浙江大学学报(工学版), 2021, 55(11): 2186-2193 doi: 10.3785/j.issn.1008-973X.2021.11.020

土木与建筑工程

风环境视野下基于AI的高层住宅总图生成方法

应小宇,, 秦小颖, 陈佳卉, 高婧, 刘紫乔

1. 浙江大学 建筑工程学院,浙江 杭州 310058

2. 浙大城市学院 工程学院,浙江 杭州 310015

Layout generation method of high-rise residential buildings based on AI in view of wind environment

YING Xiao-yu,, QIN Xiao-ying, CHEN Jia-hui, GAO Jing, LIU Zi-qiao

1. College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

2. School of Engineering, Zhejiang University City College, Hangzhou 310015, China

收稿日期: 2020-10-13  

基金资助: 国家自然科学基金资助项目(51878608);浙江省自然科学基金资助项目(LY18E080025)

Received: 2020-10-13  

Fund supported: 国家自然科学基金资助项目(51878608);浙江省自然科学基金资助项目(LY18E080025)

作者简介 About authors

应小宇(1980—),男,教授,从事绿色建筑设计研究.orcid.org/0000-0001-5317-255X.E-mail:yingxiaoyu@zucc.edu.cn , E-mail:yingxiaoyu@zucc.edu.cn

摘要

针对高层居住区布局的自动生成方法和风速预测技术进行研究,设计主要用于住宅布局自动生成、风环境性能模拟与对比寻优的方法. 根据中国长三角地区居住区数据提取和建筑法规,提出遗传算法的适应度函数和优化目标,建立建筑布局自动生成算法;利用全卷积神经网络 (FCN) 的图像学习特点,构建基于全卷积神经网络的计算流体动力学 (CFD) 代理模型,得到优化布局的风速分布特征. 实验结果表明,所提出方法的误差在有效范围内. 此外,相比传统风环境模拟软件Phoenics,所提出方法能显著降低风环境模拟耗时,并有效避免建筑师个人经验的局限性问题. 该方法可以自动学习方案排布,快速得出特定容积率与地块条件下高层住宅布局的最优解法,为当今快节奏的建筑设计提供人居环境性能方面的指导.

关键词: 人工智能 ; 室外风环境 ; 高层住宅区 ; 总图布局 ; 软件开发

Abstract

The automatic generation method and wind speed prediction technology of high-rise residential layout were studied, and the method of automatic generation, wind environment simulation and comparative optimization for high-rise residential area was developed. The fitness function and optimization goal of genetic algorithm were proposed, and the automatic generation algorithm of building layout was established, according to the data extraction of residential area and building regulations in Yangtze River Delta region of China. A computational fluid dynamics (CFD) proxy model based on fully convolutional neural networks (FCN) was constructed to obtain the wind speed distribution characteristics of optimal layout, based on the image learning characteristics of FCN. The optimization effect and wind environment prediction effect were analyzed, and results showed that the the error of the proposed method was within the effective range. In addition, compared with Phoenics, the proposed method can significantly reduce the wind environment simulation time, and effectively avoid the limitations of architects’ personal experience. This method can automatically learn scheme arrangement, quickly get the optimal solution of high-rise residential layout under specific plot ratio and plot conditions, and provide guidance for the performance of living environment in today’s fast-paced architectural design.

Keywords: artificial intelligence ; outdoor wind environment ; high-rise residential area ; general layout ; software development

PDF (1216KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

应小宇, 秦小颖, 陈佳卉, 高婧, 刘紫乔. 风环境视野下基于AI的高层住宅总图生成方法. 浙江大学学报(工学版)[J], 2021, 55(11): 2186-2193 doi:10.3785/j.issn.1008-973X.2021.11.020

YING Xiao-yu, QIN Xiao-ying, CHEN Jia-hui, GAO Jing, LIU Zi-qiao. Layout generation method of high-rise residential buildings based on AI in view of wind environment. Journal of Zhejiang University(Engineering Science)[J], 2021, 55(11): 2186-2193 doi:10.3785/j.issn.1008-973X.2021.11.020

随着城市规模的快速扩张与高层建筑数量的爆炸增长,城市静风现象增多、空气滞留时间变长,导致空气质量显著下降. 同时,随着人们环境意识的提高,居民在购房时也逐渐意识到小区室外物理环境的重要性[1],其中就包含建筑室外风环境. 因此在小区总图布局阶段,进行风环境的研究与模拟是十分必要的.

随着计算机模拟技术的快速发展,Fluent、Phoenics等流体动力学(computational fluid dynamics, CFD)软件以其较高的可靠性和较为全面的性能被广泛应用于建筑风环境研究. 在针对居住区风环境的研究中,Littlefair等[2]研究住宅区的不同布局形态对风环境的不同作用,提出依据布局形态营造合理风环境的环境优化方案. 应小宇等[3]使用Phoenics软件,通过改变建筑朝向达到了优化高层建筑群室外风环境的目的. 周莉等[4]利用Fluent软件对3幢一字排列的高层建筑进行计算机模拟,考虑不同建筑间距对风环境的影响. 单琪雅[5]以哈尔滨的气候条件为基础,通过ENVI-met软件模拟分析了严寒地区行列式、周边式及混合式建筑布局对风环境的影响. 杨丽等[6-7]利用Fluent软件研究多种常见居住区平面布局形式与风环境之间的关系,得出了在当地盛行风向下住区平面布局形式的优劣顺序. 张圣武[8]通过Phoenics软件模拟不同的建筑设计要素对风环境的影响,并结合3个杭州居住区实例进行分析,得出杭州地区的居住区风环境优化建议. 总的来说,目前对于高层居住区风环境的研究主要侧重于改变建筑单体朝向和高度[9]、调整建筑间距、优化户外环境[10]、研究平面布局方式与风环境之间的影响关系[11]以及特定城市的居住区布局优化建议[12-13],尚没有团队从风环境角度对较复杂的不等高点板混合式布局生成方式进行研究.

上述流体动力学软件也存在一定的不足:1)软件模拟耗费时间长;2)方案的择优步骤通过人为对比,这对设计人员的经验要求较高,找出的方案未必最优,并且当多种方案的模拟结果相近时,则须导出数值进行分析;3)变量间的相互影响导致模型只能逐次优化,因此上述软件基本仅能针对某一特定的导入模型进行模拟,而无法从风环境角度对建筑形态与布局进行自动优化. 基于以上3点,传统优化方法是一个迭代的过程:设计师先提出初始模型,再对初始模型进行流体动力学分析并提出优化方案,接着对原始模型进行修改,再对修改后的模型进行风环境分析. 该过程需要多次循环,设计周期长,耗费大量人力物力.

为了解决高层建筑自动优化问题,刘宇鹏等[14-15]提出基于Grasshopper的参数化平台−通过调整城市形态来改善城市微气候;刘斅聪[16]构建了一个寒地建筑室外风环境优化设计方法. 但这些研究仅对寒地城市−沈阳和哈尔滨的气候条件展开了实验,并且建筑尺度较粗略,无法对尺度较小的住宅建筑进行模拟与优化.

针对风环境角度的高层居住区布局自动生成问题,本研究提出新的计算软件−“基于风环境快速预测的高层住宅布局自动生成与比选软件”,提供了长三角地区的不等高点板混合式高层居住区布局自动生成与比选方法,提高建筑师前期设计阶段的工作效率与设计精度.

1. 研究方法

基于风环境快速预测的高层居住区布局自动生成与比选方法流程如图1所示. 归纳出长三角地区高层住宅常用建筑尺寸与布局类型,生成高层建筑布局模型库;用Phoenics软件对该模型库进行风环境模拟;使用遗传算法和机器学习算法,寻找建筑群布局和风环境影响因素之间的关系;编写出一个新的计算软件,整合自动生成布局、风环境性能模拟与对比寻优3个模块,得出特定容积率和地块条件下的高层住宅布局最优解法.

图 1

图 1   风环境视野下基于AI的高层住宅总图生成方法流程图

Fig.1   Flow chart of layout generation method of high-rise residential buildings based on AI in view of wind environment


1.1. 训练数据库制作

1.1.1. 建筑模型数据库

选取如图2所示的长三角地区点板混合式居住区作为研究样本,调研其地块尺寸、容积率、建筑尺寸与高度数据,实验采用的建筑选型如表1所示. 表中,B为板式住宅,P为点式住宅.

图 2

图 2   所采用的长三角地区样本住宅区平面图

Fig.2   Plans of sample residential areas in Yangtze river delta region


表 1   建筑选型表

Tab.1  Adopted building types

建筑类型 编号 平面尺寸/m 层数
板式住宅 B1 60×15 11
B2 40×15 18
B3 60×15 18
B4 40×15 30
B5 60×15 30
点式住宅 P1 20×15 11
P2 20×15 18
P3 20×15 30

新窗口打开| 下载CSV


本研究选取的实验用地规模为390 m×240 m,容积率控制在2.60~2.65. 为了避免不同层高、不同尺寸的建筑杂乱排列,将用地划分成性质为“绿地”、“道路”、“等高建筑”的小组团,以控制建筑的排布,使计算机自动生成的布局更加符合实际情况. 总结出的点板混合式高层居住区组团划分方案如图3所示.

图 3

图 3   点板混合式高层居住区组团划分方案

Fig.3   Group division plan of point-board mixed high-rise residential area


相邻建筑间距按照《建筑设计防火规范GB 50016—2018》[17]与天正日照模拟结果控制,以满足建筑采光标准与消防要求. 具体约束值如表2所示.

表 2   各类建筑的间距表

Tab.2  Distance between buildings of each building type

平面尺寸 层数 南北间距/m 东西间距/m
40 m×15 m 18 33.0 13.0
30 40.0 13.0
60 m×15 m 11 44.0 13.0
18 48.0 13.0
30 63.0 13.0
20 m×15 m 11 16.3 13.0
18 17.0 13.0
30 17.0 13.0

新窗口打开| 下载CSV


根据以上研究基础进行强排方案设计,在每个方案中只选用2种点式住宅、2种板式住宅,其中板式住宅为正南向放置,不考虑偏转角度. 最终得出了179种容积率组合方案、880种平面布局方案,作为本研究的建筑模型数据库.

1.1.2. 风环境模拟结果数据库

综合调研长三角地区3个典型城市−上海、南京、杭州的风环境数据[18],采用的实验风速为3 m/s(地块上方10 m高空处的风速),考虑正南风(夏季风)、正北风(冬季风)情况(资料来源:中国气象局单站日值数据和累年年值数据、中国气象数据网 ( http://data.cma.cn).

使用Phoenics对上文得到的建筑模型数据库进行风环境模拟,暂且不考虑地块周围其他建筑的情况,将模拟区域尺寸设置为地块X、Y、Z方向尺寸的各3倍(即1170 m×720 m×270 m). 在模拟结束后将各方案人行高度1.5 m处的风环境数据进行导出.

为了方便对预测模型的实验效果进行分析,在布局内部选取11个居民频繁活动位置作为风速测点,测点Se(south entrance)、Ne(north entrance)设在小区南、北入口的1.5 m高度处,测点Ir1~Ir3(internal road)设在内部道路中央的1.5 m高度处,测点Ig1~Ig6(internal garden)设在内部花园中央的1.5 m高度处,测点的具体位置如图4星状标记所示。

图 4

图 4   预测模型的风速测点分布图

Fig.4   Measurement points location of prediction model


经过上述过程,得到了本研究的训练数据库,包括建筑模型数据库和风环境模拟结果数据库.

1.1.3. 数据处理

在平面问题上,矩阵具有较好的表达能力,可以保存位置信息以及该位置上的值,因此本研究以5 m×5 m为1个单元格,将实验用地划分成48×78单元大小的矩阵,在单元格内输入此处建筑的高度,空地的高度记为0,采用矩阵表示的建筑尺寸如表3所示.

每个方案的原始风速数据点多达6万个,且相邻数据差异较小,因此本研究将风速数据也用5 m×5 m单元格进行划分,使用单元格内部的平均风速值来表示该格的风速.

至此,本研究得到了处理后的建筑模型数据库与风环境模拟结果数据库,并将数据库以7∶3的比例划分为训练集和测试集. 用矩阵方法表示的某方案建筑布局图和风速分布图如图56所示.

表 3   矩阵表示法下的住宅建筑尺寸参数表

Tab.3  Sizes of residential buildings in matrix representation

建筑类型 建筑编号 单位长/格 单位宽/格 高度/m
板式住宅 B1 12 3 33
B2 8 3 54
B3 12 3 54
B4 8 3 90
B5 12 3 90
点式住宅 P1 4 3 33
P2 4 3 54
P3 4 3 90

新窗口打开| 下载CSV


图 5

图 5   矩阵表示的某方案建筑布局图

Fig.5   Layout of buildings represented by matrix


图 6

图 6   矩阵表示的某方案风速分布图

Fig.6   Wind velocity profile represented by matrix


1.2. 实验过程
1.2.1. 布局优化

本研究在布局优化阶段选择遗传算法[19]. 在遗传算法中,从一组随机生成的初始个体出发,经过选择、交叉、变异3个过程,产生新一代更优质的个体;再根据个体适应度进行选择,以进入下一轮迭代,从而进一步提高种群的质量. 经过反复多次这样的迭代过程,不断逼近最优解.

在空间布局优化问题上,可以使用遗传算法对布局方案进行有效的约束. 传统的遗传算法采用二进制或者整数编码方式对个体进行编码,但这2类编码方式都是线性的,本研究所研究的问题属于二维平面问题,因此本研究对传统的遗传算法进行改进,采用矩阵表示法来表示不同个体,即将平面布局利用均匀的网格进行划分,形成一个大的矩阵.

针对本研究,在建筑师输入建筑选型、建筑数量参数、建筑布局的组团划分方案后,不同建筑将在用地范围内按照组团划分方案随机摆放,保证建筑能够全部放入布局,并且不会出现重叠的情况. 实验共随机产生50个不同的初始布局,用于后续的优化过程.

以节地为前提,用相邻建筑的最小间距为优化目标,在计算布局适应度时采用如下公式:

$ P_i = \sum {\frac{{{M^d_i}}}{{{T^d_i} + 1}}} , $

$ F = \left[ {{\displaystyle \sum\nolimits P_i + 1 }} \right]^{-1} . $

式中:Pi为第i 幢建筑的惩罚值;Tid 为第 i 幢建筑在 d 方向上的真实间距,d 为方向,共有东西南北 4 个方向; Mid为第 i 幢建筑在 d 方向上的最小间距;F为整个布局的适应度;ΣPi为布局内所有建筑的惩罚值之和。计算单幢建筑 4 个方向上的最小间距和真实间距之比作为该栋建筑的惩罚值,布局内所有建筑的惩罚值之和取倒数为该布局的适应度。该公式说明,实际间距和最小间距越接近,建筑的惩罚值越小,布局的适应度越高。布局的适应度越小,被淘汰的可能性越大。被淘汰的布局将不再参加下一轮优化,保证算法朝着最优解的方向更新。

在经过多轮迭代后,布局的适应度会趋于一个稳定值,该适应度对应的布局即为最优解. 本研究中适应度的阈值取100,若某一代新产生布局的最差适应度达到100,则停止优化过程. 本研究将生成的布局根据适应度从高到低排序,得到优化后的布局库.

1.2.2. 风速预测

卷积神经网络(convolutional neural networks, CNN)通过构造多层卷积层自动提取图像上的特征,目前CNN已经被广泛应用于图像分类和图像检测领域. 与传统的CNN不同,全卷积神经网络(fully convolutional neural networks, FCN)可以接受任何尺寸的输入图像,并使用反卷积层对最后一个卷积层的特征图进行上采样,以使它恢复到与输入图像相同的尺寸,从而为每个像素生成预测.

选用全卷积神经网络模型作为代理模型来实现CFD软件的功能,在允许一定误差的情况下尽可能缩短模拟的时间,快速对优化后的布局库进行风速预测.

构建一个8层的全卷积神经网络,其中前4层为卷积层,卷积核的个数从8开始依次倍增;后4层为反卷积层,卷积核的个数依次倍减,基于FCN的CFD代理模型网络结构图如图7所示. 利用TensorFlow 2.0版本构建该网络,每个卷积层的卷积核大小为3×3,stride=1,训练过程中的学习率为0.0004,使用adam作为优化器,一个batch的大小为8,共训练了20轮.

图 7

图 7   基于FCN的CFD代理模型网络结构

Fig.7   Network structure of CFD agent model based on FCN


当建筑布局的风速数据被预测出来之后,须从风环境舒适性的角度进行筛选. 采用风速比[20]来评价风环境舒适度(风速比=测点风速/初始风速),当风速比大于2.0时,行人会感觉风过于强烈,甚至会出现安全性问题;当风速比小于0.5时会出现场地静风区[21],不利于空气流动[22]. 因此,基于风环境舒适度的筛选过程分为2个步骤:1)淘汰出现风速比大于2.0测点的布局;2)由于每个布局方案都会出现风速比小于0.5的数据点,本研究对方案中风速比小于0.5的面积进行统计,展示在软件界面,方便建筑师进行权衡与选择.

通过上述布局优化、风速预测过程,编写出基于风环境快速预测的居住建筑布局自动生成与比选软件(简称为“高层住宅布局生成软件”),软件界面如图89所示. 本软件是基于PyQt框架构建的软件系统,主要用于高层住宅建筑布局设计,为建筑师在布局方案选择阶段提供参考依据,主要功能有:居住区布局自动生成、风环境性能快速模拟和对比寻优.

图 8

图 8   高层住宅布局生成软件设置界面

Fig.8   Interface of generation software of high-rise residential layout


图 9

图 9   运算后的高层住宅布局生成软件界面

Fig.9   Interface of generation software of high-rise residential layout after calculation


2. 结果分析

2.1. 布局优化效果分析

选用一个样本模型对遗传算法的优化效果进行分析. 某次实验选择的建筑参数如表4所示,优化前、后的布局图如图1011所示.可以看出:1)由于遗传算法的交叉过程,优化后一些建筑的相对位置发生了改变;2)由于遗传算法的变异过程,一些建筑的位置发生了略微的偏移. 总体来看,优化后的建筑布局更加符合实际的建筑设计要求:日照间距得到了满足,土地的利用率也得到了提升.

表 4   实验所用的建筑参数表

Tab.4  Building parameters used in experiment

风向 建筑类型 建筑编号 数量
北风 板式住宅 B1 0
B2 6
B3 7
B4 0
B5 0
点式住宅 P1 0
P2 6
P3 6

新窗口打开| 下载CSV


图 10

图 10   优化前样本模型的布局图

Fig.10   Layout of sample model before optimization


图 11

图 11   经遗传算法优化后样本模型的布局图

Fig.11   Layout of sample model optimized by genetic algorithm


2.2. 风速预测效果分析

使用均方误差(mean squared error, MSE)作为评价指标,来评价PHOENICS模拟风速和FCN预测风速之间的误差. 均方误差的计算公式如下:

$ {\rm{MSE}} = \frac{1}{n}\sum\nolimits_{i = 1}^n {{{({y_{{\rm{PHO}}}} - {y_{{\rm{FCN}}}})}^2}} . $

式中:n为样本数据量,即一个布局内的单元格数;yPHO为PHOENICS的模拟风速; yFCN为FCN的预测风速. MSE越小,代表预测模型的准确度越高.

模型训练过程中的均方误差变化趋势如图12所示. 可以看出,模型的训练误差呈下降趋势,前6轮的下降趋势较快,随着模型鲁棒性的增强,均方误差下降的趋势变缓,到第12轮之后均方误差基本保持不变,表明模型的训练效果已经达到了最优. 经过15轮的训练,模型在训练集上的均方误差约为0.13,在测试集上的误差约为0.16.

图 12

图 12   模型训练过程中的均方误差变化趋势

Fig.12   Change trend of MSE during model training


由分析可知,在0.16的测试误差下,风速误差的平均值约为0.5 m/s,而实际的风速范围约为0~4.0 m/s,从体表感受上来讲,该误差可以接受.

对比Phoenics模拟和FCN预测的时间效率,Phonenics的布局评估时间为600~1 200 s,FCN模型的训练时间约为1 h,布局评估时间约为1.07 s. 可以看出,虽然模型的训练过程耗时1 h,但预测一个布局的风环境只需数秒,相比利用Phoenics进行模拟,时间效率的提高是显而易见的,软件达到了预期效果.

3. 结 语

在调研与总结长三角地区高层住宅建筑原型的基础上,利用遗传算法的优化功能,基于建筑间的最小间距对建筑群的布局进行优化,并利用全卷积神经网络模型对建筑群内部的风环境进行预测,结合2种算法,筛选出符合要求的布局方案,最终提出一种基于风环境快速预测的高层居住建筑总图布局与自动比选方法. 经过误差分析以及与传统模拟方法的时间效率对比,该方法生成的风速数据误差被控制在有意义的范围内,时间效率提升显著.

但本研究仍具有一定的局限性. 文中所使用的案例与数据来自于长三角地区的实际案例,但研究采用的地块大小、地块容积率、风速是预设数据,未能提供普遍适用的高层住宅自动生成方案与风环境模拟结果. 目前与设计院合作,通过对更多实际案例的模拟误差分析来进一步完善该方法的普适性. 因此在后续的研究中将逐步增加对地块大小、地块形状、容积率、风速、风向的补充数据库.

参考文献

李若尧, 基于风环境质量的城市住区更新潜力分析[D]. 南京: 南京大学, 2018.

[本文引用: 1]

LI Ruo-yao. Urban residential area renewal potential analysis on wind environmental quality[D]. Nanjing: Nanjing University, 2018.

[本文引用: 1]

LITTLEFAIR P J, SANTAMOURIS M, ALVAREZ S. Environmental site layout planning: solar access, microclimate and passive cooling in urban areas[M]. London: BRE Publications, 2000.

[本文引用: 1]

应小宇, 阚琪, 任昕

风环境视野下高层建筑群朝向: 以杭州钱江新城四季青路地块为例

[J]. 西安建筑科技大学学报:自然科学版, 2018, 50 (6): 884- 889

URL     [本文引用: 1]

YING Xiao-yu, KAN Qi, REN Xin

Design analysis of high-rise buildings in the view of wind environment: a case study of four seasons green block in Hangzhou Qianjiang new city

[J]. Journal of Xi’an University of Architecture and Technology: Natural Science Edition, 2018, 50 (6): 884- 889

URL     [本文引用: 1]

周莉, 席光

高层建筑群风场的数值分析

[J]. 西安交通大学学报, 2001, 35 (5): 471- 474

DOI:10.3321/j.issn:0253-987X.2001.05.008      [本文引用: 1]

ZHOU Li, XI Guang

Numerical analysis of wind field in high-rise buildings

[J]. Journal of Xi'an Jiaotong University, 2001, 35 (5): 471- 474

DOI:10.3321/j.issn:0253-987X.2001.05.008      [本文引用: 1]

单琪雅. 严寒地区住区高层建筑布局形态对风环境的影响[D]. 哈尔滨: 哈尔滨工业大学, 2016.

[本文引用: 1]

SHAN Qi-ya. The influence of residential high-rise building layout on wind environment in cold region[D]. Harbin: Harbin Institute of Technology, 2016.

[本文引用: 1]

杨丽. 绿色建筑设计: 建筑风环境[M]. 上海: 同济大学出版社, 2014.

[本文引用: 1]

杨丽, 宋德萱

居住区规划中建筑平面空间组合与风环境的关系研究

[J]. 住宅科技, 2013, 33 (2): 1- 6

DOI:10.3969/j.issn.1002-0454.2013.02.001      [本文引用: 1]

YANG Li, Song De-xuan

The study on the relation between spatial combination of building plane and wind environment in residential district planning

[J]. Housing Technology, 2013, 33 (2): 1- 6

DOI:10.3969/j.issn.1002-0454.2013.02.001      [本文引用: 1]

张圣武. 基于数值模拟的杭州住区风环境分析研究[D]. 杭州: 浙江大学, 2016.

[本文引用: 1]

ZHANG Sheng-wu. Research on wind environment of residential districts in Hangzhou based on numerical simulation[D]. Hangzhou: Zhejiang University, 2016.

[本文引用: 1]

HANG J, LI Y, SANDBERG M

Experimental and numerical studies of flows through and within high-rise building arrays and their link to ventilation strategy

[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2011, 99 (10): 1036- 1055

DOI:10.1016/j.jweia.2011.07.004      [本文引用: 1]

王美琪. 基于户外空间优化的中高强度住区规划布局研究[D]. 南京: 东南大学, 2018.

[本文引用: 1]

WANG Mei-qi. Research on the planning and layout of middle and high intensity residential areas based on optimization of outdoor space[D]. Nanjing: Southeast University, 2018.

[本文引用: 1]

王巧雯, 汪磊磊

基于室外风环境CFD模拟的住宅小区设计策略

[J]. 新建筑, 2018, 5: 69- 71

DOI:10.12069/j.na.201802013      [本文引用: 1]

WANG Qiao-wen, WANG Lei-lei

Design strategy of residential quarters based on CFD simulation of outdoor wind environment

[J]. New Architecture, 2018, 5: 69- 71

DOI:10.12069/j.na.201802013      [本文引用: 1]

李梦雯, 南京居住区建筑群体空间形态对风环境的影响研究[D]. 南京: 东南大学, 2016.

[本文引用: 1]

LI Meng-wen. The study on effect of architecture apace form on wind environment in Nanjing residential districts[D]. Nanjing: Southeast University, 2016.

[本文引用: 1]

余波. 基于室外风环境优化的厦门地区高层住区布局模式初探[D]. 厦门: 厦门大学, 2017.

[本文引用: 1]

YU Bo. Preliminary study on high-rise residential layout patterns based on wind environment optimization in Xiamen[D]. Xiamen: Xiamen University, 2017.

[本文引用: 1]

刘宇鹏, 虞刚

基于遗传算法的形态与微气候环境性能自动优化方法

[J]. 中外建筑, 2018, (6): 71- 74

URL     [本文引用: 1]

LIU Yu-peng, YU Gang

The automatic optimizing method of morphology and microclimate environmental performance based on genetic algorithm

[J]. Chinese and Foreign Architecture, 2018, (6): 71- 74

URL     [本文引用: 1]

刘宇鹏. 基于微气候性能驱动的寒地城市形态自动优化方法研究[D]. 南京: 东南大学, 2018.

[本文引用: 1]

LIU Yu-peng. The automatic optimizing method of the urban forms in cold regions based on micro-climate environments performance-driven[D]. Nanjing: Southeast University, 2018.

[本文引用: 1]

刘斅聪. 风寒性能导向下的寒地建筑室外风环境多目标优化设计研究[D]. 哈尔滨: 哈尔滨工业大学, 2020.

[本文引用: 1]

LIU Yin-cong. Research on multi-objective optimization of outdoor wind environment of buildings in cold region driven by wind chill performance[D]. Harbin: Harbin Institute of Technology, 2020.

[本文引用: 1]

中华人民共和国住房和城乡建设部. 建筑设计防火规范: GB 50016—2018 [S]. 北京: 中国计划出版社, 2018.

[本文引用: 1]

中国建筑热环境分析专用气象数据集[M]. 北京: 中国建筑工业出版社, 2005.

[本文引用: 1]

孙澄, 曲大刚, 黄茜

人工智能与建筑师的协同方案创作模式研究: 以建筑形态的智能化设计为例

[J]. 建筑学报, 2020, 2: 74- 78

URL     [本文引用: 1]

SUN Cheng, QU Da-gang, HUANG Qian

Towards AI-architect interactive and collaborative architectural design: a case study of intelligent stylization of building shape

[J]. Architecture Journal, 2020, 2: 74- 78

URL     [本文引用: 1]

STATHOPOULOS T, BASKARAN A

Computer simulation of wind environment conditions around buildings

[J]. Engineering Structures, 1996, 18 (11): 876- 885

DOI:10.1016/0141-0296(95)00155-7      [本文引用: 1]

席睿. 基于合理静风区面积比的居住区布局研究[D]. 重庆: 重庆大学, 2017.

[本文引用: 1]

XI Rui. Study on residential area layout based on reasonable silent areas[D]. Chongqing: Chongqing University, 2017.

[本文引用: 1]

KUBOTA T, MIURA M, TOMINAGA Y, et al

Wind tunnel tests on the relationship between building density and pedestrian-level wind velocity: development of guidelines for realizing acceptable wind environment in residential neighborhoods

[J]. Building and Environment, 2008, 43 (10): 1699- 1708

DOI:10.1016/j.buildenv.2007.10.015      [本文引用: 1]

/