基于進化算法的高層工業化住宅碳排放權衡分析

■ 郭 峰 GUO Feng 顏宏亮 YAN Hongliang

0 引言

在我國新型城鎮化及建筑業轉型發展的過程中，住宅建筑碳排放造成的生態沖擊已經成為不容忽視的環境問題。建筑碳排放的直接原因主要在于建設、生產及社會性活動中對化石及礦物燃料的不斷消耗[1]，建筑能耗在各行業中占比量大。據統計，2015年，我國建筑能源消耗占據了全國能源消耗量的20%[2]，因此，建筑能耗引起的碳排放量是低碳減排的重要控制因素。

工業化住宅相比傳統現澆住宅在低碳減排方面具有顯著的環境效益，傳統建造模式下的作業組織粗放松散，無法對勞動力和物料資源進行集中高效利用，而工業化住宅通過標準化設計、工廠化制造、機械化裝配等技術革新，使得建造流程的環境效益得以優化，各生產環節可使能耗更加集約，有益于減小住宅建筑產生的生態碳負荷。

1 高層工業化住宅碳排放分析

1.1 碳排放源

高層工業化住宅碳排放主要源于運行階段和物化拆解階段的碳排放，主要為各類生產生活行為消耗電能、化石能源等所產生的溫室氣體排放。其中，運行使用階段的碳排放主要源于住戶采用的各類采暖、制冷、供熱、照明等生活設施的能源消耗，而物化拆解階段的碳排放主要源于建造拆解過程中各類工藝活動的能源消耗。高層工業化住宅與傳統住宅在運行階段的碳源類同，而其物化過程由于采取工業化生產方式，具有清晰的工藝流程，因此，根據標準化工藝并結合BIM 信息模型便于整合碳源信息，提高工業化住宅碳排放核算的精確度。

1.2 碳排放邊界

住宅碳排放以全生命周期為計算邊界，涵蓋從建造、使用到拆解回收全生命周期的全部CO2排放量。在住宅全生命周期內，運行使用階段長達數十年，屬于長周期持續性排碳，物化拆解階段屬于短周期一次性排碳，運行使用階段的碳排放總量往往占據全生命周期的大部分，因此，根據碳排放類型和比例可將其歸納為運行周期碳足跡和物化周期碳足跡。以住宅的全生命周期為視角，可結合工藝流程，將碳排放邊界分為建材生產、集成制造、運輸安裝、運行維護、拆解回收等環節（圖1）。

圖1 高層工業化住宅全生命周期碳排放邊界示意圖

1.3 碳排放核算依據

在建筑碳排放研究領域，對于碳排放量的核算方法主要有實測法、質量平衡法、排放系數法等計算方式，而排放系數法是建筑尺度下較為常用的核算方法[3]。根據排放系數法進行計算，需要對碳排放活動及相應的碳排放因子進行合理統計。在本文中，碳排放因子的選擇以《建筑碳排放計算標準》（GB/T51366—2019）和國家發布的中國地區電網平均二氧化碳排放因子為核算依據[4-5]。

2 基于進化算法的住宅低碳優化設計

2.1 碳排放權衡分析

目前，在高層工業化住宅設計過程中，低碳減排的量化分析方法亟待與方案設計整合，使住宅方案設計與低碳設計建立更為直觀的聯系。在實際工程中，住宅設計需要考慮功能、造型、成本等各方面的制約因素，其經驗性的定性設計模式往往使得方案在低碳減排方面具有一定的優化潛力，通過基于進化算法的優化模擬可對設計參數及相應的碳排放量進行量化分析，有益于對不同方案組合的節碳性權衡研判。

2.2 遺傳算法

進化算法（Evolutionary Algorithm）是模擬生物自然進化的全局優化方法，在眾多行業領域具有廣泛適應性，其中，NSGA Ⅱ遺傳算法是一種典型的進化計算方法，在工程設計領域的多目標優化問題中應用較為成熟。遺傳算法的出發點是模擬生物進化優勝劣汰的過程，通過對初始數據組合的優化運算，使得方案參數在歷代模擬中進化。遺傳算法的核心思想是對優化目標的潛在可行性進行全局搜索，利用進化迭代的模擬計算，尋找符合多目標優化要求的最優方案集合。優化運算時首先建立初始種群，通過選擇、交叉、變異等操作，對歷代計算數據進行選擇和處理，選取適應度高的個體，排除掉適應度低的個體，從而保證優勢基因的延續，直至收斂得到最優解集。

研究以Wallacei 軟件作為優化運算平臺，Wallacei 是以遺傳算法為計算引擎的Grasshopper 插件，對參數化建筑設計和BIM 協同設計具有良好的兼容性，建筑師可通過建立優化目標、執行進化演算、權衡最優解集來輸出可量化的參考依據（圖2）。

圖2 多目標進化運算流程圖

由于通過進化計算得出的Pareto最優解是一組集合，在歷代進化計算中屬于最貼近優化目標的結果，而住宅設計所面臨的問題包含眾多因素，在性能指標導向外還需要考慮各類限制條件，因而在遺傳算法求出的其他可行解當中，仍然可能存在相比Pareto 最優解與項目現實條件更吻合的方案組合。因此，除了對最優解篩選之外，通過對全局可行解的遍歷（依據搜索路徑，對全局計算結果逐一進行信息訪問），或可提供更多的方案選擇。

3 案例應用分析

3.1 案例概況

分析對象為上海某14 層工業化混凝土住宅，單體建筑面積為7 843 m2，住宅建筑高度為42.55 m，采用裝配整體式剪力墻結構，預制率為40.1%（圖3）。預制外墻板采用A級自調溫相變蓄能材料內保溫系統，集成外窗采用中透Low-E 玻璃，傳熱系數為2.2 W/（m2K）；預制凸窗采用高透Low-E 玻璃，傳熱系數為2.0 W/（m2K）。

圖3 工業化住宅設計參數示意圖（豎向預制圍護構件布置）

3.2 優化模型參數設置

優化分析采用控制變量法，在原設計的基礎之上，以低碳為導向建立基于遺傳算法的多目標優化模型，主要對工業化住宅預制外圍護構件的幾何及性能參數作進一步的優化設計，根據優化計算結果調整相關設計參數，以篩選適宜的方案組合。

3.2.1 優化目標及方程

根據高層工業化住宅碳排放核算邊界，其全生命周期包含建材生產、集成制造、運輸安裝、運行維護、拆解回收等階段，其中，運行周期碳排放占比最大，是低碳設計的重點；而在物化周期內，集成制造階段在工廠內批量生產預制構件，在短周期內產生大量的CO2氣體，集中而高密度的碳排放可能造成較大的生態環境負擔。基于此，多目標優化分析中，將運行階段和集成制造階段碳排放分別作為優化目標FO1 和FO2，將物化周期內其他階段的碳排放作為優化目標FO3。

工業化住宅運行階段，碳排放主要考慮計算單元的供熱能耗、制冷能耗、照明能耗和設備能耗等部分，通過Ladybug+Honeybee 模擬平臺計算，得到相應的模擬能耗值，進而結合碳排放因子核算運行周期碳排放量。運行階段目標方程中的排放因子根據中國地區電網平均CO2排放因子取值[5]，計算采用單位面積的年均運行碳排放值。

工業化住宅集成制造階段，碳排放主要依據構件成型工藝，統計工藝活動中能源消耗，并結合碳排放因子計算碳排放量，優化計算中將碳排放量均攤至單位面積。物化周期內其他階段的核算原理與制造階段類同，目標方程根據參考文獻[6]中相應的各階段計算方程。

3.2.2 優化設計變量

優化模型的設計變量選取預制外墻板傳熱系數、外窗傳熱系數、窗墻比、層高、朝向等參數（表1）。其中，預制外墻板傳熱系數受到保溫材料及厚度的影響，外窗傳熱系數主要由玻璃性能參數影響，窗墻比主要由外墻板和外窗洞口尺寸影響。模擬分析采用控制變量法，在控制其他參數的前提下，通過調整設計變量的取值來計算相應的碳排放量。

表1 優化設計變量

3.3 優化結果分析

優化模型以Wallacei+Grasshopper作為運算平臺，初始種群數量為50，迭代次數為100，交叉率為0.8，變異率0.1（CPU Intel Core i5-8300H 2.30GHz）。

優化運算過程的標準差和趨勢線如圖4 所示，反映了各目標的進化迭代趨勢。圖中左側表征各目標在進化計算中的標準差值分布態勢，紅色曲線表示初期結果，藍色曲線表示末期結果；圖中右側表征標準差對應的趨勢線，反映了迭代過程的優化計算趨勢。在本次優化計算中：FO1 和FO2的標準差值隨進化過程逐步降低，表明目標在迭代過程中其參數質量產生較為明顯的提升趨勢；FO3 在進化計算初期，其標準差的峰值產生大幅下降，而在隨后的計算過程中又逐漸回升，該目標的計算結果可能仍有進一步的優化空間。

圖4 優化過程的標準差和趨勢線

各目標在進化過程中得到了一定的優化量，整體而言，運行階段碳排放的下浮量較大，其他兩組目標下浮量相對較少。同時，在末代優化解中，其他兩個目標的碳排放量仍然較高，說明存在有待進一步優化的方案，需要繼續篩選更適宜的優化組合。

優化模型通過對外墻保溫材料、外窗玻璃、窗墻比、朝向、層高等設計參數的調整，使得年運行碳足跡可以維持在一定量值或實現下浮。根據年運行碳排放優化量，外墻保溫構造和外窗性能參數的影響作用較大，在CO2低于50.00 kg/ m2a 的方案中，預制外墻板保溫層厚度均達到45 mm以上，保溫材料傾向于選擇擠塑聚苯板和模塑聚苯板，外窗玻璃大多選擇了K值為1.0 W/（m2K）的窗B 和K值為0.9 W/（m2K）的窗C。由于預制外墻板和外窗在高層工業化住宅外表面積中占據大部分比例，其整體熱工性能的提高有益于運行能耗的降低，從而使得年運行碳排放量下降。而玻璃外窗作為住宅室內外熱交換較為集中的界面，其傳熱系數往往可以影響外圍護結構保溫性能的下限，在年運行碳排放量最小的十組優化解中，外窗均選擇了窗C。然而，在進化過程的歷代優化解中，同時也存在方案組合在選擇了較厚保溫材料和窗C 的情況下，其年運行碳排放量仍然較高，究其原因，住宅運行周期碳排放受到諸多因素的綜合影響，雖然某些方案采用了熱工性能良好的外表皮材料，但由于受到窗墻比、朝向、層高等因素的疊加作用，其碳排放優化量仍然存在較大的下浮潛力，因而最終未進入最優解集合。

對于進化計算結果的篩選，一方面，可以直接在最優解區間篩選滿足設計需求的方案組合；另一方面，也可對歷代優化解進行遍歷搜索，從全局角度對更多的量化參考進行權衡分析。以末代優化解中的一組方案為例（圖5），根據遍歷結果：在設計變量方面，外墻保溫層選擇了50 mm厚擠塑聚苯板，外窗選擇了窗B，層高為2.95 m，南向窗墻比為0.45，北向窗墻比為0.40，西向窗墻比為0.04，朝向為南偏東5°；相應的年運行碳排放量下浮。

圖5 優化結果遍歷參數示意圖

4 結語

本研究以低碳減排為導向，對高層工業化住宅的碳排放源、核算邊界進行了梳理，將Wallacei 多目標優化平臺（以進化算法為計算引擎）和Ladybug+Honeybee 性能模擬平臺（以Energy-plus 為引擎）相結合，搭建了針對高層工業化住宅碳排放的“設計—模擬—優化”權衡分析模型。優化模型以高層工業化住宅生命周期不同階段的碳排放量為優化目標，通過迭代計算搜索最優設計方案，并通過遍歷從全部可行解中檢索適宜的設計組合。根據模擬計算可知，預制外墻板保溫性能、外窗熱工性能、窗墻比、層高、朝向等因素對優化目標產生綜合影響，通過對設計參數的定量分析，往往可以實現一定的節碳效益。基于進化算法的權衡分析，不僅可為工業化住宅低碳設計提供量化參考，通過參數化建模軟件搭載的Wallacei 插件，還可在建筑設計與低碳設計之間建立直觀的聯系，便于幫助建筑師在方案過程中進行初步研判。