冰上运动场馆中能源消耗与温湿度环境的多目标优化：一个集成的XGBoost-MLP框架

《Building and Environment》：Multi-objective optimization of energy consumption and thermal-humidity environment in ice sports buildings: An integrated XGBoost-MLP framework

提出基于建筑性能模拟的集成XGBoost-MLP多目标优化框架，用于冰上运动场馆形态与布局参数的协同优化。研究显示形态优化可降低能耗12.73%，提升热舒适4.04%，且关键参数存在非线性耦合效应。该框架通过机器学习替代传统高耗能仿真，实现多性能指标的高效协同优化。

　　
冰上运动场馆形态与多性能协同优化研究

在"双碳"战略与健康建筑理念推动下，冰上运动场馆的能源效率与热环境质量协同优化已成为建筑领域的重要课题。传统研究多聚焦于制冷系统、围护结构等硬性技术参数的优化，却忽视了建筑形态本身对能耗和热湿环境的根本性影响。建筑形态通过改变围护热交换面积、空间气流组织、湿度迁移路径等关键物理参数，与能耗形成深度耦合关系。某30×61米标准冰场的年制冷能耗高达750 kWh/m2，是常规办公楼的三倍以上，这凸显了形态优化在提升能效中的战略地位。

本研究创新性地构建了"物理仿真-机器学习-多目标优化"三位一体的智能设计框架。通过Ladybug、Honeybee等建筑性能仿真工具，建立了包含冰面温度（-7至-3℃）、空气湿度（40%-60%）、空间气流速度（0.5-1.5 m/s）等核心指标的物理模型。为突破传统BIM参数化建模的局限，采用Rhino+Grasshopper构建可调节拓扑的抽象原型，将场馆形态解构为36个关键参数（涵盖屋顶倾角、看台半径、通道布局等维度），形成具有连续变异能力的参数系统。

针对高维参数空间（36维）与多目标耦合（能耗、湿度、舒适度）的复杂优化问题，开发了XGBoost-MLP混合建模体系。通过3000组系统化仿真样本构建基准数据库，其中XGBoost模型在能耗预测（MAPE<0.18%）和湿度控制（R2>0.91）方面表现优异，MLP模型则在热舒适度评估（PMV-PPD综合指数<0.2）上具有优势。这种混合建模策略既保留了物理模型的可解释性，又实现了非线性关系的智能捕捉，使能效预测精度达到传统CFD模拟的92%，优化效率提升40倍。

在多目标协同优化方面，研究采用改进型NSGA-II算法，通过建立Pareto前沿的动态筛选机制，成功平衡了三大核心目标的冲突关系。实验表明，形态优化可使综合能耗降低12.73%，热舒适度提升4.04%，其中场馆平面半径与屋顶曲率的协同优化贡献率达67%。值得注意的是，形态优化产生的节能效果（约350 kWh/m2·年）显著高于布局优化（约120 kWh/m2·年），这验证了形态参数在系统级能效优化中的主导作用。

参数敏感性分析揭示了非线性耦合特征：冰面辐射系数每提升0.1，综合能耗降低0.8%；看台通道宽度每增加0.2米，热舒适度指数下降0.15。这种负相关性在传统优化方法中难以察觉，通过MLP模型的ICE曲线可视化，发现当屋顶倾角超过25°时，能耗与舒适度的改善趋势发生逆转，这为形态设计提供了临界阈值参考。

研究突破性地将冰面视为主动低温辐射面板，重新定义了建筑热力学模型。在传统围护结构分析基础上，引入冰面辐射换热量（占比总负荷28%-35%）、蒸发冷却效应（湿度控制关键因素）等新型参数，构建了包含冷量平衡、湿度迁移、气流组织的三维耦合模型。该模型使能效预测误差控制在3%以内，湿度波动范围压缩至±2.5%RH，显著优于单目标优化模型。

实践验证表明，该框架在哈尔滨冰上运动中心设计中取得显著成效：通过形态优化将屋顶结构复杂度降低40%，同时实现年节电量427万kWh。在天津某速滑馆的参数敏感性测试中，调整观众席半径0.3米可降低能耗12.7万kWh/年，优化效果随参数组合呈现指数级增长。研究特别开发的动态设计工作流，可将传统优化周期（120天）缩短至7天，使设计迭代效率提升18倍。

该研究为建筑形态学开辟了新范式：首先建立"形态-性能"映射数据库，将36个形态参数与8项性能指标（能耗、湿度、PMV、PPD等）关联；其次开发双模型融合策略，XGBoost处理线性特征（占参数体系62%），MLP捕捉非线性交互（占38%）；最后通过NSGA-II的改进型收敛算法，在Pareto前沿生成覆盖97%解空间的优化方案。这种"物理机理指导建模-机器学习增强预测-进化算法优化决策"的闭环体系，为大型公共建筑的智能化设计提供了可复制模板。

研究同时揭示了冰上场馆特有的优化规律：屋顶曲率与看台半径的乘积对能耗影响最大（权重系数0.83），其次为通道布局（0.62），最后是墙体材料（0.39）。在热舒适优化中，空间高度与冰面温度梯度的影响系数达到0.91，成为改善PMV指数的关键因素。这些发现颠覆了传统建筑优化中"重局部轻整体"的思维定式，为未来场馆设计提供了量化决策依据。

该框架的应用价值已延伸至其他冷冻空间：通过调整模型中的热力学参数，成功应用于零下20℃的食品冷库（节能率18.7%）、-15℃的实验室（湿度控制精度达±1.2%）。特别开发的参数自适应系统，可根据不同建筑类型自动调整36个形态参数的权重分配，使优化模型具有跨场景应用潜力。在虚拟现实辅助设计系统中，用户可通过实时能耗-舒适度三维云图直观感知形态调整效果，将设计决策的响应速度提升至分钟级。

这项研究标志着建筑性能优化进入"智能协同设计"新阶段：通过物理仿真建立基础数据库，机器学习构建预测模型，进化算法实现多目标优化，最终形成"数据驱动-知识嵌入"的智能设计系统。这种融合白盒模型（物理仿真）与黑盒模型（机器学习）的创新方法，在保证模型可解释性的同时，将传统设计中的经验系数法（误差范围±25%）提升至误差±5%的科学量化水平，为建筑行业数字化转型提供了关键技术支撑。