BIM技术与建筑能耗评价分析方法，综合评价模型

从各评价指标的应用情况看，最直接的影响因素是指标体系的使用便捷性，对比分析各指标体系的操作过程可知有两种途径提高操作便捷性。第一，严格控制子项评价指标的数量，满足全面性和科学性即可，不需过于细致，三级乃至四级的评价指标层次会直接降低其实用性。第二，权重体系的设置是合理的，但计算相对繁琐，人工操作容易出错。因此，考虑用数学软件进行此项操作，以促进评价体系的推广应用。

根据2.2节中的性能数据和评价的需求，使用BIM系列产品中的Ecotect软件对建筑进行模拟，通过文献研究法和专家经验法，对各个评价指标进行评级判断，得到各子项的评级结果，每个子项的评级结果为“好、中、差”中的一种。因为贝叶斯网络计算工具GeNIe2.0可自动进行贪婪搜索算法的计算，但其只能处理数字或字母，因此需将评价结果参数化，再导入GeNIe2.0进行贝叶斯网络结构学习和参数学习，求得各子项（根节点）的条件概率和终节点的联合概率分布。

1）构建打分函数

打分函数基于最小描述原理，在给定假说的前提下，压缩最多的假设是最优的。即假设经由某种算法保存实数集D，需要编辑实数便于保存[143]，总描述长度是算法和编辑后实数的长度和[144]lt@span sup=1>，计算公式见公式（4-11）和公式（4-12）。

式中，MDLB|D）——实数集D下的总描述长度；

|B|——网络结构参数的个数；

LL（B|D）——实数集D下的对数似然函数；

PD（xi|πi）——经验分布，当时，对数似然函数最大。

2）在搜索原理的指导下确定最优网络结构

打分函数可初步构建网络结构，而搜索算法是在此基础上确定最优网络结构。搜索算法有多种方式，其中最常用的是直接便捷的贪婪搜索算法。GeNIe2.0软件使用的即是此算法，因此可直接利用先验数据进行网络结构学习，原理如下：

假设e表示初始边，E表示边集合且e∈E，Δ（e）表示从E中选出适宜的e加入打分函数后的变化值。在初始网络结构的基础上，选择边e，使Δ（e）＞Δ（e′）且e′∈E，Δ（e）＞0，贪婪算法将在E中持续搜索，直到确定不满足条件的边e，将边e加入网络结构，且从初始结构中除去这条边，再继续搜索直到最优。

3）使用最大似然估计法进行参数学习(www.xing528.com)

假设D是节点数值集的一个子集，已知D1，D2， Dm互相独立，根据极大似然原理，确定一个在D的联合概率密度上取值最大的网络结构S，计算过程见公式（4-13）。

式中，PωD）——节点数值集的联合概率密度；

ω——网络结构的联结概率分布；

ωijk——第i个子节点在其父节点处于第j个状态时的第k个状态的概率值；

In Pω（D）——Pω（D）的严格递增函数；

Zi＝（k，j）——第i个节点处于第k个状态，且其父节点处于第j个状态；

Pω（Zi＝（k，j）|Dh）——已知证据Dh，Zi＝（k，j）的联合概率分布。

4）综合评价值计算

本书设置终节点的联合概率中处于State3表示评价结果为“好”，State2表示评价结果为“中”，State1表示评价结果为“差”。用P（Statei）表示终节点处于某一级别的条件概率值，BIM-Bayes综合评价模型即是求得建筑绿色节能评价值。

G＝90×P（State3）＋60×P（State2）＋30×P（State1） （4-14）

如公式（4-14）所示，G≥60，此建筑的绿色节能评价结果为“好”；若60＞G≥30，此建筑的绿色节能评价结果为“中”；若G＜30，此建筑的绿色节能评价结果为“差”。因此，即可对建筑性能进行综合评价。最后，可以根据贝叶斯正向和逆向推理的结果，进行建筑方案的调整和优化。