推荐：用 NSDT设计器 快速搭建可编程3D场景。
AEC（建筑、工程、施工）行业的BIM 技术，允许在实际施工开始之前虚拟地建造建筑物； 这带来了许多有形和无形的好处：减少成本超支、更有效的协调、增强决策权等等。 对于一些公司来说，采用 BIM 是需要克服的一大障碍，许多公司仍在苦苦挣扎。 但现在我们看到行业出现了另一个新趋势：人工智能。 我们不要害怕，仔细看看它。 它比你想象的要简单！
在本文中，我将展示我的硕士论文，题为“使用深度神经网络优化 BIM 模型能源性能”。
1、问题的提出
许多不同的估计表明，大约 70-80% 的设施成本用于运营。
当然，这些也是由于维护造成的； 但请记住，建筑业有时被称为“40% 的行业”，因为它占用了世界自然资源和二氧化碳排放量的 40%。 我们应该更好地爱护大自然！
我将尝试提出一个框架来优化建筑物的能源消耗，这被称为 EUI，或能源使用强度，以兆焦（或千瓦时）/平方米/年为单位测量。 Green Building Studio 将使用 DOE-2 引擎和从 Revit 导出的 gbXML 文件执行能源分析。
2、获取BIM数据
首先，我们需要做出一些假设。 让我将要测试的每个模型的 HVAC 系统保持相同（即，Revit 提供的单户住宅标准 HVAC 模型将用于每个 Revit 模型）。 事实上，在实际设施中，随着时间的推移，它可以被更高效的固定装置和系统取代，否则我们可能根本不知道暖通空调类型那么早。
相反，让我们关注建筑物更永久的特征，例如地板、墙壁和屋顶的导热率（R，m²K/W）； 窗墙比； 计划中的旋转。 这些是我将要尝试的特征。
另一个假设是我们的 Revit 模型将是一个普通的盒子，里面只有一个房间，没有隔断和窗户（窗墙比将在稍后分配）。 这是为了简化分析。
因此，让我们尝试以下参数范围的所有组合：
10368 种组合太多了，但 Revit API 会有所帮助。 Green Building Studio 使用 Revit 可以导出的 gbXML 文件。 此脚本将热阻值和平面旋转的组合应用于模型，并将每个组合模型导出为 gbXML 格式。 通过改变热资产的导热系数来实现不同的热阻值。 改变厚度会在分析中引入另一个因素：分析表面始终位于单元的中间，因此总面积随壁厚而变化。
解析 gbXML 目录以获取所有文件的路径后，我们准备将 3456 (121212*2) gbXML 文件上传到 Green Building Studio。 使用 Dynamo 包 Energy Analysis for Dynamo。
分析完成后，我们可以开始在 Green Building Studio 中分配窗墙比。 不幸的是，Dynamo 包没有此功能，并且 GBS API 仅供开发人员使用，因此我不得不借助浏览器自动化来分配 WWR。 然而，这只需要执行一次，我们稍后会看到原因。 能量分析完成后，我们可以解析 GBS 中的数据并对其进行彻底检查。
现在，让我们用另一个简单但不同的 Revit 模型重复上述所有步骤。
我们将需要这些数据以供以后使用。
3、训练神经网络
对于每个机器学习项目来说，数据检查和准备是必须的。 但在这种情况下，我们没有丢失数据或异常值：我们的数据是人为创建的。 因此我们可以安全地跳过许多检查步骤。 我将写另一篇文章更详细地描述神经网络。 如果你有兴趣，这里是脚本。 但长话短说，神经网络在给定大量数据的情况下，能够导出管理数据的规则。 与传统编程相比，我们给出规则和数据来获得答案。
当规则难以编码时，神经网络会派上用场：面部或语音识别、自然语言处理、翻译、情感分析等。
我们为本文中BIM数据设计的网络具有以下架构：
输入层（绿色）有 5 个单元。 这些是我们的参数：WWR、平面旋转和三个热阻值。 输出层（黄色）是 EUI 值。 将此网络（蓝色层）视为一个巨大的矩阵，其中第一步仅包含随机数。 为了训练网络，我们的输入层（向量）乘以一系列矩阵以获得 EUI 值的预测。 然后将预测与实际 EUI 值进行比较，并更新网络中的数字以更好地预测输出。 重复这个循环，直到我们对性能感到满意为止。
现在是时候根据第一个盒模型的数据点来训练我们的网络了。 其中 94% 将用于训练我们的网络，6% 将用于验证网络并调整影响网络的一些参数以获得更好的性能。
训练后，我们使用网络预测 10368 个 EUI 值：
误差保持在0.2%以内，还不错。 除此之外，网络将我们的数据从离散变为连续。 换句话说，我们现在可以获得以前无法获得的参数的 EUI 值； 例如 21% WWR 或 R=2.45。
好的，这让我们进入下一步。
4、迁移学习
还记得我们第一步做的第二个 Revit 模型吗？ 我们现在将通过称为“迁移学习”的技术来使用它。 让我们采用上一步中经过训练的网络，并将前四层设置为不可训练：
或者，换句话说，让我们只关注最后两层。
此时，网络“知道”主要模式和趋势以及每个参数如何影响 EUI。 但仅适用于第一个 Revit 模型。
现在让我们通过使用新数据重新训练最后两层，将新的 Revit 模型“引入”到我们的网络中。 但有一个重要的区别：这次只有 6% 的数据用于训练，94% 用于验证。 不执行超参数调整。 训练后我们得到这样的结果：
注意：训练时间约为 1 或 2 分钟，而第一个盒子 Revit 模型则需要 2-3 小时，并且预测几乎同样准确。
5、训练集/验证集比例的实验
为什么要坚持 6% 的训练与验证比例？ 让我们再尝试一下，看看效果如何。
4% 训练数据
1% 训练数据
0.25% 训练数据
事实证明，训练-验证比例大约为 1-2% 时，性能开始显着下降。
请注意，损失函数达到平台后停止训练
6、结果与比较
恭喜！ 现在，我们有了一个训练好的神经网络，可以使用少量数据来预测 Revit 模型在大范围参数下的能耗。 该模型甚至可能没有任何窗户。 我们所做的最后一步展示了它：通过引入我们想要分析的模型中的一些数据点，我们得到了相当准确的估计，几乎没有误差。
为了强调迁移学习的效果，让我们用刚刚训练的网络来预测两个模型的 EUI。
一个网络 — 两个 Revit 模型预测
这就是说，我们不能采用随机神经网络并期望它与我们的模型一起工作：应该进行一些能量分析。 然而，它可以像第一部分一样自动化。
7、未来的工作
现在我们有了一个可以准确预测能耗的神经网络，除了使用复杂的 Revit 模型对其进行测试之外，还必须向实际优化迈出一步。 为了找到最优的参数组合，需要建立成本模型。 成本模型应包括材料、劳动力、可能的维护、能源成本，并应考虑建筑物的生命周期、建筑和物理限制。
这将产生现实的框架，只需很少的努力，就可以在项目的概念阶段选择最佳的参数组合。
原文链接：神经网络BIM能源优化 — BimAnt
