国际会议学术论文营报名 | 人工智能赋能建筑性能优化工作流解读

「RAC STUDIO 原创背景提升 • 国际会议论文写作」

人工智能赋能建筑性能优化

工作流解读

Artificial Intelligence Enabled Building Performance Optimization Workflow Explained

论文营开营时间

10月（咨询报名请扫描文末二维码）

适配专业背景

建筑，景观，可持续

课题关键词

建筑性能/人工神经网络/多目标优化/强化学习

论文对留学申请/保研/考研的作用

The Role of Paper in the Application

1/ 除传统设计专业外超百项专业选择和就业方向：摆脱设计卷的困境

在传统建筑景观规划设计专业内卷的当下，相信许多同学想在硕士阶段转去除了设计以外的专业，比如可持续城市设计，大数据，人工智能，机器学习，建筑历史遗产保护，交互设计等专业。那么在导师带领下，写一份学术论文，将是了解专业，进入专业最直接的途径。

2/ 为申请材料添砖加瓦：拓展传统申请材料投递范围

传统申请材料中，作品集是重要的部分，学术会议的内容可以和作品集结合，产生一份适合多专业投递的作品集内容。此外，所有院校专业在申请时要求提供的Motivation Letter/Personal Statement/CV中，参与的社会实践与学术活动关联性不足。如果这时候能够讲述和呈现一些发表学术论文的过程经验及结果，不仅提升了教授的印象值，也展现了更综合的能力。

3/ 提供新的申请材料视角：冲刺世界顶尖院校

自21fall全球TOP院校陆续开始要求提供Writing Sample作为其他申请材料选项(Additional/Supporting Material)。尤其对于QS前50院校的偏理论或研究型学位，Publication可能将成为日后申请材料中的大boss。

课题背景

Research Background

人工智能的快速发展对建筑学领域产生了深远的影响。这一方面在建筑设计过程中，深度学习的应用使得设计过程更加高效和智能化，另外在建筑性能优化方面，深度学习技术同样发挥着重要作用。例如通过对建筑光环境、热环境、能耗等关键性能指标的深入学习和分析，深度学习模型能够更加高效的提供优化方案，帮助建筑师在设计早期阶段充分考虑到建筑环境适应性。本课程主要为技术辅导，专注于对人工神经网络（Artificial Neural Network, ANN）建筑性能预测算法应用，在此基础上提供基于NSGA-II多目标遗传算法和强化学习(Deep Reinforcement Learning)两种优化工作流的部署和应用，从而帮助初学者实现”AI+建筑”的入门。

本课程将涵盖以下内容：

· 经典性能预测论文实验复现

· 人工神经网络（ANN）预测算法的应用和部署

· 深度强化学习和NSGA-II多目标遗传算法的优化工作流

©kamel.lokman

https://www.instagram.com/kamel.lokman/p/C14_T4FP_PH/?epik=dj0yJnU9N0RFa05BbENKUkUxb1Z3R0RDZG5WOFBFbUJiZ2tzdjUmcD0wJm49eTR0LVVhZHdaWGdsMWEwTFBIUkUwZyZ0PUFBQUFBR2JYOS1J&img_index=4pe where the rigid urban geometry meets the fluid organic forms. In this... | Instagram

成果收获

Results

· 了解当前AI在建筑设计领域应用的现状。

· Grasshopper参数化建模、批量化样本模拟。

· 了解ANN预测模型实现的基本原理和训练方法。

· 在Grasshopper中部署训练模型。

· 利用NSGA-II多目标优化算法进行建筑性能优化。

· 了解深度强化学习的基本原理并将其应用到建筑性能优化问题。

导师介绍

Introduction for Tutor

· 老八校博士在读，拥有藤校交换经验。目前从事AI与建筑的跨学科领域研究。

· 主要关注于教育建筑领域，擅长进行数据驱动的建筑生成及优化工作。

· 专业究领域：人工智能计算性设计。

· 曾在SCI期刊、计算性建筑学术会议上发表论文。

课程安排

Course Arrangement

会议论文课程共10课时。

全程由本期导师进行课上讲授与课下答疑、带领学员完成研究项目与学术论文。

课时 1-2 基础概述：理论解读+技术储备

· AI在建筑行业中的应用

· 相关论文解读

· 经典论文实验复现准备工作：基础参数化建模+训练样本的批量化生成

©kamel.lokman

课时 3 答疑

课时 4：ANN 预测模型的实现原理和方法

· ANN 的基础理论解读

· 样本数据分析

· 模型训练代码解读

· ANN 预测模型的测试评估

0e0d86d5aae6fb68343555edb0f357b5.jpg (1000×667) (pinimg.com)

课时 5 工作流一：NSGA-II 多目标遗传算法的优化工作流搭建

· ANN 预测模型的部署

· NSGA-II 多目标优化算法平台的搭建

课时 6：答疑

课时 7-8 工作流二：基于深度强化学习的建筑性能优化工作流搭建

· 深度强化学习的基础理论解读

· 训练代码解读

· 环境代码的实现

· 结果的可视化

课时 9：答疑

课时 10：最终汇报

软件要求

Software Requirements

· 犀牛

· Grasshopper

· 事先安装好python

课程成果意向图

Project Outcomes

Wang, Shanshan, Yun Kyu Yi, and Nianxiong Liu. 2023. "The ANN Architecture Analysis: A Case Study on Daylight, Visual, and Outdoor Thermal Metrics of Residential Buildings in China" Buildings 13, no. 11: 2795.

Hanieh Nourkojouri, Nastaran Seyed Shafavi, Mohammad Tahsildoost, Zahra Sadat Zomorodian, Development of a Machine-Learning Framework for Overall Daylight and Visual Comfort Assessment in Early Design Stages, Journal of Daylighting 8 (2021) 270-283.

References

[1] HUANG C, ZHANG G, YIN M, 等, 2022. Energy-driven Intelligent Generative Urban Design, Based on Deep Reinforcement Learning Method With a Nested Deep Q-R Network[C/OL]//CAADRIA 2022: Post-Carbon. Sydney, Australia: 233-242[2023-12-15].

[2]Han Z, Yan W, Liu G. A Performance-Based Urban Block Generative Design Using Deep Reinforcement Learning and Computer Vision. In: Yuan PF, Yao J, Yan C, Wang X, Leach N, editors. Proceedings of the 2020 DigitalFUTURES [Internet]. Singapore: Springer Singapore; 2021. p. 134–43.

[3]SONG Y, YUAN P F, 2021. A Research On Building Cluster Morphology Formation Based On Wind Environmental Performance And Deep Reinforcement Learning[C/OL]//eCAADe 2021: Towards a New, Configurable Architecture. Novi Sad, Serbia: 335-344[2023-12-15].

[4]Hosmer T, Tigas P, Reeves D, He Z. Spatial Assembly with Self-Play Reinforcement Learning. In Online and Global; 2020. p. 382–93.

[5]HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[6]McCULLOCH W S, PITTS W. A logical calculus of the ideas immanent in nervous activity[J]. The Bulletin of Mathematical Biophysics, 1943, 5(4): 115-133.

[7]Arbab M, Rahbar M, Arbab M. A comparative study of artificial intelligence models for predicting interior illuminance. Appl Artif Intell. 2021;35.

[8]NGARAMBE J, ADILKHANOVA I, UWIRAGIYE B, 等, 2022. A review on the current usage of machine learning tools for daylighting design and control[J/OL]. Building and Environment, 223: 109507.

[9]KIM W, JEON Y, KIM Y, 2016. Simulation-based optimization of an integrated daylighting and HVAC system using the design of experiments method[J/OL]. Applied Energy, 162: 666-674.

[10]LORENZ C L, SPAETH A B, BLEIL DE SOUZA C, 等, 2020. Artificial Neural Networks for parametric daylight design[J/OL]. Architectural Science Review, 63(2): 210-221.

[11]ZOU Y, ZHAN Q, XIANG K, 2021. A comprehensive method for optimizing the design of a regular architectural space to improve building performance[J/OL]. ENERGY REPORTS, 7: 981-996.

[12]XU Y, YAN C, QIAN H, 等, 2021. A Novel Optimization Method for Conventional Primary and Secondary School Classrooms in Southern China Considering Energy Demand, Thermal Comfort and Daylighting[J/OL]. Sustainability, 13(23): 13119.

[13]Han Y, Shen L, Sun C. Developing a parametric morphable annual daylight prediction model with improved generalization capability for the early stages of office building design[J]. Building and Environment, 2021, 200:107932.

课程成果可投会议

Available Conference

⌈ 2025 建筑模拟会议 ⌋

International Building Performance Simulation Association

国际建筑性能模拟协会澳大拉西亚分会（IBPSA Australasia）和澳大利亚制冷、空调与供暖协会（AIRAH）将于2025 年 8 月 24 日至 27 日在澳大利亚布里斯班联合主办"2025年建筑模拟大会"。届时我们将讨论推动建筑环境中使用建筑性能模拟的主要问题。此次会议将重点讨论建筑仿真如何在现在和未来实现零能耗和零碳排放的过程中发挥重要作用，同时又不损害人类的健康和福祉。

| 投稿时间

摘要提交截止时间：2024年8月14日

研究论文提交截止时间：2025年1月15日

| 会议时间

2025年8月24日-8月27日

| 委员会

Conference Committee：Quentin Jackson，Priya Gandhi，Nicki Parker，PC Thomas，Paul Bannister，Marie Karekla

| 会议举办地点

澳大利亚

| 费用

学生：700澳元

| 官方网址

https://bs2025.org/

⌈ 计算机辅助建筑设计未来国际会议 ⌋

International Conference on Computer-Aided Architectural

Design Futures

CAAD Futures 2025 将于 2025 年 7 月的第一周在香港大学举行。CAAD Futures 2025 的主题是 “催化界面”。这反映了我们的目标：(i) 围绕新出现的计算机辅助建筑设计（CAAD）研究重点，促进跨学科合作研究计划；(ii) 为本地、地区和国际 CAAD 领域的研究人员提供一个交流与合作的平台。

| 摘要截止时间

2024年9月16日

| 会议时间

2025年7月第一周

| 会议举办地点

中国，香港

| 官方网址

https://amps-research.com/conference/livable-cities-2025/

* 此外，还有如下会议已结束投稿，如若想参加的同学需要抓紧时间，或提前准备明年参赛论文内容~

| 建筑数字未来 CDRF 2024

· 会议时间：2024年11月14日-11月16日

· 官方网址：