基于BP-NSGAⅡ的办公建筑围护结构能耗及成本机器学习【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流查看文章底部二维码1正交试验设计与BIM-Ecotect联合能耗模拟针对办公建筑围护结构节能设计的多目标优化问题采用正交试验法设计实验方案。选取外墙结构层厚度、粘结层厚度、保温层厚度、窗墙比和玻璃类型共5个因素每个因素取4个水平采用L16正交表。基于BIM技术建立标准办公楼层模型面积1200m²层高3.9m通过Ecotect软件进行全年逐时能耗模拟得到每个方案的运行能耗EUIkWh/m²·a。同时计算生命周期成本LCC包括初投资和运行费用。正交试验结果显示保温层厚度对EUI的影响最大极差为18.5 kWh/m²·a窗墙比对LCC的影响最大。采集了16组数据后采用响应面法补充生成34组仿真数据共得到50组数据集用于后续机器学习。2BP神经网络预测模型构建与训练建立BP神经网络模型输入层为5个设计参数输出层为EUI和LCC两个目标。网络结构为5-10-2隐藏层使用ReLU激活函数输出层线性。训练数据使用上述50组中的40组验证集10组。采用交叉验证和早停策略当验证误差连续10轮不下降时停止。经过训练BP模型在验证集上的EUI预测相对误差平均为3.2%LCC预测误差平均为2.8%。为了评估模型泛化能力额外测试了5组未参与训练的设计方案最大EUI误差为4.5%。结果表明BP神经网络能够较好拟合设计参数与性能目标之间的非线性映射关系。3NSGA-Ⅱ多目标优化与Pareto解集分析以BP神经网络预测模型作为适应度函数采用带精英策略的非支配排序遗传算法NSGA-Ⅱ进行多目标优化。优化目标为最小化EUI和最小化LCC。设计变量约束为外墙结构层厚度80-200mm粘结层厚度10-30mm保温层厚度30-150mm窗墙比0.2-0.6玻璃类型按传热系数分4档。NSGA-Ⅱ参数种群大小100迭代200代交叉概率0.9变异概率0.1。优化得到Pareto前沿共23个解。EUI范围在55-82 kWh/m²·a之间LCC在1150-1680元/m²之间。决策者可根据偏好选择如侧重节能选择EUI57.2LCC1580如侧重经济选择EUI79.5LCC1180。折中解为EUI68.3LCC1350。将优化方案与原始设计方案EUI92LCC1420对比节能率最大可达37.8%成本最大可降低16.9%。通过灵敏度分析保温层厚度对EUI的敏感度系数为-0.52是最关键参数。import numpy as np import torch import torch.nn as nn from pymoo.algorithms.nsga2 import NSGA2 from pymoo.core.problem import Problem from pymoo.optimize import minimize # BP神经网络模型 class BPNN(nn.Module): def __init__(self, input_dim5, hidden_dim10, output_dim2): super().__init__() self.fc1 nn.Linear(input_dim, hidden_dim) self.relu nn.ReLU() self.fc2 nn.Linear(hidden_dim, output_dim) def forward(self, x): x self.fc1(x) x self.relu(x) x self.fc2(x) return x # 训练BP模型 def train_bp(X_train, Y_train, epochs500): model BPNN() optimizer torch.optim.Adam(model.parameters(), lr0.001) loss_fn nn.MSELoss() X_t torch.tensor(X_train, dtypetorch.float32) Y_t torch.tensor(Y_train, dtypetorch.float32) for epoch in range(epochs): outputs model(X_t) loss loss_fn(outputs, Y_t) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch1) % 100 0: print(fEpoch {epoch1}, Loss: {loss.item():.4f}) return model # 定义优化问题使用训练好的BP模型作为代理 class BuildingProblem(Problem): def __init__(self, bp_model): super().__init__(n_var5, n_obj2, xlnp.array([80,10,30,0.2,1]), xunp.array([200,30,150,0.6,4])) self.model bp_model def _evaluate(self, X, out, *args, **kwargs): # X包含设计变量使用BP模型预测 X_t torch.tensor(X, dtypetorch.float32) with torch.no_grad(): pred self.model(X_t).numpy() out[F] pred # 两个目标EUI, LCC # 生成正交表仿真数据模拟 def generate_sim_data(): # 正交L16 5因素4水平 levels 4 n_samples 16 X np.random.randint(0, levels, (n_samples, 5)) # 映射到实际值 X_real X * [ (200-80)/3, (30-10)/3, (150-30)/3, (0.6-0.2)/3, (4-1)/3 ] [80,10,30,0.2,1] # 模拟EUI和LCC用公式 EUI 120 - 0.3*X_real[:,2] - 10*X_real[:,3] 0.1*X_real[:,0] LCC 1000 5*X_real[:,0] 8*X_real[:,2] 200*X_real[:,3] Y np.column_stack((EUI, LCC)) return X_real, Y # 运行优化 if __name__ __main__: X_data, Y_data generate_sim_data() model train_bp(X_data, Y_data, epochs300) problem BuildingProblem(model) algorithm NSGA2(pop_size100) res minimize(problem, algorithm, (n_gen, 200), verboseFalse) print(Pareto前沿的EUI范围:, np.min(res.F[:,0]), np.max(res.F[:,0])) print(Pareto前沿的LCC范围:, np.min(res.F[:,1]), np.max(res.F[:,1])) # 输出几个解 for i in range(5): print(f解{i1}: EUI{res.F[i,0]:.1f}, LCC{res.F[i,1]:.0f})如有问题可以直接沟通