基于Octopus的中小学普通教室自然采光优化设计.pdf

64城市建筑 Urbanism and Architecture/2023.11Simultaneously,the correlation and linear regression analysis of the simulated samples are carried out,and the optimization results are selected more scientifically.The optimization research results show that the classroom useful daylight illuminance avg(100-2000lx)can be increased by 9.34%-25.32%,and the heating and cooling load demand can be reduced by 9.04%-9.63%.Key words ordinary classroom;natural lighting;optimization design人们从出生以来，就生活在自然光下，各种活动都需要依赖着自然光。对于学校建筑而言，自然采光有着极大的好处。在学校建筑的使用过程中，人工照明是最大的能耗源，所以增强学校建筑的自然采光能够有效地减少对电力的需求。同时，在冬季获取更多的自然光能够增加教室得热，可减少寒冷地区冬季供暖的能源消耗，因此增大对自然光的使用效率有助于实现我国的“双碳”战略目标。另外，研究表明光线不足和光质量差是引起学生近视的重要原因1。相较于人工照明灯光，自然采光的教室环境的光感更强、空间也更立体，且自然光对青少年的身心健康具有不可忽视的影响2。学生在良好的光环境中注意力容易集中、更有利于提高学习效率，因此对普通教室的自然采光的研究有着很强的现实意义。而热舒适和视觉舒适都会因为窗口的大小、位置和形式发生变化而受到影响，例如：增大普通教室的窗口尺寸会改善室内的视觉舒适性，但同时也会增加寒冷地区冬季的供暖能耗。在“双碳”目标和关注青少年视力健康的背景下，普通教室的自然采光设计应该在热舒适和视觉舒适之间寻求一种平衡。近几年，多目标优化越来越多地运摘要寒冷地区中小学普通教室的冬季供暖和夏季制冷能耗与自然采光的利用是学校建筑设计过程中不可忽略的问题。在“双碳”目标和关注青少年视觉健康的背景下，文章使用 Grasshopper 遗传算法优化工具 Octopus 插件，以三门峡外国语小学为例，使用参数化的方式控制普通教室窗地比（window-to-wall ratio）、窗台高（window sill height）、窗高（window height）、窗间距（interfenestration）的参数，对普通教室自然采光进行优化设计。寻求采暖制冷总能耗（heating and cooling load）最小化和有效采光照度百分比平均值（useful daylight llluminance）的最大化，同时对模拟样本进行相关性和线性回归分析，更加科学地对优化结果进行选取。优化研究结果表明，教室有效采光照度百分比平均值 UDIavg(1002 000 lx)可增加 9.34%25.32%，采暖制冷的能耗 HCL 需求可减少9.04%9.63%。关键词普通教室；自然采光；优化设计中图分类号TU113文献标识码ADOI10.19892/ki.csjz.2023.11.14Abstract The trade-off between the energy consumption of heating in winter and cooling in summer and natural lighting of ordinary classrooms in primary and secondary schools in cold regions is a problem that cannot be ignored in the design process of school buildings.In the context of dual carbon goals and attention to adolescent visual health,the paper uses the Grasshopper genetic algorithm optimization tool Octopus plugin,takes Sanmenxia Foreign Language Primary School as an example,and uses a parameterized method to control the parameters of window-to-wall ratio,window sill height,window height,and interfenestration,and optimizes the design of natural lighting in ordinary classrooms.It seeks to minimize the heating and cooling load and maximize the average value of the effective useful daylight illuminance.作者简介：陈泉安（1968-），男，高级工程师、国家一级注册建筑师。研究方向：养老设施理论与实践、绿色建筑理论。通信作者：陈云祥（1997-），男。研究方向：建筑科学技术。作者单位：郑州大学建筑学院基于 Octopus 的中小学普通教室自然采光优化设计ResearchonNaturalLightingOptimizationDesignofOrdinaryClassroomsinPrimaryandSecondarySchoolsBasedonOctopus陈泉安 陈云祥Chen Quanan,Chen Yunxiang652023.11/Urban Renewal and Optimization Design 城乡空间更新与优化用到建筑设计中，结合参数化的智能优化算法可以避免繁琐的计算和模拟过程，节省大量的仿真模拟的时间3、4。Zhang 等5对寒冷地区学校教室供暖和采光的最小能源使用，以及最大有效照度进行了多目标优化，过程发现 UDI和 HCL 有明显的冲突，同时结果表明多目标优化能够显著提高教室内的有效照度和减少制冷供暖和照明能耗。ToutouA.等6使用 Grasshopper 遗传算法的优化工具Octopus 插件对住宅建筑的窗墙比、墙体墙材和玻璃材料等设计参数进行了讨论并提出了性能最佳组合方式。YaoShen 等7基于 Octopus 通过透明围护结构改进对寒冷地区住宅的采光、能耗和热舒适进行了多目标优化，结果显示对农村住宅的采光、能耗和热舒适性能有显著提高。Zhu 等8研究了三种乡村旅游建筑类型的优化设计，使用帕累托执行遗传算法（SPEA-）以获得最佳解决方案。综上所述基于 Octopus 的多目标优化对建筑设计的多性能联合优化是一种有效的策略，本文将 Octopus 的多目标优化策略引入中小学普通教室的自然采光设计，选取三门峡外国语小学五年级二班教室作为实验对象，对供暖制冷总能耗 HCL 和有效照度百分比 UDI 进行多目标优化，通过对模拟数据的相关性分析和多元回归分析对其两者进行权衡，寻求优化方案选取的关键因素。1 建立研究模型本研究首先对三门峡外国语小学五年级二班教室进行实际测绘，绘制相关图纸并建立基础模型，同时对模型进行模拟分析，得到研究对象的 HCL 和 UDI 的初始数据。1.1 案例选取及概况三门峡位于河南省西部，属于我国建筑气候分区的寒冷地区。寒冷气候区，最冷的月平均气温在-100，90145 天日平均气温低于 5，而 7 月的平均气温在18289，普通教室的室内热舒适一直是个问题。随着人们对美好生活的追求和全球的气候变化，为了达到所需的室内舒适温度，人们不仅有冬季供暖的需求，而且在夏季也有制冷的需求。经实地调研，三门峡许多学校教室白天没有充足的自然采光，同时因学校未配置空调，学生通过打开或关闭窗户的方式来控制室内温度和通风仍无法满足教室的热舒适性，因此热舒适和视觉舒适的平衡应该在建筑设计阶段引起人们的重视。三门峡外国语小学位于三门峡湖滨区崤山西路 3 号，地上建筑面积 1.5 万m2，地下 1200m2。外国语小学共48 个班，师生 2400 人，校园共有综合办公楼、教学楼、风雨操场三栋建筑，教室布局为单廊式，主教学楼建筑形体分为北楼、东楼、西楼三个部分。主教学楼整体北偏西约 30，为了防止由绿化和其他因素产生的误差，本文选择主教学楼北楼南侧五年级二班教室进行实验模拟。1.2 建立分析模型本研究对五年级二班教室进行测绘，并建立实验初始模拟模型如图 1 所示，根据具体实测数据绘制教室单元、窗口位置，在此说明本研究中窗间距数据包含窗户宽度如图1所示。模拟分析面以中小学教室课桌高度0.75m设定，分析点以 1m1m 网格进行布置，其具体实测参数如表1 所示。1.3 评价指标目前动态采光评价指标如表 2 所示，其中 DA 反映室内照度超过某一照度值的占比时间，而不反映房间照度过高情况，也不反映局部照度不足却超过最低限度的情况；cDA 和 sDA 都是对室内测点的照度达到目标值的区域和房间总面积的比例，而 cDA 与 sDA 中评价方法有所不同，例如：测点为 100lx 而最小照度要求是 200lx，sDA 判定 0 分，而 cDA 对该点给予一半的分数，但两个分析点 窗间距 窗台高窗高图 1教室初始模型（图片来源：作者自绘）表 1 三门峡外国语小学普通教室初始模型信息类型数据单位备注开间9m进深8.1m层高4.5m阳台高0.9m窗高1.9m窗间距3m包含窗宽和窗间墙窗墙比0.31平面形式南向单廊表 2 动态采光评价指标采光评价指标定义简写自主采光阈房间中某一位置一年中在使用时间段内工作面照度超过某一目标照度值的出现频率DA采光阈占比采光阈占比是指有效采光范围占房间总面积比例sDA连续自主采光阈与自主采光阈不同，连续自主采光阈允许室内某一点部分达到目标值，而不是采用自主采光阈指标中的一刀切cDA有效采光照度在一年使用时间段内，某点的照度在选定的最低和最高水平之间的时间比例UDI年日照时数年日照时数定义是一年中房间内接受的太阳直射辐射光照度超过某限值的累积出现时间（小时数）的区域占房间楼板面积的比例ASE66城市建筑 Urbanism and Architecture/2023.11指标对表示室内照度均匀度的分布有一定的不足；UDI 表示测点有效照度的时间占比，UDI 越大表示室内有效照度更多。而 ASE 更倾向于一年内超过某一照度值累计时间。综上所述，研究选取 UDI 作为室内采光的评价指标。UDI 指标根据四个照度范围（0100lx，100300lx，3002000lx 和超过 2000lx）对每小时的时间值分为四档。把3002000lx之间的照度认为是采光充足，100lx被认为采光不足，20001x 被认为采光过量，增加了一档 100300，采光可用。最后设定 1002000lx 作为UDI 的计算范围。且选取以 UDIavg作为自然采光的最终评价指标。1.4 初始模拟初始模拟只对原始模型进行制冷供暖能耗和自然采光的模拟，得到相应数据，为优化设计结果提供参考数据。本次建筑模拟气象数据源为 CSWD，其中包含室外气象参数和典型年逐时气象参数。能耗模拟软件采用 HB-Energy，采光模拟软件为 HB-Radiance，且软件具体设计参数如下：围护结构参数信息如表 3 所示；教室夏季制冷和冬季供暖数值根据建筑节能与可再生能源利用通用规范（GB 550152021）附录 C 表 C0.6-2 设置，参数设置如表 4 所示；并根据附录 C 表 C0.6-6 房间人员逐时在室率设置房间在室率如表 5 所示；教室面积 72m2，使用人数 40 人，每平方米建筑人数则为 0.55；采光模拟时间根据中小学上课时间上午 9:0012:00，下午 14:0017:00。日期为每年的 9 月 1 号到次年的 1 月 1 号，以及2 月 15 号到 7 月 15 号。模拟结果显示全年教室制冷供暖总耗热量 HCL 为 48.89（kWh）/m2，有效照度百分比UDIavg(1002000lx)为 79.21%。模拟时间段的室内照度平均值分布如图 2 所示。2 建立多目标优化平台优化平台分为建模平台、模拟平台及多目标优化平台，如图 3 所示。利用 Rhino+Grasshopper 建立分析模型和控制几何参数，HB-Radiance 和 HB-Energy 分别用来做采光和能耗模拟，Octcpus 是用于多目标优化的插件，基于对多目标的帕累托优化，即寻找折中线，在每一个优化目标之间寻找帕累托优势，而帕累托优势是基于优势概念定义的10。Octopus 的数据选取算法是遗传算法，对于不表 4 室内控温表 单位：时间123456789101112工作日制冷282626262626供暖5555512182020202020节假日制冷供暖555555555555时间131415161718192021222324工作日制冷262626262626供暖20202020202018125555节假日制冷供暖555555555555资料来源：建筑节能与可再生能源利用通用规范（GB550152021）。表 3 围护结构参数信息表结构及参数数值墙体导热系数 W/（mK）0.55地板和楼板导热系数 W/（mK）0.55窗户传热系数 W/（m2K）2.2玻璃太阳得热系数 W/（m2K）0.41870.161690.661511.161331.661152.16972.66793.16613.66434.16254.6675.16lx图 2教室照度平均分布图（图片来源：作者自绘）资料来源：建筑节能与可再生能源利用通用规范（GB550152021）。表 5 房间人员逐时在室率 单位：时间123456789101112工作日000000105095959580节假日000000000000时间131415161718192021222324工作日8095959595303000000节假日000000000000672023.11/Urban Renewal and Optimization Design 城乡空间更新与优化同的优化问题选择最合适的优化算法是很重要的，遗传算法是以随机人口为基础的算法，是最适合于建筑性能优化的算法11。多目标优化过程中，设计变量被视为基因，优化目标被视为权衡值。经过有限次数的迭代后，非支配解决方案，即这些目标之间的最佳权衡解集，最终生成可视化帕累托优化曲线。由于 Octopus 只能寻求优化目标的最小值，因此对于优化目标 UDIavg求的值需要乘以-1。对于能耗的评估为建筑单位建筑面积的年能耗，即使用采暖制冷能耗总值 HCL。优化设计自变量对象描述和取值范围如表 6 所示，Octopus 参数设置如表 7 所示，房间能耗计算时间、房间在室率，以及空调制冷供暖温度值均和初始模型模拟参数一致。3 结果分析优化过程中对模型进行了模拟循环 12 代，总计模拟次数 2123。随着迭代次数的增加和样本数量的增加，帕累托优化曲线基本形成如图 4 所示，不透明深红色方块代表最新的非主导的 Pareto 前沿及最优解，透明的红色方块代表处主导地位的方案，透明绿色方块代表历史迭代过程中产生的最优解，随着时间和迭代过程的推演，颜色变得越透明。结果表示在优化过程中UDIavg间的值最高可达92.15%，最小值也达到了 86.65%，相对初始模拟数值提高了9.34%25.32%。而HCL的能耗最高值为44.47 （kWh）/m2，最低值为 44.18（kWh）/m2。对比初始模拟数值降低了9.04%9.63%。因优化解集数据庞大，本文选取了第 11 代中的四个帕累托前沿最优解作为优化方案的参考范例如表 8 所示。其中方案一的模型和室内照度平均分布如图 5 所示。对比初始模拟照度平均值最小值提高了 88.56%，最高值提升了 66.33%。优化结果可以发现 UDIavg和 HCL 在自变量的影响下存在着明显的抗争关系，如列举的四个优化方案中都对UDI有很大的提升，同时对减少能耗也有很大的成效。在选取相对最优的方案之前，我们还需对二者进一步的分析，从而更科学的选取最适宜的优化方案。3.1 相关性分析相关性分析可以对两个或多个具备相关性的变量元素图 3技术路线图（图片来源：作者自绘）Octopus建立多目标优化平台建模平台模拟平台多目标优化平台Rhino+GHHB-Radiance HB-Energy表 6 优化设计自变量对象描述和取值范围自变量简称范围单位幅度窗墙比WWR0.400.600.01窗台高WSH0.71.1m0.1窗高WH1.83.2m0.1窗间距IFT0.94.2m0.1表 8 Pareto 前沿最优解范例方案方案一方案二方案三方案四窗墙比0.440.400.410.47阳台高/m0.70.80.90.7窗高/m3.03.12.72.9窗距宽/m4.03.83.93.8UDIavg/90.6190.4190.8291.68HCL/（kWh/m2）44.2844.2344.2644.32表 7优化算法设置及模拟次数精英主义突变概率突变率交叉率人口规模迭代数模拟次数0.50.20.90.850112123图 4帕累托优化分析图（图片来源：作者自绘）图 5优化方案一示意（图片来源：作者自绘）-UDlavg：-86.65 HCL:44.47支配解帕累托前言(最优解集)历史迭代生成的最优解44.18-92.15照度/lx3073.31 2780.15 2486.99 2193.84 1900.68 1607.52 1314.36 1021.20 728.04 434.88 141.72（a）模型示意图（b）照度分布图68城市建筑 Urbanism and Architecture/2023.11进行分析，衡量变量因素之间的相关密切程度。本文采用 SPSS 分别分析了窗墙比、阳台高、窗高、窗距宽与UDIavg和 HCL 的相关性分析，用皮尔逊相关系数来代表各自变量与 UDIavg和 HCL 的相关性的大小。分析结果如表 9、表 10 所示。结果显示窗墙比与 HCL 呈显著负相关，和 UDIavg呈不显著负相关；窗台高度与 UDIavg和 HCL 都表现为不显著正相关；窗户的距离与 UDIavg和 HCL 都表现为不显著负相关；而窗户高度则表现为与 UDIavg和 HCL 都是显著正相关。因为研究期望在优化结果中寻求 UDIavg的相对最大值和 HCL 的相对最小值，因此在选取最优解时应该选取窗墙比高和窗台相对高一点而窗距相对小的方案。3.2 线性回归分析线性回归分析是根据一个或一组自变量的变动情况预测与其相关关系的某随机变量的未来值的一种方法。回归分析需要建立描述变量间相关关系的回归方程。根据自变量的个数，回归方程可以是一元回归，也可以是多元回归12。自变量窗墙比、阳台高、窗高、窗间距都分别与UDIavg和 HCL 有一定的相关性，因此可以对其分别进行多元线性回归分析，建立回归方程。UDIavg和各自变量的分析结果见表 11、表 12 所示，HCL 和各自变量的分析结果见表 13、表 14 所示。根据建立的回归模型可以得出 UDIavg回归模型的德宾-沃森值为1.655，HCL回归模型的德宾-沃森值1.845，表 9 HCL 相关性分析结果表变量皮尔逊相关性Sig.（双尾）案例数/个HCL12123窗墙比-0.628*0.0002123窗台高度0.227*0.0002123窗间距-0.097*0.0002123窗高0.967*0.0002123注：a 预测变量包括（常量）、窗户高度、窗台高度、窗距、窗墙比。表 13 HCL 回归模型摘要HCLRR2调整后的 R2德宾-沃森10.979a0.9590.9581.845表 14 HCL 回归方程系数表模型Bt显著性容差VIF常量44.25224288.2260.000窗墙比-0.045-24.3480.0000.5991.699窗台高0.02222.8210.0000.9741.026窗间距-0.0010.6230.5330.8451.183窗户高0.246154.9200.0000.6111.637表 10 UDIavg相关性分析结果表变量皮尔逊相关性Sig.（双尾）案例数/个UDIavg12123窗墙比-0.366*0.0002123窗台高度0.319*0.0002123窗间距-0.247*0.0002123窗高0.741*0.0002123表 12 UDIavg回归方程系数表模型Bt显著性容差VIF常量89.804974.2360.000窗墙比-0.05-0.5390.5900.5991.699窗台高0.75115.4620.0000.9741.026窗间距-0.637-9.0720.0000.8451.183窗户高3.19539.7800.0000.6111.637注：a 预测变量包括（常量）、窗户高度、窗台高度、窗距、窗墙比。表 11 UDIavg回归模型摘要UDIavgRR2调整后的 R2德宾-沃森10.783a0.6130.6131.655692023.11/Urban Renewal and Optimization Design 城乡空间更新与优化由此判断 2123 组数据的样本独立性满足线性回归分析的基本条件。根据结果得出窗墙比、阳台高、窗高、窗间距的 VIF 值分别为 1.669、1.026、1.183、1.637 均小于 5，由此判断 2123 组数据的样本不存在多重共线性，满足线性回归分析的基本条件。通过分析模型的回归标准化残差图可知样本数据满足正态分布，既满足线性回归分析的基本条件如图 6、图 7 所示。由上述可得 HCL 与 UDIavg的回归方程分别为：HCL预测值=44.252-0.045WWR+0.22WSH+0.001IFT+0.246WH （1）UDI预测值=89.804-0.05WWR+0.751WSH-0.637IFT+3.195WH （2）研究目的为探求 UDIavg的最大值和 HCL 的最小值，即可以转化为 UDIavg预测值和 HCL 预测值差值的最大值：(UDI预测值-HCL预测值)max=45.552-0.005WWR+0.631WSH-0.638IFT+2.949WH （3）由此方程可以得出在寻求 HCL 最小化和 UDIavg最大化的预测方程中 WH（窗户高度）对其影响最明显，因此在选择最优解的过程中，HCL 和 UDIavg均满足的情况下，优先考虑窗户的高度，窗户高度越高的 Pareto 前沿方案能给孩子提供更良好的视觉环境。如方案一和方案二相比，方案二的窗墙比更小、窗台高度更高且窗间距更小，只有窗高比方案一增加了 0.1m，但在 HCL 更低的情况下UDIavg只比前沿一减小了 0.2%，因此可以得出方案二相对方案一更加的节材、节能且几乎达到了对室内的 UDIavg同样程度的优化。4 结论使用 Octopus 对采暖制冷能耗（HCL）和有效采光照度百分比平均值（UDI）的多目标优化，能够使UDIavg（1002000lx）增加 9.34%25.32%，采暖制冷的能耗（HCL）需求可减少 9.04%9.63%。由数据分析结果可知，在 Octpus 的生成的 Pareto 最优解的过程中，窗高（WH）是重要影响因素，其预测回归方程的系数为 2.949，相对于其他影响因素相比，相关性更强，因此在选取 Pareto 最优解的过程中窗户高度是重要参考变量。但在选取优化方案的过程同样应该考虑窗墙比、窗台高和窗间距引起的经200150100500频率-4 -3 -2 -1 0 1 23002001000频率-6 -4 -2 0 2图 6HCL 回归标准残差（图片来源：作者自绘）图 7UDIavg回归标准残差（图片来源：作者自绘）济、适用等客观因素。由此可知，通过 Octopus 对普通教室的自然采光优化设计具有很强的可行性，且本研究结论与前人研究结论基本吻合，同时模拟实验次数更多，希望能够对普通教室的自然采光优化设计提供一定的借鉴和参考价值。参考文献1建筑采光设计标准：GB50033-2013S北京：中国建筑工业出版社，20132柳孝图建筑物理 M3 版北京：中国建筑业出版社，20103POSZAJ-MAZUREKM,RYSKAE,GROCHULSKA-SALAKM.MethodstoOptimizeCarbonFootprintofBuildingsinRegenerativeArchitecturalDesignwiththeUseofMachineLearning,ConvolutionalNeuralNetwork,andParametricDesignJ.Energies,2020,13(20):5289.4KHEIRIF.AReviewonOptimizationMethodsAppliedinEnergy-EfficientBuildingGeometryandEnvelopeDesignJ.RenewableandSustainableEnergyReviews,2018,92:897-920.5ZHANGA,BOKELR,VANDENDOBBELSTEENA,etal.OptimizationofThermalandDaylightPerformanceofSchoolBuildingsBasedonaMulti-ObjectiveGeneticAlgorithmintheColdClimateofChinaJ.EnergyandBuildings,2017,139:371-384.6TOUTOUA,FIKRYM,MOHAMEDW.TheParametricBasedOptimizationFrameworkDaylightingandEnergyPerformanceinResidentialBuildingsinHotAridZoneJ.AlexandriaEngineeringJournal,2018,57(04):3595-3608.7SHENG Y,ZEZHI J,JINGYU Y,et al.Multi-ObjectiveOptimizationofTransparentBuildingEnvelopeofRuralResidencesinColdClimateZone,ChinaJ.CaseStudiesinThermalEngineering,2022,34:102052.8ZHUL,WANGB,SUNY.Multi-ObjectiveOptimizationforEnergyConsumption,DaylightingandThermalComfortPerformanceofRuralTourismBuildingsinNorthChinaJ.BuildingandEnvironment,2020,176:106841.9民用建筑热工设计规范：GB501762016S北京：中国建筑工业出版社，201710 EVINSR.AReviewofComputationalOptimisationMethodsAppliedtoSustainableBuildingDesignJ.RenewableandSustainableEnergyReviews,2013,22:230-245.11 NGUYENAT,REITERS,RIGOP.AReviewonSimulation-BasedOptimizationMethodsAppliedtoBuildingPerformanceAnalysisJ.AppliedEnergy,2014,113:1043-1058.12 韩双林，马秀岩 证券投资大辞典 M 哈尔滨：黑龙江人民出版社，1993