展，广泛介绍了自动优化生成式设计、机器学习模型及城市大数据技术的实践应用成果,旨在拓宽同学们对建成环境认知的广度与深度，启迪未来探索之路。
01【背景介绍】
袁磊教授首先阐述了学院建筑技术研究的组织架构，并深入探讨了在时代进步、气候变化和城市高强度开发背景下建成环境发展的背景及其重要性。
在讲座中，袁磊教授主要通过案例进行解释。针对建筑“风”、“光”、“热”、“空气污染”等建成环境物理相关问题，早期项目组的建成环境微气候模拟预测曾在30多个重要城市设计的专项规划中得到应用。其中包括深圳前海桂湾项目、后海中心区风环境地图以及南山区西丽留仙洞片区交通污染物扩散评价与优化项目等。
2【发展及演变】
在“智能化”与“绿色化”双轮驱动城市发展的背景下，袁磊教授提出了新的发展路径：从性能模拟，到充分智能化。
在“前智能化”时期，项目建成环境的评估和诊断主要技术由对环境展开实测和对场景进行数值模拟计算构成；例如使用CFD技术进行室内及街区尺度的计算；以及综合的性能分析计算。同时还进行了城市气候图的地理信息数据应用建设，助力城市建成环境数字化建设。
随着计算机算力的飞速发展及建成环境研究水平的不断提升，研究进入 “基于性能模拟和算法优化的设计生成” 阶段。使用者对建成环境要求提高，开始期待“一站式”的多目标优化方案，但物理环境要素间基本属于竞争关系，无法协同优化，因此项目组对设计平台和流程进行梳理和优化，在“垂直森林建筑”优化设计项目中对“热舒适、绿量、采光以及能耗”目标进行综合性优化，在“十三五”重点研发项目课题中，采用“城市布局的密度优化+地块布局的逐栋生成 ”的措施，并进一步进行了街区布局自动生成的相关研究。
街区多目标优化布局自动生成 案例
03【 机器学习替代复杂模拟多源数据驱动的城市尺度建成环境优化】
有关近几年的研究进展，袁磊教授以CFD模拟的优化为例， 展示了团队运用机器学习技术如何显著提升此类复杂模拟的性能。 相较于传统方法，将机器学习技术融入模拟过程不仅大幅缩短了计算时间，还保持了相当的精度：例如在风环境计算中，以经典的VGGnet为网络主干，通过尝试不同的建筑空间表征参数及其组合作为模型输入。在模型计算时以逐点计算的方式进行，以离散点的形式获取周边的环境性能矩阵，达到数据数量倍增的效果，最终实现对各点风速的精确预测。
风环境模拟案例
风热研究模型基于Rhino-Grasshopper平台进行二次开发与整合，降低了技术门槛，提高了成果的产出质量。
Rhino-Grasshopper平台整合流程
在多个项目的实践中对多种机器学习模型的实践中，得出机器学习模型与复杂的CFD物理模拟相比的优势有：数据预处理自动化效率高，综合计算速度是原有速度的约百倍，采用风环境预测最快可以在60s内得出矢量结果。
针对越来越多的城市尺度的建成环境计算需求，大尺度环境体量需整合监测站、移动测量数据等多源多模态信息，并融合机器学习模型以形成参数变量进行精确计算。在大尺度建成环境研究中团队构建了城市尺度的热舒适分布及影响要素分析框架，技术案例包括基于热辐射传输方程（RTE）法的地表温度反演技术，以及 运用深度学习语义分割模型提取街景指标，实现街区空间要素的精细识别与建筑轮廓的精准勾勒等。研究在数据整合以外也注重数据识别，借助非线性模型优化环境设计，实现了从宏观到微观、从数据到场景的全方位解析与创新应用。
通过街景图像获取典型空间形态参数
4【总结】
在最后袁磊教授指出，在建筑行业存量发展的大背景下，公众对建成环境的关注度日益提升，基于建成环境评价的微改造、微更新、微提升策略，正逐步崭露头角，预示着未来建筑行业的重要发展趋势。
同时，相关学科的发展已经成为建成环境评价的重要理论基础和技术支撑。多源多模态大数据分析，神经网络、机器学习等人工智能技术，对于建成环境复杂问题的分析提供了前所未有的强有力手段和方法，也将成为推动建筑学科发展和行业应用的重要引擎。
