基于“知情式”設計理念的建筑性能優(yōu)化方法研究

朱姝妍，馬辰龍

0 引言

從1970年代開始，能源危機、全球變暖等問題逐步推動了建設更高效建筑的需求。近些年，建筑學界對于“綠色”“節(jié)能”“碳排放”“氣候適應性”等相關領域的關注，使得“建筑性能”（building performance）一詞越來越多地出現在建筑師的視野之中。隨著計算機技術的飛速發(fā)展，“大數據”“人工智能”等交叉領域的日新月異，業(yè)界對“性能模擬”的興趣和關注與日俱增。21世紀的建筑師不僅需要建造實用、堅固、美觀的建筑，還需要提供高性能的設計方案，從而應對氣候、環(huán)境、社會和經濟等多方面的挑戰(zhàn)。

建筑性能的概念極為豐富，Wilde[1]在《建筑性能分析》中闡述建筑性能主要包括3個大類：工程、進程與審美，主要內容有：使用者滿意度、熱舒適性、室內空氣質量、結構完整性、能源利用等。Foliente等[2]則提供了一個不同維度的建筑性能圖解（圖1）；孫澄、韓昀松等[3]從理論、方法和技術3個方面解析了基于計算性思維的建筑綠色性能智能優(yōu)化設計。2019年，美國建筑師學會 （AIA） 發(fā)布 《建筑師的建筑性能指南》 （Architect's Guide to Building Performance），從建筑師的視角以官方指南的形式來對“性能模擬”提供支持。我國新版的《綠色建筑評價標準》，也增加了“綠色性能”的條文：涉及建筑安全耐久、服務便捷、健康舒適、環(huán)境宜居和資源節(jié)約（節(jié)地、節(jié)能、節(jié)水、節(jié)材）等方面的綜合性能。

方案階段的設計決策，諸如形態(tài)的改變、平面的調整等對建筑建成性能有巨大影響，因而建筑師需要從方案階段便開始利用模擬分析工具來測試和評述設計方案及相應指標，才能根本上實現高效地優(yōu)化建筑性能[4-5]。隨著實踐中建筑節(jié)能設計目標和要求的攀升，現有理論的局限性日漸凸顯[6]，既有的設計方法亟待突破。此外，實踐建筑師并不能全面地認知“性能”這一概念的理論和內容，且缺少與之相對應的設計及優(yōu)化流程。本文旨在從方案設計的角度，引入“知情式”設計（Informed Design）理念，并結合建筑性能的相關研究，從量化優(yōu)化和多解優(yōu)化兩種性能優(yōu)化框架入手，借助數字技術工具，搭建了“知情式”的性能可視化數據互動分析平臺。從而在建筑實踐中，提升建筑師對建筑性能的直觀認知，輔助他們有效地進行性能優(yōu)化設計。

1 性能概念的不同維度及其在建筑中的應用，根據參考文獻[1]改繪

2 3種建筑設計過程，根據參考文獻[11]改繪

1 數字技術背景下的“知情式”設計理念

建筑學具有不同于傳統(tǒng)工程特征領域的多學科交叉特征，且包括眾多無法量化的評價內容，這造成了建筑設計相對于其他工程領域進行優(yōu)化研究的復雜性。為了建立有效的建筑師“知情式”設計方法，在方案設計階段，除了需要了解建筑師所關注的建筑性能具體類型，還需要對建筑設計流程進行分析，研究如何在各種評價指標的介入下，實現更為直觀的綜合優(yōu)化過程。

1.1 建筑方案設計評價指標及流程

1.1.1 評價指標

建筑方案設計階段涉及到的評價指標可被概括為3個層面：美學評價、功能特性、物理環(huán)境（表1）。其中，美學層面的指標難以量化得到最優(yōu)解；功能層面可以通過部分指標，例如空間尺寸、面積統(tǒng)計、交通可達性等指標進行量化；物理環(huán)境層面則可以綜合多維度的評價指標，主要包括：室內環(huán)境（光、熱、能耗）、室外環(huán)境（風、熱）以及結構性能、聲環(huán)境等進行。其中物理環(huán)境的評價指標依賴基于物理學規(guī)律的軟件模擬，然而常規(guī)模擬軟件的計算時間難以壓縮且不易修改，這些都極大地增加了對于方案進行性能評價的時間成本。

表1 建筑性能設計的評價指標及其相應軟件平臺、評價方式（繪制：馬辰龍）

1.1.2 優(yōu)化流程

Wortmann[7]將建筑設計過程按照由簡單到復雜進行區(qū)分，限定為3類：分析綜合（analyze synthesis）、生成與測試（generate and test）、平行進化（co-evolution）?！胺治鼍C合”代表了理想化的方案優(yōu)化過程，通過對優(yōu)化問題的窮盡式分析直接獲得最優(yōu)解；“生成與測試”是指在無法進行窮盡式分析的優(yōu)化場景下，通過有限的參數采樣探索建筑性能的分布情況，從而取得較優(yōu)方案的過程；“平行進化”則說明存在多個不同的解題路徑，需要針對不同的路徑及對應的若干解決方案，進行綜合評判后取得設計問題的最優(yōu)解答（圖2）。

1.2 數字技術背景下的計算性建筑設計

當今時代，數字技術從各方面向建筑設計領域滲透，并在一定程度上改變和影響著建筑師的設計范式。數據支持的計算性設計方法需要從控制指標出發(fā)，調整方案中相互對應、相互影響的形式和性能參數，尋求同時滿足建筑師形式追求和性能評價要求的方案[8]。以權重評價方法的因果關系為基礎建立設計導則，解析目標，明確設計方向，通過數字模型和數值模擬分析參數之間的非線性關系，以性能數據啟發(fā)和拓展形式的可能性。

相關學者將計算性城市設計分為3個細分方向：強調數據支持的量化分析（Data-informed），強調具身性的循證分析（Evidence-based），和強調算法驅動的生成創(chuàng)新（Algorithm-driven）[9-10]。這3個方向也與計算性建筑設計相契合，其中第2個方向指以VR等沉浸式為代表的交互式設計，而另2個方向則是現階段進行建筑性能優(yōu)化設計的主流方向。其中，后者側重得到基于優(yōu)化算法的定量結果，實現方案生成，并不依靠設計者的主觀判斷與綜合權衡；而量化分析強調將獲取的數據結果向設計者直觀呈現，設計者可以結合定量數據、定性數據、主觀經驗和直覺等進行綜合評判以做出決策[9-10]。

表2列舉了近些年國內外在建筑性能優(yōu)化設計領域中代表性的研究成果。根據性能優(yōu)化目標的不同，涉及的軟件平臺、優(yōu)化方法、研究側重點也不盡相同。此外，這些研究也分別與上述兩種方向相契合：

表2 建筑性能優(yōu)化設計的國內外研究成果分析 （繪制：馬辰龍）

（1）量化分析：通過人機交互協同，實現建筑師對于建筑形態(tài)和材料層面的參數選取和控制，并利用計算機模擬軟件或者相關數據分析工具，得到主觀的設計形式及與之對應的客觀變量之間的關系；

（2）算法生成：運用諸如“遺傳算法”在內的優(yōu)化算法，得到多目標條件下的最優(yōu)解集，實現數據自動篩選條件下的方案生成。

然而，實際項目中建筑方案的豐富性和建筑形式的多樣性，使得數據與設計并不是單一或者單向聯系。一方面，追求最優(yōu)解和唯一解違背了設計創(chuàng)新的初衷，建筑師可能更期望獲取“性能較優(yōu)”，但可以兼顧其他不可量化的主觀評價指標的次優(yōu)方案。另一方面，由于建筑設計參數與性能之間通常為非線性關系，難以實現依托帕累托最優(yōu)解集來預測次優(yōu)解（即如果在參數空間中同時選取兩個帕累托最優(yōu)解集，則二者“之間”的參數取值對應的性能值并不能保證同時在帕累托前沿附近），這將為建筑師的形式推敲工作帶來巨大不確定性。

因而，亟需一種設計方法，能夠將參數空間和閾值范圍可視化地傳遞給建筑師，以便提供更多的設計可能性，從而使其更為直觀、快速地獲取滿意的方案。

1.3 “知情式”設計方法

“知情式”設計這一概念在教育學[22]、工業(yè)與產品設計、城市規(guī)劃與城市設計[23-24]等領域被廣泛提及。2019年，喬丹·馬瑟斯（Jordan Mathers）將一系列建筑、規(guī)劃學者的訪談集命名為“Data-Informed Design”，表達了當前的建筑與規(guī)劃實踐中設計師對“多維度數據”的依賴，論述了建筑行業(yè)在大數據時代面臨的挑戰(zhàn)與機遇，以及建筑行業(yè)利用數字技術實現設計模式變革的潛在可能[25]。本文所述的“知情式”設計，便是在這一概念基礎之上，對前文所述的量化分析和算法生成等研究方法進行融合，使理性的數據評價指標融入到感性的方案設計過程之中，建立以目標和效果為導向的計算機輔助設計方法，這一方法更強調了設計師在整個方案推進過程中的不可替代性。

1.3.1 實現“知情式”設計的關鍵問題

建筑性能優(yōu)化設計的目標應當促進建筑師在方案設計階段能夠根據所選取的評價指標，直觀判斷出方案性能的優(yōu)劣，積極解決性能模擬預測時間較長的問題，避免因為計算速度造成的不利影響。此外，還應綜合考慮建筑空間、形體、界面等設計參數改變的情況下，對不同方案之間的性能差異進行比較與分析。

因此在建筑實踐中進行建筑性能優(yōu)化設計需要圍繞以下兩類關鍵性問題進行：一是如何將主觀決策與量化評價指標相結合。建筑方案階段的性能優(yōu)化框架應當考慮將建筑師主觀的設計決策與量化評價指標均納入其中，并且建筑師可以直觀地感知，從而有助于他們推進設計。二是如何實現設計與性能計算的同步，以及實現整體的速度提升，因為常規(guī)的能耗物理模擬方法、光線跟蹤算法等均需要較大的時間成本。

3 基于屏幕疊加技術的交互式建模界面，引自參考文獻[25]

1.3.2 解決“知情式”關鍵問題的方法

（1）多維度的數據呈現方式

“知情式”設計理念依托于多維度的數據呈現方式，其中常見的包括數據分析圖表、模型著色、采樣點的可視化、平行坐標圖等。此外，依托屏幕疊加技術可以將多維度的可視化數據并置呈現，創(chuàng)造更直觀的數據交互界面。

圖3是借助Human UI插件實現屏幕疊加技術的案例，建筑三維模型、采樣點的視線指標、太陽輻射值、陰影遮擋情況、功能分布數據、建筑預算等參數并置于同一界面，方便建筑師的方案推進，也便于設計師之間或設計師同服務對象之間的交流和溝通。

（2）基于機器學習的快速性能反饋方法

“知情式”設計理念要求各項建筑性能指標可以實現快速反饋，以供建筑師在時間緊迫的建筑方案設計階段能夠快速獲取性能反饋而不至于打斷方案構思流程。為解決此問題，引入機器學習算法，從既往采樣數據學習輸入參數與輸出參數的關聯性知識，從而能夠根據新的輸入參數快速猜測對應輸出參數[26]。

2 “知情式”性能優(yōu)化設計的方法構建

基于前述分析，本研究建立了“知情式”性能優(yōu)化設計的方法，并分別從軟件平臺、核心算法工具、優(yōu)化框架3個方面進行構建。

2.1 交互式性能優(yōu)化平臺

研究建立了面向方案設計階段的交互式性能優(yōu)化平臺（圖4）。該平臺以Rhinoceros3D軟件為建模核心，借助其內置的Grasshopper可視化編程工具，可同各類第三方插件或性能計算軟件進行數據交互。其中，Ladybug+Honeybee性能計算模塊可同EnergyPlus、Radiance軟件鏈接，計算建筑能耗、舒適度與光環(huán)境性能；Octopus、Wallacei、Opossum等優(yōu)化插件提供了各類優(yōu)化算法，實現融合于設計流程的建筑性能選優(yōu)；HumanUI、Mandrill、Conduit插件則在Rhino建模界面疊加各項建筑性能可視化指標，通過可視化方式進行建筑關鍵性能的直觀呈現。通過MATLAB API鏈接MATLAB平臺，利用其強大的數據分析計算功能作為機器學習算法引擎。

2.2 基于機器學習的核心算法工具

在MATLAB平臺中編寫了基于機器學習的核心算法工具，該算法工具將融入針對不同設計流程的兩種性能優(yōu)化框架，實現近乎“即繪即模擬”的交互方式，包括基于既往模擬數據的元模型訓練與快速性能預測工具，以及基于機器學習的能耗快速預測工具（圖5）。

（1）機器學習訓練與快速性能預測工具

以Simple ANN（淺層神經網絡）為代表的機器學習算法可以從多變量高維數據集中學習對應的輸入輸出關聯模式，從而建立一個輸入輸出關聯模型，通過將新數據輸入訓練好的預測模型，可以預測對應的數據輸出。這一性質被廣泛運用于建筑能耗預測相關領域以加快建筑能耗優(yōu)化的速度，并被稱為“代理模型”或“元模型”方法（surrogate model/metamodel）[27]。元模型的應用通常涉及到對特定預測問題的最優(yōu)輸入參數篩選（feature engineering）及最優(yōu)機器學習算法的選取兩個過程，本文開發(fā)的機器學習訓練與快速性能預測xzz工具依托于MATLAB平臺內的機器學習算法庫，在訓練階段建立了多輸入參數與多機器學習算法的自動選優(yōu)過程，以在后續(xù)的性能預測階段使用最優(yōu)元模型進行性能預測。

4 方案設計階段的交互式性能優(yōu)化平臺

5 兩種快速預測工具的工作原理圖示

（2）基于機器學習的能耗快速預測工具

建立方案階段全年能耗快速預測工具，該工具包括了自主開發(fā)的基于建筑體量自動分解算法，以基本組合單元所受全年輻射值為輸入參數的能耗快速預測方法。將建筑體量分解得到的基本組合單元幾何特征和對應全年輻射值參數輸入上述MATLAB內的機器學習訓練與快速性能預測工具，快速得到對應的能耗計算結果。

2.3 面向建筑設計流程的兩種優(yōu)化框架

結合Wortmann所提出的3類設計過程，將整個方案設計流程分解為量化優(yōu)化（對應分析綜合過程）和多解優(yōu)化（對應生成與測試及平行進化過程）兩種優(yōu)化場景，并分別建立與之對應的性能優(yōu)化框架。

2.3.1 量化優(yōu)化場景下的性能優(yōu)化框架

量化優(yōu)化場景是指設計師已經確定了某一方案原型，需要對這一方案的各項形態(tài)控制參數進行詳細的數值優(yōu)化，以確定最佳設計參數。該性能優(yōu)化框架側重于將設計參數與對應的性能指標以更為直觀的方式呈現給建筑師，運用多維度呈現方式，幫助建筑師更快速地理解建筑設計參數與對應性能指標之間的增減關系。此種情況下，一方面可以將不同參數組合和對應的建筑性能進行隨機采樣，并以可視化手段顯示，如點云圖或平行坐標圖等，從而直觀地反映建筑性能隨參數的變化趨勢。另一方面，可以借助機器學習算法對不同參數和對應建筑性能之間的內在關聯性進行學習，進而脫離精確但耗時的物理模擬，直接將訓練好的機器學習算法當作性能預測核心，從而快速實時地獲得建筑性能反饋。當機器學習算法達到一定預測精度后，便可以結合遺傳算法等傳統(tǒng)優(yōu)化算法和工具進行快速的多目標性能優(yōu)化（圖6）。

6 量化優(yōu)化場景下的性能優(yōu)化框架

7 多解優(yōu)化場景下的性能優(yōu)化框架

2.3.2 多解優(yōu)化場景下的性能優(yōu)化框架

多解優(yōu)化場景可以對應方案設計流程中的多方案比較階段，在這一階段涉及到了不可量化的方案決策。不同于量化優(yōu)化場景，這一場景下各個候選方案無法用固定的某些控制參數的數值變化來得到，通過隨機采樣和機器學習算法獲得完整平滑的建筑控制參數間關聯性的方法已經失效，建筑師應當直接聚焦于不同候選方案間性能預測結果值的比對（圖7）。

因此，在多解優(yōu)化場景下最有效的路徑是盡可能快速地實現性能可視化，當建筑性能的反饋從傳統(tǒng)的數十分鐘大幅縮短，建筑師就可以在方案修改之后快速直觀地看到對應的性能變化趨勢，這將大大提高對設計方案的把控能力。為了實現上述目的，該優(yōu)化框架利用GPU加速的光線追蹤算法來加速與此相關的采光指標和舒適度指標的計算；利用機器學習算法實現建筑能耗的快速預測。加速后的性能指標計算時間已經可以支持模型建模界面的快速可視化，以輔助建筑師在進行建筑形態(tài)推敲過程中快速獲知建筑性能的對應增減趨勢，以判斷下一步的形態(tài)推敲方向。

3 基于“知情式”理念的性能優(yōu)化實踐

3.1 核心算法的準確度驗證

為了驗證基于機器學習的核心算法可靠性，對能耗快速預測算法進行了準確度驗證。首先，編寫參數化算法隨機生成城市尺度的路網，在此基礎上建立不同規(guī)模的街區(qū)驗證模型，之后分別利用搭建的能耗快速預測平臺計算出每一棟建筑內所有熱區(qū)對應的建筑能耗，并記錄其計算時間；接下來，利用Ladybug+Honeybee插件將對應模型導入EnergyPlus軟件進行基于物理模擬的能耗計算，記錄其所有熱區(qū)的能耗值及計算時間。隨著街區(qū)規(guī)模的擴大及模型幾何復雜度的提升，基于物理模擬的能耗計算時間顯著上升。將兩組數據及計算時間進行比較分析，最終結果顯示：不同規(guī)模下，能耗快速預測算法的計算準確度（R2值）始終保持在較高水平（圖8、9）；對于中小尺度的建筑體量其能耗計算速度不足20s，而對于城市街區(qū)尺度模型則將計算速度從24h縮短到480s之內（圖10）。

8 不同規(guī)模的街區(qū)能耗驗證模型

10 基于物理模擬的能耗計算與快速能耗計算方法時間對比

11 多解優(yōu)化場景下的總平面布局分析

12 鋸齒形玻璃幕墻標準單元及分析圖

9 不同規(guī)模的建筑基本運算單元能耗預測準確度

3.2 基于“知情式”理念的性能優(yōu)化實踐

基于交互式的性能優(yōu)化平臺，建筑師可以將一個典型的建筑設計流程分解為若干多解優(yōu)化與量化優(yōu)化場景的迭代組合，分別結合兩種優(yōu)化框架能夠直觀而快速地理解形態(tài)操作對建筑性能的影響。下文展示了優(yōu)化平臺在實際項目中的應用，為在性能尋優(yōu)目標下的建筑布局形式和立面單元尺寸提供了示范。

3.2.1 多解優(yōu)化場景下的建筑總平面推進

在容積率為2.0的前提下，建筑體量的高低搭配、建筑形式選型、樓棟數量等均有較多的可能性，無法用有限個數的控制參數生成所有備選方案。在總平面布局推敲時，設計師既可以關注到不同建筑體量組合形式，又可以看到建筑能耗的多少，從而選取最合適的總平面布局方案；之后，在布局方案基本確定時還可以獲取對應的采光指標，驗證其采光質量。

疊加于建模界面之上的可視化數據實時呈現出能耗變化趨勢以及每個方案的能耗分布情況（圖11）。其中，屏幕最上方顯示當前設計方案的地上總建筑面積；左側上方顯示整個地塊所有建筑的空調能耗、采暖能耗和總能耗值；左側兩個環(huán)狀圖則分別表征了各個建筑體量的空調能耗與采暖能耗占比情況；下方的方框區(qū)域內為建筑能耗歷史記錄可視化區(qū)域，經歷若干次方案推敲之后，歷史方案的空調能耗、采暖能耗和總能耗變化趨勢將分別以藍色、紅色和洋紅色折線圖表的形式反映在該區(qū)域。圖示反映了建筑師的總平面布局探索過程：第一組方案包括兩組板式的辦公建筑，第二組方案主要放置了3棟點式的塔樓，由右下角的折線圖表可以看出，第二組的能耗有所降低；第三組方案嘗試了點式和板式的組合方式，而第四組為板式塔樓與裙房結合的形式，通過能耗歷史記錄工具可以看出第三組方案增加了能耗，而第四組雖然提高了采暖能耗，但對應的制冷能耗會降低，因而可以初步判斷該布局更適合于夏季炎熱的南方地區(qū)。

3.2.2 量化優(yōu)化場景——立面單元尺寸選優(yōu)

在某辦公樓設計中，建筑的西立面正對城市主干道，是主要的展示面，綜合考慮西立面的防曬需求，選取鋸齒形玻璃幕墻作為該立面的基本構成單元（圖12）。鋸齒形幕墻的傾斜角度、外伸距離會同時影響到投資成本、室內采光效果及制冷制熱能耗；但是不同參數組合下相關性能如何變化，建筑師無法直接獲取。

在量化優(yōu)化場景下，選取兩個柱子之間的開窗單元進行分析，其中窗戶單元的大小及旋轉角度為可變量，性能指標為材料成本、UDI值，制冷與采暖能耗，在設計中需要綜合考慮4個目標參數的結果，實現綜合尋優(yōu)[28]。通過對4個目標參數的隨機采樣，依托機器學習算法建立了對應的平行坐標圖和參數曲面圖。

最終的可視化結果顯示（圖13），材料成本：隨著旋轉角度和窗口長度減小，成本逐漸降低。整體形成對稱的、中間凹陷的反應曲面，且在窗長為零時達到最小值。

UDI100–2000/60%：UDI值隨懸挑距離的增大而減小，且旋轉角度越大呈現的UDI值越大；反應曲面在點（0°, 2.1）周圍形成一個明顯凹陷，這是因為窗戶轉角為0°且寬度較寬時，過多的天然采光攝入；當窗戶尺寸小于0.4m時，UDI值急劇下降。

能耗：包括制冷和采暖能耗。制冷能耗隨窗口尺寸減小而下降，且旋轉角度在10°左右時能耗值較高，形成一個向上的凸面；采暖能耗的反應曲面相對復雜，在左上角（-90°, 2）處達到極大值，而在點（30°, 0.6）附近形成一個凹陷。

建筑師可以參照4個性能參數的三維點云可視化結果，綜合了解參數的變化趨勢以及參數之間潛在的此消彼長的關系；此外，還可以綜合考慮模型的美學效果和空間感受等設計因素，直觀地選取同時滿足性能需求和主觀美學評價需求的候選方案，最終選取了窗戶角度為30°，寬度為0.7m的設計參數進行下一階段的深化設計。

13 量化優(yōu)化場景下的數據可視化分析圖

4 結語與展望

我國“十四五”規(guī)劃強調“加快推動綠色低碳發(fā)展，發(fā)展綠色建筑”。綠色建筑的推進必須見人見物，“人”是首要的決定性因素，人的影響力首先在于綠色價值觀的建立和綠色生活方式[29]的推行。建筑師作為建筑設計中最重要的角色，應當努力成為建筑性能決策的主導者；如果建筑師從方案階段就能夠從性能角度進行優(yōu)化設計，既可以降低建筑的能耗、減少碳排放，又可以提升室內外的環(huán)境質量，從而促進建筑整體的品質提升。

此外，人工智能技術的發(fā)展推動了建筑產業(yè)的信息化升級與轉型。機器學習及神經網絡技術等前沿技術如何介入建筑設計流程，成為許多建筑學者關注的問題[27]。將機器學習作為輔助工具的前提下，可以提高整個設計流程的設計效率[30]；利用不同機器學習算法的篩選，可以獲得最優(yōu)性能[31]，這些均為性能優(yōu)化設計的研究和應用提供了有力的技術支撐。

本研究正是基于“節(jié)能減排”的國家戰(zhàn)略，結合人工智能語境下建筑學領域的發(fā)展和變革，以建筑師的視角出發(fā)，從理論、方法和應用3個層面對建筑性能優(yōu)化設計進行探索。

在理論層面，引入了“知情式”的建筑設計理念，在“知情式”的前提條件下，建筑設計需要關注評價指標和優(yōu)化流程兩方面的內容，并解決如何將主觀設計決策與量化評價指標相結合，如何實現設計與性能計算同步以及速度提升這兩個關鍵性問題。

在方法層面，依托當前豐富的數字技術工具建立起基于“知情式”理念的性能優(yōu)化平臺，將建筑方案設計流程分解，提出了“量化優(yōu)化”和“多解優(yōu)化”兩個場景下的性能優(yōu)化框架。建筑師可以根據設計實踐中不同需求，交叉選用不同的優(yōu)化框架來輔助方案的決策。

在應用層面，利用機器學習技術，通過對歷史候選方案性能參數的學習，建立性能指標與設計參數之間的分布規(guī)律模型，根據新的控制參數快速預測建筑性能；借助可視化插件實現建筑性能的疊加顯示，加強設計師在方案推敲過程中的性能感知。

隨著人工智能理論與數字技術的發(fā)展，基于參數化的性能設計平臺開發(fā)，除了設計前期的虛擬交互操作系統(tǒng)，還包括方案階段的建筑形式自動生成系統(tǒng)、建造階段的建筑構件數控加工系統(tǒng)等[32]。在今后的研究和實踐過程中，除了不斷完善交互式平臺，還應針對設計中的其他環(huán)節(jié)展開性能優(yōu)化設計，將其更加深入地介入到建筑設計的整個流程之中，以技術的力量促進未來建筑設計方法的更新，最終實現更為全面的變革?！?/p>