AI 辅助建筑能耗模拟：用 AI 预测建筑方案能耗表现——绿色设计的 AI 化

假设你是建筑师，手里有三个方案：一个方正塔楼，一个细高圆柱，一个L形板楼。甲方问你，哪个最节能？你心里清楚，正确做法是用EnergyPlus算一遍。但建模要三天，模拟要半小时，方案还在汇报前一天，时间根本不够。

我最早以为，所谓AI辅助能耗模拟，就是把EnergyPlus的迭代计算加速，比如用GPU把矩阵运算变快。后来我看了几篇论文，又自己训练了一个模型，才发现想错了。

传统能耗模拟：慢，但是有理有据

EnergyPlus是业界最常用的建筑能耗模拟引擎，它靠物理原理求解热平衡。你给它建筑几何、围护结构材料、暖通系统、运行时间表、气象数据，它就一步步地算每一小时甚至更短步长的热量流。关键在于，它的每一步都基于真实的物理方程：传导、对流、辐射，甚至人体散热。

模拟流程大致是这么走的：

建立建筑几何模型，划分热区
输入围护结构（墙、窗、屋顶）的热工参数
定义暖通空调系统及其控制策略
加载典型气象年数据
求解各热区的能量平衡方程，得到全年逐时负荷

这套流程算出来的结果扎实，能通过LEED、国标等认证审核。但缺点也很明显：太慢，太细。在概念设计阶段，你连窗户用双玻还是三玻都没定，物理模拟根本跑不动——因为你没有完整输入。这就给了AI机会。

AI预测能耗：数学上的捷径

AI（这里指监督学习）换了一条路：它不学物理定律，只学输入和输出之间的统计映射。

你收集一大批建筑方案的参数，比如建筑面积、体形系数、窗墙比、朝向、保温层厚度、气候区，再配上它们对应的能耗值，丢给XGBoost或者神经网络，让它拟合一个函数f。训练完成后，给定一组新参数，它就能立刻输出能耗，快得像查字典。

这套思路并不神秘，它就是典型的回归问题。你可以在很多学术综述里看到，比如Amasyali和El-Gohary在《Renewable and Sustainable Energy Reviews》上的综述，系统总结了数据驱动的建筑能耗预测研究。

训练过程通常分四步：

用EnergyPlus或DeST批量生成样本——注意，AI的训练数据往往还是靠传统模拟算出来的
设计特征：凡是影响能耗的建筑参数，都可以作为输入
选模型：小样本用随机森林，大样本用神经网络
验证：拿没见过的方案测误差，调参数

这里的底层逻辑是：把几百次物理模拟的开销，一次性摊销到模型训练上。等模型收敛，你就能在毫秒级内获得一个新方案的能耗估计。所以，AI不是让模拟变快，而是绕过了模拟。

维度	物理模拟（EnergyPlus）	AI代理模型
计算依据	传热学、流体力学等物理定律	训练数据中的统计规律
速度	分钟到小时级	毫秒到秒级
精度	高，依赖输入完整度	在训练分布内尚可，外推差
可解释性	每个结果可追溯到物理过程	黑箱，难解释为什么
适用阶段	深化设计、认证	概念设计、方案比选、生成式搜索
数据需求	详细几何和系统参数	大量标签样本

你会踩的坑：AI不知道什么是热惰性

我最初对AI预测能耗有个天真的误会：以为模型既然学了这么多案例，应该’悟’出了建筑热工的基本原理。直到我拿一个北欧被动房数据试我的随机森林模型，它输出了一个舒适得离谱的能耗值——比同等面积在温和气候下的房子还低。我检查了特征，发现训练集里根本没见过极寒地区的被动房，模型是在’记忆差异’而不是在’理解’。

这个教训说明了两件事：

AI模型的本质是一个高维插值器。你给它一个输入，它在你训练数据分布的区域里找最近邻，然后把附近的标签加权组合。一旦输入出了这个区域，它就只能靠猜，而且猜得很自信。
很多AI能耗预测研究里的高精度，都是在同分布数据集上测出来的。你的实际方案可能和训练集很不一样——比如用了新型相变材料、特殊的天窗角度、或者非规则体形，模型的误差就会失控。

所以，我看见有人宣传’AI替代EnergyPlus’，我的反应是：别急。AI可以作为筛选器，但动辄需要认证、需要为决策背书的场合，物理模拟或者实测还是底线。