建筑学报 | 孙澄 韩昀松 王加彪 | 建筑自适应表皮形态计算性设计研究与实践 | 2022年02期

1  建筑自适应表皮研究背景

在碳达峰与碳中和双目标导向下，我国建筑产业节能减排进程持续深化。至2020年3月，国家已经先后发布76项被动式低能耗建筑发展方案，建筑节能减排战略施行已由“建筑运行阶段”拓展为“建筑全生命周期”，并持续推动建筑节能、产能以及脱能情景实现，以期提前实现碳达峰，助力碳中和战略目标实现。

建筑表皮作为室内外环境传热传质媒介，是降低建筑能耗、提高建筑绿色性能、营造健康人居环境的重要系统。传统静态建筑表皮限于形态与构造设计局限，难以动态、实时响应室内外环境和用户需求变化。建筑自适应表皮的发展进一步提升了建筑表皮系统对环境与用户需求的响应精度和灵活性，能够及时响应短期天气波动和季节气候变化，动态平衡人居环境各项绿色性能，是实现建筑低能耗与高舒适平衡的有效方法。

国内外学者围绕建筑自适应表皮展开了广泛探讨，揭示了建筑自适应表皮对建筑性能的权衡改善潜力。有学者提出应用“动态气候分析法”展开建筑自适应表皮设计，旨在提高建筑自适应表皮环境响应精度。近年来，以用户为核心的建筑自适应表皮设计研究日益受到关注。既有研究开发了建筑自适应表皮运行评估系统，旨在推动以用户满意度为核心的建筑自适应表皮设计。既有研究表明建筑自适应表皮在减少建筑能耗和碳排放、营造健康舒适的室内环境、缓解高层风致振动等方面具有较好潜力。

不同于建筑静态表皮设计，由于建筑自适应表皮通过形态与构造的动态变化来响应环境波动，其形态设计具有鲜明的“时空四维”特征，包含“形态”与“形变”优化设计需求。如何实现建筑自适应表皮的动态找形，已成为相关研究领域的瓶颈问题。同时，建筑自适应表皮形态对能耗与光热性能等建筑绿色性能具有差异化影响，需要权衡考虑，亟待面向建筑绿色性能多方面需求，展开多目标导向下的建筑自适应表皮形态设计。上述需求对建筑自适应表皮形态设计提出了新的挑战，而计算性设计思维与方法发展为应对上述挑战提供了新契机。研究基于计算性设计思维，研发了建筑自适应表皮形态计算性设计方法与工具，并结合工程项目展开了设计方法实践应用。

2  自适应表皮形态计算性设计方法

计算性设计是基于人居环境系统科学与复杂性科学思想，应用进化计算、深度学习神经网络建模等人工智能技术，展开多性能目标耦合考虑下的建筑设计元素自组织生成与自适应优化的过程。研究结合自适应表皮环境响应中的建筑与环境传热传质机理、耦合人工神经网络(ANN)和多目标进化算法(MOEA)，提出了建筑自适应表皮形态计算性设计方法。

2.1  自适应表皮形态计算性设计流程

自适应表皮形态设计需立足局地气候环境和使用者行为规律，综合考虑建筑环境交互过程的复杂性和不确定性特征的同时，兼顾建筑自适应表皮时空四维特征，协同开展建筑自适应表皮“形态”与“形变”设计。同时，自适应表皮与建筑功能空间是有机融合的共同体，自适应表皮不仅影响着建筑绿色性能，也影响着建筑空间美学品质，建筑师在自适应表皮设计中，需依托建筑环境信息模型，在多性能目标导向下，制定自适应表皮形态设计决策，实现对建筑绿色性能多目标的权衡优化。因此，自适应表皮形态计算性设计流程包括建筑环境信息建模、自适应表皮形态生成、自适应表皮形变设计和自适应表皮形态优化与决策4项子流程(图1)。

设计者首先结合项目任务书要求，展开建筑环境信息建模，构建建筑形态空间、材料构造设计参量之间的自适应关联关系。随后，设计者提出建筑自适应表皮形态生成概念，应用研究团队所研发的建筑自适应表皮设计平台，生成建筑自适应表皮形态；进一步提出建筑自适应表皮控制逻辑和形变模式，并建立建筑自适应表皮控制逻辑与传动状态的映射关系；最后，以建筑绿色性能目标为导向，应用研究团队所研发的建筑自适应表皮设计平台，展开建筑自适应表皮形态优化与决策，通过拉丁超立方采样和性能仿真生成训练数据，为自适应表皮优化决策过程提供技术支撑，应用SOM聚类分析技术，解决自适应表皮优化中的高维优化设计决策难题。

2.2  自适应表皮形态计算性设计策略

以建筑自适应表皮形态计算性设计流程为基础，针对不同设计问题需求，依托前沿人工智能技术可衍生出多元化的建筑自适应表皮计算性设计策略。基于生成和决策两方面可分为建筑自适应表皮的拓扑生形策略和降维决策策略。

1)建筑自适应表皮拓扑生形策略

自适应表皮形态与形变设计需兼顾美观性、经济性和可操作性，统筹考虑建筑自适应表皮对建筑绿色性能的优化效果及其运维过程的传动功耗。设计者可基于“镶嵌几何”和“分形几何”原理，以“由局部到整体”或“由整体到局部”的方式，展开建筑自适应表皮拓扑生形；发挥镶嵌几何的规律性特征与分形几何的迭代性特征，结合建筑形态曲率特征与建筑空间功能需求，应用计算性设计工具，整合正多边形镶嵌、非正多边形镶嵌、谢宾斯基地毯分形、林氏系统分形等数学模型，实现建筑自适应表皮拓扑生形过程，为建筑自适应表皮生成“同胚”形态提供策略支撑。

2)建筑自适应表皮降维决策

自适应表皮形态优化决策方面的关键问题是对于高维多目标优化问题解空间的有效搜索和精准决策。设计者可采用整合人工神经网络模型和多目标进化算法的计算性设计策略，来提高优化设计过程中的适应度函数计算效率，为解空间全局搜索提供技术支撑。同时设计者在自适应表皮优化决策中可采用降维决策，融合优化目标代理、SOM神经网络聚类分析和SOM神经元K-means聚类分析技术，通过竞争学习策略和临近关系函数，将高维数据空间映射到二维空间，在降低数据空间维度的同时保持原空间拓扑结构，提高设计决策制定精度和效率。

3  设计方法实践应用

研究实践案例为重庆两江协同创新区办公楼(图2)。该项目主楼东、西立面和副楼南立面存在大量玻璃幕墙，眩光风险较高，且相应功能空间为开放办公空间，工作人员密集，亟待引入建筑自适应表皮系统。因此，研究以该朝向典型的单元式办公空间和开放式办公空间展开建筑自适应表皮形态计算性设计方法、策略和工具的实践应用。

3.1  自适应表皮形态生成实践

研究基于镶嵌几何原理，应用拓扑生形策略，展开自适应表皮形态生成，以正多边形镶嵌几何图形为初始形态，其空间排布形式生成结果如图3。图中括号内数字表示正多边形边数，数字个数表示正多边形数量，每个括号内正多边形单一内角和为360° 。剔除不适于自适应表皮形态设计的镶嵌形态，利用多边形镶嵌算法，生成基于正则镶嵌的建筑自适应表皮单元形态。

之后基于生成的表皮单元形态，可生成由两种几何图形组成的半正则镶嵌形态(图4)。图中t值是控制表皮形态中“新生比例”的参数，其从0到1变化时，正三角形正则镶嵌中新生表皮单元逐步演化为正六边形(图4左)，正方形正则镶嵌中新生成表皮单元与初始镶嵌单元一致(图4中)，正六边形演变为正三角形(图4右)。表1展示了不同t值控制下的自适应表皮形态，对于内角的角度较小的表皮单元，其可能造成传动杆件数量、自适应表皮运行能耗和电机成本增加，因此对其进行调整和剔除。

▲ 4  所选镶嵌几何初始形态可视化

3.2  自适应表皮形变设计实践

研究对比了旋转、平移和折叠3种形变方式，考虑到采用旋转形变方式可能导致表皮单元或框架碰撞，而平移的形变方式将表皮单元限制在单一平面内运动，不利于室内光环境的调节；折叠的运动方式综合了平移和旋转形变方式的优点，而且包含线性折叠、对角线折叠、旋转折叠等多种形变方式，可灵活匹配多样化的自适应表皮形态，因此在实践中采用折叠几何的形变方式。考虑到前述生成的建筑自适应表皮单元形态均为旋转对称几何形，适用于折叠几何理论中的旋转折叠，因此，实践中最终选定折叠1次的形变方式(图5)。

3.3  表皮形态优化与决策实践

1) 优化参量与优化目标设定

实践以自适应表皮形态设计参量为优化参量，包括表皮单元边长(unit)、镶嵌样式(style)以及新生比例(ratio)，其中镶嵌样式指前文选出的3种表皮单元初始形态。为了避免不同参数产生相同表皮样式，研究对新生比例做出阈值限制。本实践案例涉及3个建筑立面，每个建筑立面含3个设计参量，共9个优化参量(表2)。

实践优化目标包括照度过量面积百分比(Over Daylit Area Percentage，OAP)、照度不足面积百分比(Partially Daylit Area Percentage，PAP)、日光眩光概率(DGP)和自适应表皮每日累计运动量(Cumulative Movement，CM，表3)。单元式办公室DGP模拟点位于房间西南墙面由南向北1/3处，朝向东北方向；开敞式办公室DGP模拟点位于东侧墙面由北向南2/5处，朝向正南方向。自适应表皮累计运动量通过表皮运行主要受力点的运动距离来表征，可反映建筑自适应表皮的形变能耗。

为权衡不同办公空间的绿色性能提升需求，研究将同步优化单元式办公空间和开敞式办公空间的自适应表皮形态。模拟时间段内性能目标的平均值表征数据整体大小特征，平均值越大整体数据越大，反之越小。标准差表征数据稳定性特征，标准差越小表示数据越稳定，反之越离散。由于选取的优化目标均为不利因素，因此在优化过程中需权衡平均数函数值和标准差函数值，求取最小值。

2) 自适应表皮控制逻辑

项目实践以建筑立面日照辐射量控制为导向，制定控制逻辑之前先选取相应建筑立面，对其进行大小为0.9m×0.9m的模拟单元划分，模拟时间段为夏季6月21日6: 00-19: 00与冬季12月21日8: 00-15: 00，模拟时间步长为1h。在该时段内每小时模拟1次，采集每个模拟单元格的辐射量，提取该时段内立面最大辐射数值R和最小辐射数值r。启动自适应表皮控制逻辑，进行建筑立面辐射模拟，表皮单元最近辐射模拟单元的辐射值DT。将R值映射为表皮单元形变程度c=0，将r值对应为表皮单元形变程度c=1，将其他辐射量数值在(0，1) 之间进行等比映射，此时的表皮形变程度t = (D-r)/(R-r)。接下来进行下一时间节点的模拟，表皮单元最近辐射模拟单元的辐射值 DT+1，判断本次同一点辐射量与上一时间节点辐射量增量或减量是否大于(R-r)/10，若增量大于(R-r)/10，该表皮形变程度c减小0.1，若减量大于(R-r)/10，则c增加0.1。最后判断时间是否到达模拟结束点，若是则结束模拟，否则重复上述动作，直至模拟时间结束。

3) 预测模型构建

研究综合应用拉丁超立方采样技术、人工神经网络建模技术构建多目标优化设计过程中的适应度函数评价神经网络模型。首先，对自适应表皮形态设计参量构成的可行解空间进行拉丁超立方采样，以保证样本数据能有效代表自适应表皮形态可行解空间的数据结构。既有研究表明：大于两倍设计参量数目的设计样本可较好地代表设计空间。研究采集了200组样本数据，其3个立面的表皮单元尺寸、镶嵌样式和新生比例设计样本分布趋势一致(图6)。其中，表皮单元尺寸分布在[1600，2100]区间内的设计样本相对较多，镶嵌样式大多分布在样式1上，新生比例在3个区域内分布相对平均。设计样本中未出现大量空白区域(镶嵌样式仅有0、1、2三个取值，图6d)，能有效代表整个设计空间的数据结构。随后，研究将设计样本输入建筑性能模拟模型获取相应性能目标并组成训练数据集，展开神经网络预测模型训练。对该模型的测试结果表明：单元式办公室预测模型的均方根误差RMSE为0.115，决定系数R²为0.91；开敞式办公室预测模型均方根误差RMSE为0.091，决定系数R²为0.91，达到了较高的预测精度(图7)。多目标优化设计相关参数设置如表4所示。

▲ 6  设计样本分析(数字为样本数量) 

▲ 7  神经网络预测模拟精度验证

4) 优化设计决策支持

单元式办公室和开敞式办公室分别经过50代迭代运算，最终获得198组和199组非支配解(图8)。

为了降低高维非支配解的决策难度，研究绘制了各维度之间的相关性矩阵图，以观察其两两之间的相关性，相关性大的元素可取其中一个维度数据作为代理，以达到降低数据维度减轻决策负担的效果。图9为单元式办公空间和开敞式办公空间各优化目标之间的相关性矩阵图，图的左下部分表示各维度之间的散点图，右上部分表示各优化目标之间的相关系数，对角线上的柱状图表示非支配解在各目标维度上的空间分布情况。当相关性绝对值大于等于0.9时，说明两项指标具有强相关性，由此提出各项性能指标的优化目标代理指标图(图10)。其中单元式办公室性能目标由初始的13维降低到了5维，开敞式办公室由13维降低到了8维，为下一步决策降低了难度同时可提高决策准确性。

▲ 9  优化目标相关性矩阵图

接下来，对代理指标进行SOM聚类分析。根据式(1)：

SOM神经元数量＝5√N (式1)

求得神经元数量，构建二维正方形网路尺寸为8×9，SOM网络拓扑结构为“hexagonal”，种子数为2000，迭代数为500，利用归一化的非支配解集迭代训练SOM神经网络至收敛状态。

SOM神经网络迭代计算至450代时，神经元中点趋于相对稳定。由于开敞式与单元式办公空间筛选分析过程一致，因此本文以单元式办公空间筛选分析过程为例，展开非支配解集筛选与分析，后同步附上开敞式办公空间筛选过程图。图11a底图表示每个SOM神经元所包含各项性能指标占比关系，饼状图中成分大的指标为所在神经元主导性能，并揭示了神经元均值整体呈现从左上到右下逐渐减小的趋势，结合各优化目标的取值趋势，可判断优质神经元聚焦在图左下区域。图11b底图展示的是各性能目标在SOM神经网络中的分布情况。颜色越红表示数值越大，色彩越蓝数值越小。结果显示Ave-PAP(S)和Ave-PAP(W)呈现从左上往右下数值减小的趋势，Std Dev-PAP (S)与之相反，可见Std Dev-PAP (S)和Ave-PAP(S)、Ave-PAP(W)均存在负相关关系。虽然能看见各性能目标的大致走势，但由于神经元数量过多导致比较决策存在难度，因此对SOM神经元进行聚类分析，将相似神经元归为一类，根据每一类神经元的特征进一步筛选。

研究采用K-means聚类方法对单元式和开敞式办公空间自适应表皮形态进行SOM神经元聚类，分别得到带分隔线的SOM神经元聚类图(图11、12)。结合图11以及前文分析的相关性可知，单元式办公室类别1神经元所含非支配解综合水平相对较好，其中Ave-OAP(S)、Std Dev-PAP (W)、Ave-OAP(W)、Std Dev-OAP (W)、Ave-DGP(W)、Std Dev-DGP (W)和CM处于较低水平，Ave-PAP(S)、Ave-PAP(W)处于中等偏高水平，Std Dev-PAP (S)、Ave-DGP(S)、Std Dev-OAP (S)和Std Dev- DGP (S)处于中等水平。但该类神经元内存在部分非支配解导致照度不足面积百分比呈现中等偏高水平的结果。因此需要进一步筛选分析，以获取综合性能更优化的非支配解。

取第1类神经元包含的非支配解进行SOM聚类分析，共包含67组非支配解，第二轮SOM聚类分析结果如图13、14所示。基于优化目标代理指标图，为确保Ave-OAP(S)保持在较低水平，适当降低Ave-PAP(S)性能，因此选图中红色区域。Std Dev-PAP (S)表示标准差，其代理的指标也为标准差，所以该元素的筛选优先级较低可先不考虑。Ave-DGP (S)需要保持较低水平，选择图中蓝色区域。Ave-PAP(W)所代理的5个性能指标与之均为负相关，因此选择图中红色区域。CM代表表皮运动能耗，因此选择图中蓝色区域。综上所述，第二轮神经元筛选得到第1类神经元为优质神经元。同理开敞式办公室第2类神经元为优质神经元。但筛选结果中仍存在一些明显不符合规范的神经元，如图13c中第1类神经元上半部分呈现橙色和绿色的神经元数值明显偏高，可以剔除。因此得到如图15所示红色虚线框选神经元，共包含11个非支配解。同理得到图16中所示开敞式办公室更优神经元。现将其进行表皮形态复原，同时绘制各性能平行线图，综合各项性能指标和表皮形态样式并做出最终决策。

▲ 13  单元式办公室SOM神经元第二轮筛选

▲ 14  开敞式办公空间SOM神经元第二轮筛选

第三轮筛选结果中，其中10号、18号、48号、68号、93号和188号非支配解，设计参量新生比例过小，导致表皮单元出现内角极小的锐角，不满足建筑自适应表皮的实践工程要求。14号、59号和128号解对多性能目标的权衡效果较差。最终选择对各性能权衡较好的82号和151号解(图17)，其性能提升如表5所示。同时其形态规整无尖角，满足建筑自适应表皮施工需求。同理开敞式办公室最终选择5号非支配解(图18、表6)。最终的建筑自适应表皮形态设计效果如图19所示。

▲ 17  单元式办公室SOM聚类第三轮筛选结果与表皮形态复原

▲ 19  建筑自适应表皮设计最终效果

计算性设计为建筑表皮的技术革新带来了新的发展契机和技术支点。基于建筑环境动态交互机理，面向多性能目标优化需求，本文提出了建筑自适应表皮形态计算性设计方法，并展开了工程实践。实践结果表明：自适应表皮计算性设计方法能够契合建筑自适应表皮形态的“时空四维”特征，显著拓展设计者可探索的自适应表皮形态可能性广度，提高了建筑自适应表皮形态设计精度与效率，可有效加强建筑自适应表皮对建筑日照辐射得热、眩光风险的调控能力，改善了建筑自然采光和热舒适性能，提高了建筑自适应表皮运行能效，并且深化了人工智能算法与技术在建筑创作中的应用，推动了建筑工程实践中的多学科交叉与多专业协同。

计算性设计在建筑自适应表皮找形方面的应用将持续深入，并将进一步结合使用者行为不确定性特征，发挥计算性设计思维、理论、方法与技术对于复杂性科学问题的求解优势，展开以使用者为中心的智慧建筑形态空间与材料构造设计探索，并借力我国在大数据、人工智能、工业互联网等新基建领域取得的产业优势，持续推进我国生态城市与绿色建筑发展，助力碳达峰与碳中和目标实现，推动我国生态文明建设。

建筑学报