从装饰品到算法：通过基于图像的环境模拟重新诠释传统窗户的设计

《Energy and Buildings》：From ornament to algorithm: reinterpreting vernacular windows through image-based environmental simulation

本研究提出基于深度学习的图像-模拟框架，评估传统伊朗窗户（Orosi、Shabak、Simple Traditional）的环境性能。通过ResNet50和EfficientNet-B0提取窗体几何及光学参数，经EnergyPlus和Radiance模拟验证，发现Shabak窗户在热需求和采光方面表现最优，综合评分达0.78。敏感性分析显示窗墙比（WWR）和遮阳系数（SHGC）为关键影响因素，而框架深度和镂空密度影响采光均匀性。所构建的WEPI指数为传统建筑构件的量化评估提供新方法。

　　

尼卢法尔·莫萨尔曼法尔库什（Niloufar Mosalmanfarkoosh）、马扎尔·阿巴伊（Mazyar Abaee）和尼乌莎·莫萨尔曼法尔库什（Niusha Mosalmanfarkoosh）

伊朗德黑兰艺术大学建筑与城市规划学院城市设计系

摘要

近期建筑研究强调能源效率和日光优化，这些原则早已融入传统建筑设计中。本研究提出了一个基于数据的图像到模拟框架，该框架结合了深度学习、建筑性能模拟和敏感性分析，以评估传统伊朗窗户类型（包括Orosi、Shabak和Simple Traditional）的环境性能。使用两个预训练的卷积神经网络（CNN）ResNet50和EfficientNet-B0，根据明确的操作定义直接从立面图像中提取与模拟相关的几何和光学参数，从而无需手动进行三维建模，同时能够准确表示复杂的传统几何形状。提取的参数被纳入EnergyPlus和Radiance模拟中，以评估能源需求、日光可用性和眩光风险，而无需依赖基于CAD的重建。模拟结果表明，Shabak窗户在性能上表现最为均衡：每年制冷需求减少了14%，同时保持了72%的空间日光自主性，眩光概率仅为0.25。基于SHapley Additive exPlanations（SHAP）和Sobol方法的敏感性分析指出，窗户与墙体的比例（WWR）和太阳得热系数（SHGC）是影响热性能和视觉性能的主要因素，而框架深度和穿孔密度则有助于提高日光均匀性。为此，开发了窗户环境性能指数（WEPI），Shabak窗户在该指数中获得了最高分（0.78），为复杂传统窗户几何形状的气候响应设计提供了统一、可扩展且易于解释的评估方法。

引言

传统伊朗建筑历来通过环境适应性设计策略来满足地区性、气候性和社会文化需求[1]。核心建筑元素如庭院（hayat）、风捕集器（badgir）、圆顶和iwan调节室内温度，支持风力和浮力驱动的自然通风，并控制日光进入[2]。在这种气候响应背景下，开发了Orosi、Shabak和Simple Traditional等传统窗户类型，以调节室内照度水平，实现自然通风路径，并在炎热、干燥的地中海气候条件下提升热舒适度[3]。这些窗户结合了图案化玻璃、深框架和穿孔组件，影响窗户与墙体的比例（WWR）和太阳得热系数（SHGC），以及与空间日光自主性（sDA）和眩光相关的指标[4]。在机械驱动的供暖、通风和空调系统广泛采用之前，传统窗户类型通过支持被动冷却机制和视觉隐私控制，提升了室内环境质量（IEQ）[5]。 窗户在基于模拟的设计框架中通过影响能源使用强度（EUI）、sDA和眩光相关指标来影响建筑能源性能和日光性能[6]。物理属性如朝向、框架深度、光学透射率和材料配置影响热行为、日光分布、眩光潜力和室内舒适度，这些可以通过SHGC、sDA和日光眩光概率（DGP）等指标进行量化[7]。基于性能的传统窗户类型模拟在方法上受到手工建造技术和几何复杂性的限制。诸如格子结构、分层框架和不对称开口等建筑特征给EnergyPlus和Radiance分析中的传统建模工作带来了挑战[8]。这种建模差距限制了将传统设计逻辑系统地纳入基于指标的性能评估中，并阻碍了将遗产知识应用于当代建筑的设计中。 在建筑环境研究中，研究范围涵盖了多个分析尺度和应用领域，从组件级评估到城市气候分析、系统级控制和以居住者为中心的评估。在城市尺度上，利用计算智能和大规模数据分析研究城市热岛强度、与移动性相关的热模式以及由土地利用驱动的气候变异性[9]。同时，在建筑尺度上，通过EUI、室内温度和日光相关指标等基于模拟的指标分析立面配置、通风策略和现场可再生能源系统，以量化不同气候和运行条件下的环境性能[10]。 从方法论角度来看，近期研究在基于物理的模拟、计算流体动力学（CFD）、基于优化的控制、强化学习和基于传感器的监测方法方面展现出多样性。能源模拟工具用于评估立面改造方案和现场可再生能源整合，使用EUI和室内环境指标等性能指标；智能控制方法用于供暖、通风和空调（HVAC）系统，以管理能源需求和室内环境质量（IEQ）[11]。基于CFD的分析和以传感为导向的框架扩展了对气流特性、热舒适度和时间分辨的环境感知的研究[12]。 深度学习的最新进展，特别是卷积神经网络（CNN），使得从视觉数据源中自动提取建筑信息成为可能[13, 14]。基于CNN的方法应用于遗产分类和类型识别；然而，视觉提取的几何特征与环境性能指标之间的系统联系仍然有限，尤其是在传统设计背景下[15]。这一局限性引发了以下研究问题：基于CNN提取的几何特征的数据驱动方法在多大程度上可以利用基于模拟的指标量化能源和日光性能，并通过敏感性分析评估设计参数的相对影响？

传统的模拟工作流程依赖于手动定义或参数化模型，这些模型在表示传统窗户系统的几何复杂性和类型多样性方面能力有限。基于图像的特征提取提供了一种结构化的机制，可以直接从建筑图像中提取与模拟相关的参数，从而生成对应于各种实际配置的输入。如果不与环境性能模拟相结合，提取的特征在分析上仍然与基于指标的评估分离。将基于图像的参数与模拟框架结合，可以在完全几何重建不切实际的情况下（包括早期设计探索、改造分析和数据稀缺的环境）实现可扩展的性能评估。

传统伊朗窗户类型体现了对气候、社会和环境约束的特定建筑响应。设计属性如格子密度、框架深度、玻璃组成和比例配置经过历史校准，以调节炎热和半干旱气候条件下的太阳辐射、日光分布、气流特性和视觉隐私[16]。每种类型都体现了由当地气候、材料可用性、空间实践和文化惯例塑造的独特环境逻辑，反映了积累的气候智慧而非纯粹的装饰形式主义[17]。 尽管相关研究不断扩展，但现有研究往往孤立地探讨这些维度，重点关注城市尺度的气候现象、系统级的能源控制或以传感为导向的性能评估。将视觉提取的建筑特征与能源-日光性能评估系统结合仍然有限，特别是对于具有几何复杂性的传统窗户类型。因此，传统立面配置中嵌入的环境逻辑很少被转化为可量化的、适用于模拟的框架，从而无法进行比较评估和基于敏感性的解释。

本研究在评估传统窗户性能方面提出了一系列方法论和分析贡献。首先，一个图像到模拟的框架可以直接从立面图像中提取与模拟相关的几何和光学参数，减少了对手动三维建模的依赖。其次，为关键窗户参数制定了明确且可转移的操作定义，以确保在能源和日光模拟中的物理可解释性和可重复性。第三，将基于图像的参数与EnergyPlus和Radiance模拟结合，支持对不同窗户类型的能源需求、日光可用性和眩光相关指标进行一致评估。第四，结合使用SHapley Additive exPlanations（SHAP）和Sobol敏感性分析，可以在统一的分析框架内解释局部和全局参数的影响。最后，窗户环境性能指数（WEPI）为不同气候条件下的传统窗户设计提供了多标准比较的结构化基础。

背景

计算机视觉与环境性能建模的结合扩展了建筑研究中的分析能力。深度学习的最新进展，特别是CNN，支持从视觉数据中自动识别建筑元素[18]，并应用于遗产记录、建筑风格分类和立面分析[19]。然而，将CNN提取的几何建筑特征扩展到建筑性能模拟中的工作仍然有限

方法论

本研究的方法论分为四个相互关联的阶段，将视觉信息与定量性能建模联系起来，如图1所示。

第一阶段使用预训练的CNN进行基于图像的特征提取，以分类传统伊朗窗户类型并提取与模拟相关的几何和光学描述符。该阶段包括数据集准备、两阶段迁移学习、提取特征的操作定义和验证等

类型分类性能

如表3所示，比较结果显示不同传统窗户类型的分类准确性存在差异。

表3显示，EfficientNet-B0的整体准确率（96.0%）和宏观平均ROC-AUC（0.991）高于ResNet50（分别为94.7%和0.987）。两种模型的精确度、召回率和F1分数值均较高且相当。报告的指标表明类型分类的一致性

讨论

结果表明，传统伊朗窗户类型的几何和光学特征的变化对应于能源需求、日光相关指标和眩光相关指标的可测量差异。格子配置、框架深度、玻璃比例和穿孔密度的变化与模拟热性能和视觉性能的变化一致相关

结论

开发了一个混合计算框架，将基于深度学习的图像分析、几何特征提取、环境模拟和敏感性分析结合起来，用于评估传统伊朗窗户类型。该框架通过使CNN能够分类窗户类型并提取四个操作定义的立面参数，建立了立面图像与定量性能建模之间的直接对应关系，从而形成了数据驱动的词汇表

关于写作过程中生成式AI和AI辅助技术的声明

在准备本工作时，作者在某些部分使用了生成式AI工具（如Grammarly）来提高语言清晰度和语法准确性。使用这些工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

未引用参考文献

[29]

CRediT作者贡献声明

尼卢法尔·莫萨尔曼法尔库什（Niloufar Mosalmanfarkoosh）：写作——审稿与编辑、初稿撰写、可视化、验证、软件使用、资源管理、项目管理、方法论研究、调查分析、概念化。马扎尔·阿巴伊（Mazyar Abaee）：写作——审稿与编辑、监督、方法论指导。尼乌莎·莫萨尔曼法尔库什（Niusha Mosalmanfarkoosh）：写作——审稿与编辑、初稿撰写、可视化、验证、软件使用、资源管理、项目管理、方法论研究、调查分析、概念化。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文所述的工作。

致谢

作者感谢Ehsan Fereyduni提供的富有洞察力的教程，在本研究准备过程中给予了宝贵的指导。