陳啟寧，吳 蔚

(南京大學(xué)建筑與城市規(guī)劃學(xué)院，江蘇 南京 210093)

引言

許多研究表明天然采光不僅影響視看效果，也通過(guò)非視覺(jué)效應(yīng)影響人體生理節(jié)律與健康[1]，包括影響褪黑激素分泌，引起睡眠障礙[2]，甚至誘發(fā)季節(jié)性情緒失調(diào)(SAD)、老年癡呆癥等疾病[3]。進(jìn)一步的研究顯示，相較于視覺(jué)效應(yīng)，非視覺(jué)效應(yīng)在響應(yīng)機(jī)理、影響因素、視看方向等方面都有所不同；即相同的建筑的朝向、室型比、窗墻比等設(shè)計(jì)因素對(duì)視覺(jué)和非視覺(jué)的影響也不盡相同。因此，營(yíng)造出同時(shí)滿足視看和非視看需求的優(yōu)質(zhì)天然光環(huán)境，需要將二者有機(jī)關(guān)聯(lián)起來(lái)，統(tǒng)籌考慮[4]。

近年來(lái)，國(guó)際上關(guān)于采光視覺(jué)與非視覺(jué)效應(yīng)兩者的關(guān)聯(lián)研究已經(jīng)逐步開(kāi)展。2017年，Maria等[5]提出一種基于人視點(diǎn)的采光視覺(jué)與非視覺(jué)聯(lián)合評(píng)估工作流，利用三種新的天然光性能模型進(jìn)行360°沉浸式空間評(píng)估。Dai等[6]開(kāi)發(fā)了一種四通道可調(diào)LED光源混合方法，對(duì)照明的視覺(jué)與非視覺(jué)效應(yīng)同時(shí)進(jìn)行考慮。但這些研究?jī)H針對(duì)特定背景和工況條件，沒(méi)有考慮在實(shí)際設(shè)計(jì)過(guò)程中應(yīng)用軟件的多樣性，大部分的研究停留在定性分析上，缺乏從視覺(jué)與非視覺(jué)兩者量化聯(lián)系入手的定量分析研究。因此，目前已有的研究成果尚不能在真實(shí)采光設(shè)計(jì)中開(kāi)展起來(lái)。

在非視覺(jué)研究方面，課題組前期進(jìn)行了有效晝夜節(jié)律區(qū)域百分比法和生物照度閾值法兩種非視覺(jué)效應(yīng)的計(jì)算機(jī)模擬評(píng)價(jià)方法研究[7, 8]，并在此基礎(chǔ)上對(duì)醫(yī)院病房的非視覺(jué)效應(yīng)開(kāi)展了量化研究[9]。目前的研究是進(jìn)一步將視覺(jué)與非視覺(jué)效應(yīng)有機(jī)聯(lián)系起來(lái)，進(jìn)行二者的耦合研究。本文嘗試?yán)枚嗄繕?biāo)算法，以南京市一個(gè)真實(shí)的學(xué)校教室為例，對(duì)天然采光的視覺(jué)與非視覺(jué)效應(yīng)進(jìn)行定量分析，對(duì)影響視覺(jué)和非視覺(jué)的設(shè)計(jì)參數(shù)進(jìn)行耦合優(yōu)化分析。

1 研究背景

多目標(biāo)優(yōu)化算法是一種同時(shí)對(duì)多個(gè)目標(biāo)函數(shù)同時(shí)進(jìn)行優(yōu)化計(jì)算的方法，可實(shí)現(xiàn)多個(gè)優(yōu)化目標(biāo)的自動(dòng)尋優(yōu)[10]。多目標(biāo)優(yōu)化在建筑領(lǐng)域已有不少應(yīng)用，可以根據(jù)采光、熱舒適、能耗等具體的優(yōu)化指標(biāo)需求，調(diào)整設(shè)計(jì)參量，完成約束條件下多個(gè)優(yōu)化目標(biāo)的實(shí)現(xiàn)。如Carlucci[11]以室內(nèi)眩光與熱舒適指標(biāo)為優(yōu)化目標(biāo)，運(yùn)用遺傳算法對(duì)意大利某建筑進(jìn)行多目標(biāo)優(yōu)化；Negendahl等[12]以自然采光性能、能耗為目標(biāo)，對(duì)建筑維護(hù)結(jié)構(gòu)進(jìn)行優(yōu)化；周白冰[13]以多種自然采光性能評(píng)價(jià)指標(biāo)作為優(yōu)化目標(biāo)，研究寒地多層辦公建筑空間的多目標(biāo)優(yōu)化。由此可見(jiàn)，多目標(biāo)算法能夠較好地同時(shí)分析影響室內(nèi)天然光的視覺(jué)和非視覺(jué)因素，進(jìn)行優(yōu)化選擇。

1.1 視覺(jué)與非視覺(jué)效應(yīng)的多目標(biāo)優(yōu)化方法

本研究所采用的視覺(jué)與非視覺(jué)采光多目標(biāo)優(yōu)化方法由3部分組成，工作流程見(jiàn)圖1。

1) 生成參數(shù)化模型：實(shí)現(xiàn)設(shè)計(jì)參量與視覺(jué)、非視覺(jué)采光優(yōu)化目標(biāo)的映射，避免重復(fù)建模。

2)進(jìn)行優(yōu)化計(jì)算：得出同時(shí)滿足視覺(jué)、非視覺(jué)采光需求的設(shè)計(jì)參量的較優(yōu)取值區(qū)間。

3)篩選優(yōu)化方案：對(duì)優(yōu)化計(jì)算結(jié)果進(jìn)行可視化顯示與量化分析。

該方法基于Rhino & Grasshopper參數(shù)化平臺(tái)，以Radiance和Daysim為采光計(jì)算引擎，整合Honeybee等性能模擬插件與Python編程語(yǔ)言，結(jié)合多目標(biāo)優(yōu)化插件Octopus，實(shí)現(xiàn)視覺(jué)與非視覺(jué)采光的耦合優(yōu)化。其實(shí)質(zhì)是將采光的視覺(jué)與非視覺(jué)評(píng)價(jià)指標(biāo)同時(shí)考慮，通過(guò)優(yōu)化算法進(jìn)行多次迭代計(jì)算，得出同時(shí)滿足視覺(jué)與非視覺(jué)優(yōu)化目標(biāo)的較優(yōu)解集范圍。最后應(yīng)用參數(shù)化模型，將結(jié)果數(shù)據(jù)可視化反饋，供設(shè)計(jì)人員根據(jù)項(xiàng)目的具體視覺(jué)和非視覺(jué)采光需求進(jìn)行篩選，為健康光環(huán)境營(yíng)造提供決策支持。

圖1 視覺(jué)與非視覺(jué)效應(yīng)多目標(biāo)優(yōu)化流程圖Fig.1 Multi-objective optimization flow chart of visual and non-visual effects

1.2 評(píng)價(jià)指標(biāo)、模擬平臺(tái)與計(jì)算程序

1)評(píng)價(jià)指標(biāo)。視覺(jué)指標(biāo)采用天然光自主參數(shù)(Daylight autonomy)和有效天然采光照度(Useful daylight illuminance)。這兩項(xiàng)指標(biāo)作為全年動(dòng)態(tài)采光評(píng)價(jià)指標(biāo)，可有效反映天然光隨時(shí)間變化而變化的情況，已在不少研究中得到驗(yàn)證[14, 15]。

非視覺(jué)指標(biāo)采用Konis提出的有效晝夜節(jié)律區(qū)域百分比(circadian effectivearea，CEA)和晝夜節(jié)律頻率(Circadian Frequency，CF)指標(biāo)[16, 17]。

a)全年刺激頻率(Stim.freq，SF)加入了對(duì)感光史的考慮[18]，可量化某一時(shí)間窗口內(nèi)的光照刺激有效性，較為直觀地評(píng)價(jià)和預(yù)測(cè)室內(nèi)天然光產(chǎn)生的非視覺(jué)效應(yīng)。該指標(biāo)在每個(gè)網(wǎng)格點(diǎn)上以偶數(shù)增量排列多個(gè)向量，以表示視看方向。一般指定8個(gè)向量，可以增加向量數(shù)以獲得更高的精度。

b)晝夜節(jié)律頻率(Circadian Frequency，CF)可用于評(píng)估采光設(shè)計(jì)滿足WELL標(biāo)準(zhǔn)中使用日光的晝夜照明要求的程度。晝夜節(jié)律頻率在這里被定義為在特定的日分析周期內(nèi)，當(dāng)一個(gè)給定的視向量滿足或超過(guò)以褪黑素照度EML(Equivalent Melanopic Lux)為單位的給定光刺激閾值時(shí)，年度分析周期內(nèi)的天數(shù)百分比。因此該指標(biāo)可以在一定程度上反映光源對(duì)使用者的警覺(jué)性、睡意和眼疲勞的影響[19]。

2)軟件平臺(tái)與程序編寫(xiě)。

本文中所涉及的參數(shù)化建模使用建模軟件Rhino以及可視化編程平臺(tái)Grasshopper。計(jì)算腳本使用Python語(yǔ)言編寫(xiě)，并通過(guò)GHpython插件與Grasshopper平臺(tái)進(jìn)行關(guān)聯(lián)。采光計(jì)算模擬與優(yōu)化使用Grasshopper平臺(tái)上的開(kāi)源建筑性能模擬插件Honeybee以及多目標(biāo)優(yōu)化插件Octopus。其中，Honeybee插件以Daysim及Radiance為采光模擬引擎，內(nèi)置多種常用CIE標(biāo)準(zhǔn)天空模型，并且可以定義多種材料光學(xué)性質(zhì)，其采光模擬的準(zhǔn)確性已經(jīng)得到相關(guān)研究[20]驗(yàn)證。

為實(shí)現(xiàn)視覺(jué)與非視覺(jué)采光評(píng)價(jià)指標(biāo)的優(yōu)化計(jì)算及模擬數(shù)據(jù)實(shí)時(shí)記錄兩方面的功能，本文基于GHpython編寫(xiě)了一套Grasshopper平臺(tái)的輔助計(jì)算程序。程序由參數(shù)輸入模塊，采光模擬模塊，優(yōu)化計(jì)算模塊三部分組成。其中，參數(shù)輸入模塊通過(guò)調(diào)節(jié)設(shè)計(jì)參量輸入值產(chǎn)生不同的參數(shù)化模型；采光模擬模塊通過(guò)讀取氣象數(shù)據(jù)，計(jì)算非視覺(jué)照度轉(zhuǎn)換系數(shù)、所選分析時(shí)段內(nèi)的天空類型，實(shí)現(xiàn)視覺(jué)與非視覺(jué)的采光模擬計(jì)算；優(yōu)化計(jì)算模塊通過(guò)多目標(biāo)算法進(jìn)行迭代運(yùn)輸，得出同時(shí)滿足視覺(jué)與非視覺(jué)需求的設(shè)計(jì)參量較優(yōu)取值區(qū)間。圖2所示是全部?jī)?yōu)化模擬計(jì)算程序的組合圖，可以通過(guò)該程序?qū)σ曈X(jué)與非視覺(jué)采光的評(píng)價(jià)指標(biāo)進(jìn)行模擬、耦合優(yōu)化和量化分析。

圖2 非視覺(jué)模擬計(jì)算程序圖Fig.2 Non-visual analog program diagram

2 多目標(biāo)優(yōu)化設(shè)計(jì)研究

本研究選取南京市某中學(xué)的一個(gè)真實(shí)教室為對(duì)象展開(kāi)模擬實(shí)驗(yàn)，在研究團(tuán)隊(duì)前期的實(shí)地測(cè)量研究中，該學(xué)校教室符合《中小學(xué)建筑設(shè)計(jì)規(guī)范》(GBJ 50099—2011)和《建筑采光設(shè)計(jì)標(biāo)準(zhǔn)》(GB 50033—2013)的要求[21, 22]。該教室進(jìn)深為7.5 m，開(kāi)間為9 m，層高為3.5 m，窗地比為0.24，雙側(cè)采光，具體尺寸如圖3所示。本文所使用的室內(nèi)材質(zhì)的光學(xué)屬性參數(shù)是根據(jù)實(shí)地測(cè)量所得，如表1所示。

圖3 教室平面圖 Fig.3 Plan of the example classroom

表1 材料參數(shù)設(shè)置Table 1 Setting of material parameters

2.1 優(yōu)化設(shè)計(jì)參量與優(yōu)化目標(biāo)

考慮到模擬計(jì)算和參數(shù)化建模的復(fù)雜度，本文僅選取窗臺(tái)高、窗地比、窗戶間距(兩窗的垂直中心線間距)作為優(yōu)化中的設(shè)計(jì)參量。為保證優(yōu)化計(jì)算得出的空間形態(tài)結(jié)果符合相關(guān)規(guī)范，模擬時(shí)需要給設(shè)計(jì)參量設(shè)定取值范圍。根據(jù)規(guī)范，教室開(kāi)窗面積在窗地比應(yīng)大于0.2，因此將窗戶寬度、高度取值設(shè)定在1.8～2.3 m之間，窗臺(tái)高度在0.9～1 m之間。由于中小學(xué)教室前端的側(cè)窗窗端墻長(zhǎng)度不應(yīng)小于1 m，考慮到窗戶寬度的取值，將窗戶間距的取值設(shè)定在3.0～3.5 m之間?？紤]到采光模擬的誤差，最終教室采光視覺(jué)與非視覺(jué)優(yōu)化設(shè)計(jì)參量取值的約束條件如表1。

圖4 教室參數(shù)化模型Fig.4 Parametric model of the example classroom

表2 設(shè)計(jì)參量取值Table 2 The value of design parameters

為同時(shí)對(duì)視覺(jué)與非視覺(jué)采光進(jìn)行優(yōu)化，選取視覺(jué)采光評(píng)價(jià)指標(biāo)DA、UDI；非視覺(jué)采光評(píng)價(jià)指標(biāo)全年刺激頻率(Stim.freq，SF)、晝夜節(jié)律頻率(Circadian Frequency，CF)；各指標(biāo)取所有測(cè)點(diǎn)的平均值作為優(yōu)化的目標(biāo)函數(shù)。其中非視覺(jué)指標(biāo)的分析時(shí)段依據(jù)WELL標(biāo)準(zhǔn)中規(guī)定的最小標(biāo)準(zhǔn)，取為9:00—13:00[23, 24]。

2.2 建立參數(shù)化模型

為實(shí)現(xiàn)設(shè)計(jì)參量與優(yōu)化目標(biāo)之間的映射，需要借助參數(shù)化模型進(jìn)行性能模擬。在Rhino & Grasshopper平臺(tái)建立如圖4所示的教室參數(shù)化模型，實(shí)現(xiàn)窗臺(tái)高、窗地比、窗戶間距、窗戶寬度和窗戶高度的動(dòng)態(tài)調(diào)節(jié)。當(dāng)任意設(shè)計(jì)參量改變時(shí)，Honeybee插件調(diào)用Radiance和Daysim內(nèi)核對(duì)參數(shù)化模型進(jìn)行實(shí)時(shí)采光模擬，自動(dòng)反饋模擬結(jié)果，避免重復(fù)建模，并實(shí)現(xiàn)空間形態(tài)信息的評(píng)價(jià)指標(biāo)的關(guān)聯(lián)。

Honeybee插件進(jìn)行采光計(jì)算時(shí)，需要先將Rhino模型轉(zhuǎn)換為Honeybee Zone模型，再設(shè)置室內(nèi)材質(zhì)。Honeybee可提供Radiance材質(zhì)庫(kù)的調(diào)用。

2.3 多目標(biāo)優(yōu)化模擬

采用Octopus插件基于HypE Reduction算法進(jìn)行優(yōu)化計(jì)算，多目標(biāo)優(yōu)化的程序圖如圖5所示。將設(shè)計(jì)參量與優(yōu)化目標(biāo)分別輸入到Octopus計(jì)算模塊，運(yùn)行多目標(biāo)優(yōu)化算法，驅(qū)動(dòng)采光模擬程序?qū)Σ煌O(shè)計(jì)參量組合進(jìn)行多次迭代計(jì)算，對(duì)優(yōu)化目標(biāo)進(jìn)行權(quán)衡，尋求較優(yōu)的設(shè)計(jì)參量組合解集。

圖5 多目標(biāo)優(yōu)化算法程序圖Fig.5 Multi-objective optimization algorithm program diagram

圖6 Pareto空間分布圖Fig.6 The spatial distribution of the Pareto solution set

本次優(yōu)化共有3個(gè)變量，4個(gè)目標(biāo)函數(shù)參與計(jì)算，Octopus插件的具體優(yōu)化參數(shù)設(shè)置如表3所示。參數(shù)設(shè)置時(shí)需要綜合考慮解集的多樣性和所需的計(jì)算量，既要避免丟失最優(yōu)解，也要避免過(guò)早收斂，局限于局部最優(yōu)。優(yōu)化計(jì)算完成后，可以在算法給出的優(yōu)化目標(biāo)解集中進(jìn)行篩選，以進(jìn)一步得出合適的設(shè)計(jì)參量取值。

表3 多目標(biāo)優(yōu)化參數(shù)設(shè)置Table 3 Parameter setting for multi-objective optimization

3 分析與討論

本次優(yōu)化經(jīng)過(guò)35次的迭代計(jì)算，共耗時(shí)70 h，總計(jì)獲得695組非支配解集的數(shù)據(jù)。計(jì)算得到的Pareto解在三維坐標(biāo)軸內(nèi)的分布如圖6所示。連接大部分Pareto最優(yōu)解所組成的曲面即為Pareto前沿面，其在二維方向上可形成Pareto前沿，具有較好的收斂性。將優(yōu)化計(jì)算的結(jié)果數(shù)據(jù)通過(guò)GHpython腳本自動(dòng)記錄并整理，全部數(shù)據(jù)分別導(dǎo)入Excel和Spss軟件中，進(jìn)行進(jìn)一步的數(shù)據(jù)分析。

3.1 優(yōu)化結(jié)果的驗(yàn)證

對(duì)第35次迭代的Pareto解集進(jìn)行分析，根據(jù)模擬得出的結(jié)果，共有32個(gè)非支配解。選取其中各項(xiàng)優(yōu)化指標(biāo)較好的4組解作為代表性的優(yōu)化方案，每個(gè)解對(duì)應(yīng)的優(yōu)化目標(biāo)、設(shè)計(jì)參量如表4所示。

將表4中的優(yōu)化方案與原始教室的視覺(jué)與非視覺(jué)指標(biāo)進(jìn)行對(duì)比，繪制成如圖10所示的折線圖。通過(guò)比較優(yōu)化前后各指標(biāo)的取值可以發(fā)現(xiàn)，經(jīng)過(guò)優(yōu)化，視覺(jué)與非視覺(jué)指標(biāo)同時(shí)得到了提升。其中，第3組解在4項(xiàng)優(yōu)化目標(biāo)之間形成了較好的平衡，相較于原始方案，其視覺(jué)指標(biāo)中DA提升16.69%，UDI提升1.05%，非視覺(jué)指標(biāo)中SF提升10.34%，CF提升9.34%。

表4 多目標(biāo)優(yōu)化設(shè)計(jì)實(shí)驗(yàn)優(yōu)化方案記錄Table 4 Record the experimental optimization scheme of multi-objective optimization design

圖7 優(yōu)化前后視覺(jué)與非視覺(jué)采光水平對(duì)比Fig.7 Comparison of visual and non-visual lighting levels before and after optimization

3.2 量化分析

為了量化非視覺(jué)指標(biāo)與視覺(jué)指標(biāo)之間、非視覺(jué)指標(biāo)與設(shè)計(jì)參量之間的關(guān)系，本研究采用統(tǒng)計(jì)學(xué)中常用的相關(guān)性分析方法及線性回歸分析方法對(duì)進(jìn)行分析，并通過(guò)優(yōu)化數(shù)據(jù)的分布情況，得出各設(shè)計(jì)參量的較優(yōu)取值區(qū)間。

1)相關(guān)性分析。將數(shù)據(jù)導(dǎo)入SPSS軟件，對(duì)晝夜節(jié)律頻率(Circadian Frequency，CF)與其他優(yōu)化目標(biāo)及設(shè)計(jì)參量進(jìn)行相關(guān)性分析，結(jié)果如表6所示。表中的Pearson相關(guān)性表示相關(guān)關(guān)系的強(qiáng)弱情況，Pearson系數(shù)0.8～1.0為極強(qiáng)相關(guān)；0.6～0.8為強(qiáng)相關(guān)；0.4～0.6為中等程度相關(guān)；0.2～0.4為弱相關(guān)；0.0～0.2無(wú)相關(guān)。相關(guān)性分析表明，CF全年均值與窗地比、DA均值、SF全年均值為正相關(guān)，與窗臺(tái)UDI均值為負(fù)相關(guān)關(guān)系。

表5 晝夜節(jié)律頻率相關(guān)性分析Table 5 Correlation analysis of Circadian Frequency (CF)

表6 晝夜節(jié)律頻率(Circadian Frequency，CF)線性回歸結(jié)果Table 6 Linear regression results of Circadian Frequency (CF)

2)線性回歸分析。在SPSS軟件中將窗地比、窗間距和窗臺(tái)高作為自變量，將晝夜節(jié)律頻率CF作為因變量進(jìn)行線性回歸分析以及自動(dòng)線性建模，得到線性回歸模型，結(jié)果如表7所示。

從表7可知，模型R2值為0.640，意味著窗地比、窗間距和窗臺(tái)高可以解釋CF全年均值的64.0%變化原因。窗地比的回歸系數(shù)值為24.628(t=7.432，P=0.000<0.01)，意味著窗地比對(duì)CF全年均值產(chǎn)生顯著的正向影響關(guān)系；窗臺(tái)高的回歸系數(shù)值為-8.971(t=-6.111，P=0.000<0.01)，意味著窗臺(tái)高對(duì)CF全年均值產(chǎn)生顯著的負(fù)向影響關(guān)系，與相關(guān)性分析地結(jié)果相同。

對(duì)模型進(jìn)行F檢驗(yàn)時(shí)發(fā)現(xiàn)模型通過(guò)F檢驗(yàn)(F=27.285，P=0.000<0.05)，可以得到模型公式：CF全年均值=80.849+24.628×窗地比+13.560×窗間距-8.971×窗臺(tái)高?；谠摴娇蓪?duì)CF全年均值進(jìn)行預(yù)測(cè)。

3)設(shè)計(jì)參量的較優(yōu)區(qū)間分析。將數(shù)據(jù)導(dǎo)入Excel，以設(shè)計(jì)參量為橫坐標(biāo)，以優(yōu)化目標(biāo)在較優(yōu)區(qū)間的內(nèi)的取值為縱坐標(biāo)，生成散點(diǎn)圖，通過(guò)散點(diǎn)圖的分布情況，可以直觀得出各自變量的較優(yōu)區(qū)間。如表5所示，篩選全年刺激頻率Stim.freq>85%時(shí)的設(shè)計(jì)參量取值。對(duì)于全年刺激頻率SF和晝夜節(jié)律頻率CF，當(dāng)窗地比的取值在0.25～0.3；窗臺(tái)高取值在0.9～0.95；窗戶間距取值在0.4～0.45時(shí)，兩者的數(shù)值始終在85%以上。對(duì)于DA，當(dāng)窗地比的取值在0.25～0.3；窗臺(tái)高取值在0.9～0.95；窗戶間距取值在0.4～0.45時(shí)，DA值一直穩(wěn)定在80%以上。對(duì)于UDI，當(dāng)窗地比的取值在0.25～0.2.7；窗臺(tái)高取值在0.95～1.0；窗戶間距取值在0.4～0.45時(shí)，UDI值始終保持在87.5%以上。

根據(jù)以上分析結(jié)果，設(shè)計(jì)參量的較優(yōu)區(qū)間為：窗地比0.25～0.3；窗臺(tái)高0.9～0.95；窗戶間距0.4～0.45。

表7 不同設(shè)計(jì)參量與優(yōu)化目標(biāo)散點(diǎn)分布圖Table 7 Different design parameters and scatter distribution of optimization targets

3.3 實(shí)驗(yàn)結(jié)論

以南京地區(qū)氣象數(shù)據(jù)為背景，進(jìn)行教室采光視覺(jué)與非視覺(jué)優(yōu)化實(shí)驗(yàn)，結(jié)果表明，多目標(biāo)優(yōu)化方法能夠同時(shí)對(duì)教室的視覺(jué)與非視覺(jué)天然采光進(jìn)行優(yōu)化，結(jié)合模擬數(shù)據(jù)可得出以下幾點(diǎn)結(jié)論：

1)南京地區(qū)光氣候條件下，為同時(shí)保證視覺(jué)與非視覺(jué)的采光水平，教室采光應(yīng)當(dāng)在符合規(guī)范要求的情況下，適當(dāng)增大窗地比。

2)對(duì)模擬數(shù)據(jù)進(jìn)行相關(guān)性分析，發(fā)現(xiàn)CF全年均值與窗地比有顯著的正相關(guān)關(guān)系；與窗臺(tái)高有顯著的負(fù)相關(guān)關(guān)系；與DA均值有顯著的正相關(guān)關(guān)系；與UDI均值有顯著的負(fù)相關(guān)關(guān)系；與SF全年均值(%)有顯著的正相關(guān)關(guān)系。

3)對(duì)模擬數(shù)據(jù)進(jìn)行回歸分析，發(fā)現(xiàn)窗地比、窗間距、窗臺(tái)高與晝夜節(jié)律頻率CF之間存在線性相關(guān)關(guān)系，模型公式為：CF全年均值 =80.849+24.628×窗地比+13.560×窗間距-8.971×窗臺(tái)高。

4)對(duì)模擬數(shù)據(jù)進(jìn)行散點(diǎn)圖分布分析，總結(jié)出可使得室內(nèi)視覺(jué)與非視覺(jué)采光同時(shí)達(dá)到較好的效果設(shè)計(jì)參量區(qū)間：教室的窗地比取值在0.25～0.3；窗臺(tái)高取值在0.9～0.95，窗戶間距取值在3.2～3.5。

4 分析與討論

本文利用多目標(biāo)算法實(shí)現(xiàn)了視覺(jué)與非視覺(jué)采光的耦合優(yōu)化。以南京某中學(xué)教室為例，通過(guò)優(yōu)化模擬實(shí)驗(yàn)驗(yàn)證了優(yōu)化方法的應(yīng)用效果。同時(shí)，通過(guò)對(duì)模擬數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得出了教室采光的視覺(jué)指標(biāo)、非視覺(jué)指標(biāo)與不同設(shè)計(jì)參量之間的量化關(guān)系。

在研究中發(fā)現(xiàn)，在采用基于Octopus插件內(nèi)置的HypE Reduction算法進(jìn)行優(yōu)化計(jì)算時(shí)，當(dāng)設(shè)計(jì)參量值域較廣時(shí)，時(shí)常會(huì)出現(xiàn)提早收斂，無(wú)法得出Pareto解集的情況。此外，由于Honeybee插件限制，高精度的全年動(dòng)態(tài)采光模擬計(jì)算耗時(shí)較長(zhǎng)，因此本次模擬僅使用默認(rèn)參數(shù)，精度較低，如有條件可展開(kāi)數(shù)值模擬與實(shí)測(cè)數(shù)據(jù)間的對(duì)比。

目前，非視覺(jué)效應(yīng)的采光照明研究還處于初級(jí)階段，很多相關(guān)研究都有待進(jìn)一步開(kāi)展，如不同天然光環(huán)境因素對(duì)視覺(jué)與非視覺(jué)效應(yīng)采光的耦合影響規(guī)律、更精準(zhǔn)的評(píng)價(jià)標(biāo)準(zhǔn)等。限于研究周期、實(shí)驗(yàn)場(chǎng)地等條件，本文僅進(jìn)行了計(jì)算機(jī)模擬研究，后續(xù)工作將結(jié)合實(shí)地測(cè)量進(jìn)一步展開(kāi)對(duì)視覺(jué)與非視覺(jué)的聯(lián)合研究。多目標(biāo)優(yōu)化算法本身也具有較大的優(yōu)化空間，選用合適的數(shù)據(jù)結(jié)構(gòu)和計(jì)算規(guī)則可以提高算法的計(jì)算速度和效率。在后續(xù)研究中將探索并嘗試使用不同的優(yōu)化算法進(jìn)行計(jì)算，以提升視覺(jué)與非視覺(jué)耦合優(yōu)化的效率和準(zhǔn)確性。