一种由人工智能驱动的多目标框架，用于在考虑能耗与热舒适的情况下优化窗户尺寸

窗户尺寸比你想象的更重要

当我们设想节能建筑时，往往会想到太阳能电池板或厚实的保温层——但普通窗户在很大程度上决定着建筑的能耗和室内舒适度。该研究着眼于一个看似简单但影响深远的问题：办公建筑的窗户应有多宽、多高，才能在保持室内人员舒适的同时控制采暖和制冷费用？研究人员利用人工智能筛选数千种设计方案，展示了“刚刚好”的窗户如何在像德黑兰这样炎热干燥的城市中，在舒适性和能耗之间实现明智的平衡。

用一个简化的建筑回答复杂问题

为了解析窗户尺寸的影响，作者从一个刻意简化的单层办公间入手，房间呈鞋盒状。墙体、屋顶、地面和建筑朝向都固定不变，主立面上只有一扇窗。唯一变化的是窗户的宽度和高度，它们在一个从较小到较大的现实范围内变化。对近万种窗户组合，计算机模拟估算了建筑全年用于制冷和采暖的能耗，以及室内温度在无空调情况下处于人们普遍接受的舒适范围内的时间份额。这个简化的设置使团队能够集中研究仅由窗户尺寸引起的能耗与舒适度变化。

让人工“脑”学习规律

运行数千次详细模拟既耗时又费力，进一步扩大设计空间很快变得不切实际。为加速过程，研究人员训练了一个人工神经网络——一种受大脑信息处理方式启发的人工智能模型——来从模拟结果中学习。一旦训练完毕，这个“替代”模型就可以即时预测任何研究范围内新窗尺寸对应的制冷、采暖需求和舒适度水平。测试表明，其预测与原始物理模拟结果高度吻合，能解释三项指标中超过99%的变化。换言之，这个 AI 成为了运行缓慢的基于物理的模拟的快速、可信的替代品。

寻找最佳权衡，而不是单一最优解

有了这个快速的数字替代模型，团队转而使用进化搜索方法——受自然选择启发的算法——去寻找在相互冲突目标之间取得平衡的窗尺寸。这里的目标是降低年度制冷能耗、降低年度采暖能耗以及增加在无机械制冷时室内处于舒适区间的时间份额。因为增大窗户有助于冬季（更多太阳和温暖）却会在夏季造成问题（更易过热），不存在单一的“最佳”窗户。相反，算法会构建一系列同样优良的折衷设计，称为帕累托前沿，在该前沿上没有一个方案可以在不牺牲另一个目标的情况下进一步改进。针对德黑兰的这间办公室，中等尺寸的窗户成为折中之选：它们相比小窗显著降低了采暖需求，比最大窗保持了更可控的制冷需求，并能在约80%以上的占用时间内提供舒适度。

结果揭示的窗户尺寸规律

由 AI 驱动的搜索揭示的规律既直观又可量化。随着窗户面积增大，年制冷能耗几乎持续上升，因为朝南的玻璃在炎热季节允许更多太阳热量进入。与此同时，采暖能耗下降，因为冬季日照提供的有益热量足以超过通过玻璃的热损失。研究中使用的舒适度指标——基于自然通风空间的自适应舒适带内的时间份额——也随窗户面积增大而上升，主要因为更大的窗户能利用更多温和天气下的太阳温暖。然而，该指标并未对短时或极端过热给予充分处罚，因此非常大的窗户有时仍可能带来不舒适的高温，尽管在所选的舒适度度量上得分良好。这一细微之处强调了设计者应将研究的舒适性结果视为比较性的指导，而非绝对保证。

这如何帮助设计师与业主

对建筑师、工程师乃至业主来说，实用信息很直接：窗户大小并非“越大越好”或“越小越安全”的简单选择。研究表明存在一段中等的窗户尺寸带，能够在保持能耗受控的同时提供显著的舒适度收益，尤其适用于像德黑兰这样采暖期较长而制冷期较短但强烈的气候。通过将详细模拟、快速学习的 AI 模型和进化搜索相结合，该框架为设计者提供了一份高性能选项清单，而不是单一的僵化建议。这样他们就可以在决定未来建筑窗户尺寸时，用数据而非猜测并列权衡舒适性、能源费用和美学偏好。

引用: Nasab, S.M.R.A., Rabiei, H. An AI-driven multi-objective framework for optimizing window dimensions considering energy demand and thermal comfort. Sci Rep 16, 6365 (2026). https://doi.org/10.1038/s41598-026-39795-8

关键词: 窗户设计, 建筑能耗, 热舒适, 人工智能, 多目标优化