具有物理洞察力的神经网络模型的可迁移性与集成性：用于可扩展的多区域以人为中心的通风控制

《BUILDING AND ENVIRONMENT》：Transferability and Integration of Physics-Informed Neural Network Models for Scalable Multi-Zone Occupant-Centric Ventilation Control

本研究通过对比物理信息神经网络（PINN）在单区、多区整合及跨区迁移三种建模策略下的表现，揭示多区协同建模对建筑通风控制的适用性。结果表明整合模型存在系统性低估（-0.27），迁移模型误差显著（0.37 vs 0.17），SHAP分析显示物理约束与行为动态存在权衡。研究证实需结合空间异质性与行为差异制定定制化学习策略，为建筑级自适应通风控制提供理论依据。

　　
随着城市化进程加快和建筑能耗问题日益突出，如何在保障室内空气质量的同时提升能源效率成为全球关注的重点课题。传统HVAC控制策略如Bang-Bang控制、PID控制等虽然结构简单且易于实施，但难以适应动态变化的室内环境与人员行为模式。例如，当教室人数突然增加或温度波动超出预设阈值时，这些控制方法往往无法及时响应，导致能耗增加或空气质量下降。近年来，模型预测控制（MPC）技术因其预测优化能力受到广泛关注，但MPC的高效运行高度依赖于模型精度与实时数据反馈的匹配度。在此背景下，融合物理定律的神经网络模型（PINN）因其可解释性和强适应性成为研究热点。

本研究以两间物理特征相似但人员行为动态不同的大学教室为研究对象，通过为期12周的连续监测收集室内外二氧化碳浓度、温度及人员活动数据。实验创新性地构建了三类PINN模型：基于单间数据的专用模型、整合多房间数据的全局模型以及跨房间迁移模型。监测数据显示，两间教室虽面积和结构相同，但存在显著的人员行为差异——例如A教室学生在课后更频繁地开启窗户通风，而B教室因靠近实验室入口，人员流动呈现脉冲式特征。这种空间异质性对模型性能产生了决定性影响。

在模型验证阶段，研究人员采用ASTM D5157标准评估控制系统的可靠性。专用模型虽然完全满足基准要求，但在应对跨房间数据迁移时暴露出明显局限性。整合模型通过融合两间教室的12周数据，成功捕捉到人员密度与通风效率的非线性关系（相关系数达0.82），其预测误差较专用模型降低18%。值得关注的是，跨房间迁移模型在未进行任何数据适配的情况下，预测误差激增至0.37，这直接反映了模型泛化能力的不足。

SHAP分析揭示了物理规律与行为特征的交互机制。在整合模型中，热传导方程与人员活动数据的耦合权重占比达67%，表明系统更依赖物理规律约束下的行为模式学习。相较之下，迁移模型对单一训练集的行为特征（如平均停留时长0.8小时）过度依赖，导致在目标教室出现人员密度波动时（±30%），预测偏差显著扩大。这种差异验证了研究团队提出的"空间特异性"假说：当不同区域存在显著的行为模式差异时，通用模型的表现会严重衰减。

控制性能测试显示，整合模型在MPC优化中的响应速度提升23%，同时将系统能耗降低至专用模型的92%。这一成果得益于其动态融合不同区域的行为特征——例如在计算新风需求时，模型能根据当前时段自动加权两间教室的历史数据。当检测到某教室人员密度突然上升时（超过基准值15%），系统会在8分钟内完成通风策略调整，较传统PID控制响应时间缩短60%。

研究还发现，物理约束的引入能有效抑制过拟合现象。在对比实验中，未添加物理方程的神经网络模型在训练集上的误差仅为0.12，但在测试集（跨区域数据）的误差飙升至0.45。而融合热力学方程（质量守恒定律）和空气动力学方程（扩散方程）的PINN模型，在跨区域测试中误差控制在0.18以内，且SHAP分析显示物理约束对关键参数（如换气率）的解释权重达54%。

这些发现对实际应用具有重要指导意义。首先，在建筑群控制中，采用数据整合策略可显著提升系统鲁棒性，但需注意保留各区域的核心特征。其次，迁移学习虽能降低数据采集成本，但必须配合动态特征适配机制。研究团队提出的"双阶段迁移"框架——先通过迁移学习获得基础模型，再利用少量本地数据进行微调——在实验室验证中可将迁移模型误差控制在0.22以内，接近专用模型水平。

值得关注的是，模型在应对突发性事件时的表现差异显著。当某教室因临时讲座导致人员密度激增2.1倍时，专用模型通过实时调整通风速率维持了0.15的CO?浓度波动；而整合模型虽预测准确度下降12%，但通过多区域协同调控，仍将整体能耗降低19%；迁移模型则出现30%的预测偏差，导致系统在5分钟内进入紧急通风模式，造成15%的额外能耗。

研究结论强调了构建混合型控制架构的必要性：底层采用整合模型实现全局优化，中层通过迁移学习适配局部特征，顶层保留专用模型的快速响应能力。这种分层控制策略在模拟建筑群（包含8个教室和3个公共区域）的测试中，较单一模型控制方式节能28%，同时保持室内CO?浓度稳定在400-600ppm范围内。

未来研究可进一步探索动态权重分配机制，根据实时环境数据自动调整模型训练中的物理约束强度。例如，在温湿度波动较大时增强热力学方程的约束权重，而在人员活动稳定期则侧重行为特征的学习。这种自适应的物理信息神经网络（APINN）框架，或将为智慧建筑控制提供新的解决方案。