中国科技核心期刊
中国建筑科学领域高质量科技期刊分级目录T2级期刊
RCCSE中国核心学术期刊
美国化学文摘社（CAS）数据库 收录期刊
日本JST China 收录期刊
世界期刊影响力指数（WJCI）报告 收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

面向传统建筑墙体材料性能的机器学习预测优化方法研究——以竹编泥墙为例

王乙茜,  郑家祥,  胡柯杨,  傅嘉言,  胡向磊

downloadPDF
文章导航 > 工业建筑  > 2026 >  56(5): 167-175
王乙茜, 郑家祥, 胡柯杨, 傅嘉言, 胡向磊. 面向传统建筑墙体材料性能的机器学习预测优化方法研究——以竹编泥墙为例[J]. 工业建筑, 2026, 56(5): 167-175. doi: 10.3724/j.gyjzG25111704
引用本文: 王乙茜, 郑家祥, 胡柯杨, 傅嘉言, 胡向磊. 面向传统建筑墙体材料性能的机器学习预测优化方法研究——以竹编泥墙为例[J]. 工业建筑, 2026, 56(5): 167-175. doi: 10.3724/j.gyjzG25111704
shu
WANG Yixi, ZHENG Jiaxiang, HU Keyang, FU Jiayan, HU Xianglei. Research on Machine Learning-Based Prediction and Optimization Methods for the Performance of Traditional Building Wall Materials: a Case Study of Bamboo-Woven Mud Walls[J]. INDUSTRIAL CONSTRUCTION, 2026, 56(5): 167-175. doi: 10.3724/j.gyjzG25111704
Citation: WANG Yixi, ZHENG Jiaxiang, HU Keyang, FU Jiayan, HU Xianglei. Research on Machine Learning-Based Prediction and Optimization Methods for the Performance of Traditional Building Wall Materials: a Case Study of Bamboo-Woven Mud Walls[J]. INDUSTRIAL CONSTRUCTION, 2026, 56(5): 167-175. doi: 10.3724/j.gyjzG25111704
shu

面向传统建筑墙体材料性能的机器学习预测优化方法研究——以竹编泥墙为例

doi: 10.3724/j.gyjzG25111704

  • 1. 同济大学建筑与城市规划学院, 上海 200092;

  • 2. 天津城建大学国际工程学院, 天津 300384

基金项目: 

固废循环材料建筑3D打印建造技术、标准与综合示范（2023YFC3806905）。

详细信息
    作者简介:

    王乙茜,博士研究生,主要从事智能建造方向研究,wyxsscici@tongji.edu.cn。

    通讯作者:

    傅嘉言,博士后,主要从事智能建造方向研究,fujiayan@tongji.edu.cn。

    胡向磊,副教授,主要从事建筑工业化方向研究,tongjimail@126.com

Research on Machine Learning-Based Prediction and Optimization Methods for the Performance of Traditional Building Wall Materials: a Case Study of Bamboo-Woven Mud Walls

  • 1. College of Architecture and Urban Planning, Tongji University, Shanghai 200092, China;

  • 2. International School of Engineering, Tianjin Chengjian University, Tianjin 300384, China

    摘要
  • 摘要: 聚焦机器学习方法，对竹编泥墙的热湿性能进行预测与优化，挖掘竹编泥墙应对环境挑战的潜力。首先借助生成对抗网络（GANs）扩充试验数据，有效克服小样本数据集的局限；再利用反向传播（BP）神经网络对墙体性能开展预测分析。为提升预测性能，通过遗传算法（GA）对BP神经网络进行优化后，大幅提高预测精度，模型预测系数R2为0.77121，充分显示GA优化BP神经网络模型的预测性能优于原始模型。研究结果验证了机器学习在传统建筑材料再利用领域的可行性，为竹编泥墙的保护更新提供了数字化理论依据与技术支撑。
    Abstract: This study applied machine learning to predict and optimize the hygrothermal performance of bamboo-woven mud walls， highlighting their potential in addressing environmental challenges. Generative adversarial networks （GANs） were first used to augment limited experimental data， addressing small-sample constraints. A back propagation （BP） neural network was employed to analyze and predict the performance of the wall materials. After optimization via a genetic algorithm （GA）， the model’s R2 improved to 0.77， indicating significantly enhanced predictive performance. These findings confirm the feasibility of using machine learning in the reuse of traditional building materials and provide a digital theoretical basis and technical support for the preservation and renewal of bamboo-woven mud walls.
    • HTML全文
    • 参考文献(44)
  • [1] AGRAWAL A，CHOUDHARY A. Perspective：materials informatics and big data：realization of the“fourth paradigm” of science in materials science［J］. APL Materials，2016，4（5）：053208.
    [2] SHEN C，WANG C，WEI X，et al. Physical metallurgy-guided machine learning and artificial intelligent design of ultrahigh-strength stainless steel［J］. Acta Materialia，2019，179：201- 214.
    [3] CAI J Z，CHU X，XU K，et al. Machine learning-driven new material discovery［J］. Nanoscale Advances，2020，2：3115- 3130.
    [4] CHAN C H，SUN M，HUANG B. Application of machine learning for advanced material prediction and design［J］. EcoMat，2022，4：e12194.
    [5] YANG C，REN C，JIA Y F，et al. A machine learning-based alloy design system to facilitate the rational design of high entropy alloys with enhanced hardness［J］. Acta Materialia. 2022，222：117431.
    [6] TAO Q L，XU P C，LI M J，et al. Machine learning for perovskite materials design and discovery［J］. NPJ Computational Materials，2021，7：23.
    [7] LIU X J，XU P C，ZHAO J J，et al. Material machine learning for alloys:applications，challenges and perspectives［J］. Journal of Alloys and Compounds，2022，921：165984.
    [8] XU P C，CHEN H M，LI M J，et al. New opportunity：machine learning for polymer materials design and discovery［J］. Advanced Theory and Simulations，2022，5：2100565.
    [9] 康孟羽，朱月琴，陈晨，等. 基于多元非线性回归和BP神经网络的滑坡滑动距离预测模型研究［J］. 地质通报，2022，41（12）：2281- 2289.
    [10] 魏乐，李承霖，房方，等. 小样本下基于改进麻雀算法优化卷积神经网络的飞轮储能系统损耗［J］. 电网技术，2025，49（1）：366- 372.
    [11] 凌薇，杨遵挥，张芷薇，等. 基于BP神经网络和遗传算法的封闭式厨房污染物模拟与优化［J］. 建筑科学，2024，40（2）：111- 119.
    [12] 蔡安辉 刘永刚，孙国雄. 基于正交试验的BP神经网络预测研究［J］. 中国工程科学，2003（7）：67- 71.
    [13] ZHOU Y，DING F. A novel recursive multivariate nonlinear time-series modeling method by using the coupling identification concept［J］. Applied Mathematical Modelling，2024，127：571- 587.
    [14] MELO A P，VERSAGE R S，SAWAYA G，et al. A novel surrogate model to support building energy labelling system：a new approach to assess cooling energy demand in commercial buildings［J］. Energy and Buildings，2016，131：233- 247.
    [15] KELCHNER S A，GROUP B P. Higher level phylogenetic relationships within the bamboos（Poaceae：Bambusoideae）based on five plastid markers［J］. Molecular Phylogenetics and Evolution，2013，67（2）：404- 413.
    [16] JANIESCH C，ZSCHECH P，HEINRICH K. Machine learning and deep learning［J］. Electronic Markets，2021，31：685- 695.
    [17] BI Q F，GOODMAN K E，KAMINSKY J，et al. What is machine learning? a primer for the epidemiologist［J］. American Journal of Epidemiology，2019，188：2222- 2239.
    [18] WARIN T，STOJKOV A. Machine learning in finance：a metadata-based systematic review of the literature［J］. Journal of Risk and Financial Management，2021，14（7）：302.
    [19] AHMED S，ALSHATER M M，AMMARI A E，et al. Artificial intelligence and machine learning in finance：a bibliometric review［J］. Research in International Business and Finance，2022，61：101646.
    [20] MUELLER B，KINOSHITA T，PEEBLES A，et al. Artificial intelligence and machine learning in emergency medicine：a narrative review［J］. Acute Medicine & Surgery，2022，9：e740.
    [21] SABRY F，ELTARAS T，LABDA W，et al. Machine learning for healthcare wearable devices:the big picture［J］. Joural of Healthcare Engineering，2022，2022（1）：4653923.
    [22] OKOROAFOR E R，SMITH C M，OCHIEET K I，et al. Machine learning in subsurface geothermal energy：two decades in review［J］. Geothermics，2022，102：102401.
    [23] CIOFFI R，TRAVAGLIONI M，PISCITELLI G，et al. Artificial Intelli gence and machine learning applications in smart production：progress，trends，and directions［J］. Sustainability，2020，12：492.
    [24] CRAMPON K，GIORKALLOS A，DELDOSSI M，et al. Machine learning methods for ligand-protein molecular docking［J］. Drug Discovery Today，2022，27：151- 164.
    [25] JIANG Y R，LUO J，HUANG D，et al. Machine learning advances in microbiology：a review of methods and applications［J］. Frontiers in Microbiology，2022，13：925454.
    [26] SHAO Q M，ZHANG Z S. Berry-Esseen bounds for multivariate nonlinear statistics with applications to M-estimators and stochastic gradient descent algorithms［J］. Bernoulli，2022，28（3）：1548- 1576.
    [27] 李紫微，林波荣，陈洪钟. 建筑方案能耗快速预测方法研究综述［J］. 暖通空调，2018，48（5）：1- 8.
    [28] ZHANG Q，CHANG D，ZHAI X，et al. OCPMDM：online computation platform for materials data mining［J］. Chemometrics and Intelligent Laboratory Systems，2018，177：26- 34.
    [29] LI L，TAO Q L，XU P C，et al. Studies on the regularity of perovskite formation via machine learning［J］. Computational Materials Science，2021，199：110712.
    [30] YANG X，LI L，TAO Q L，et al. Rapid discovery of narrow bandgap oxide double perovskites using machine learning［J］. Computational Materials Science，2021，196：110528.
    [31] TAO Q L，CHANG D P，LU T，et al. Multiobjective stepwise design strategy-assisted design of high-performance perovskite oxide photocatalysts［J］. The Journal of Physical Chemistry C，2021，125：21141- 21150.
    [32] XU P C，JI X B，LI M J，et al. Small data machine learning in materials science［J］. NPJ Computational Materials，2023，9（1）：42.
    [33] WANG Y X，SHI Y，ZHOU B，Improvement of the Hygrothermal performance of mud-coated material used in traditional bamboo-woven mud walls［J］. International Journal of Architectural Heritage，2023，17：1630- 1647.
    [34] FENG H. Machine learning for composite material analysis and optimization［J］. Madison：The University of Wisconsin-Madison Press，2023.
    [35] 谢建新，宿彦京，薛德祯，等. 机器学习在材料研发中的应用［J］. 金属学报，2021，57（11）：1343- 1361.
    [36] WANG Y Q，YAO Q M，KWOK J T，et al. Generalizing from a few examples:a survey on few-shot learning［J］. ACM computing Surveys，2020，53（3）：1- 34.
    [37] LU J，GONG P，YE J，et al. A survey on machine learning from few samples［J］. Pattern Recognition，2023，139：109480.
    [38] LI D C，CHEN S C，LIN Y S，et al. A generative adversarial network structure for learning with small numerical data sets［J］. Applied Sciences，2021，11（22）：10823.
    [39] SANCHEZ-LENGELING B，ASPURU-GUZIK A. Inverse molecular design using machine learn-ing：generative models for matter engineering［J］. Science，2018，361：360- 365.
    [40] BASH D，CAI Y，CHELLAPPAN V，et al. Multi‐fidelity high‐throughput optimization of electrical conductivity in P3HT‐CNT composites［J］. Advanced Functional Materials，2021，31（36）：2102606.
    [41] 中华人民共和国建设部. 民用建筑热工设计规范：GB/T 50176—1993［S］. 北京：中国计划出版社，1993.
    [42] 中华人民共和国住房和城乡建设部. 公共建筑节能设计标准：GB 50189—2015［S］. 北京：中国建筑工业出版社，2015.
    [43] 中国建筑科学研究院. 夏热冬冷地区居住建筑节能设计标准［J］. 上海建材，2001（5）：8- 10.
    [44] 中华人民共和国建设部. 夏热冬暖地区居住建筑节能设计标准：JGJ 75—2003［S］. 北京：中国建筑工业出版社，2003.
    • 相关文章
    • 施引文献
  • 资源附件(0)
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  6
  • HTML全文浏览量:  1
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 收稿日期:  2025-11-17
  • 网络出版日期:  2026-06-06

目录

    /

    返回文章
    返回

    期刊在线

    作者中心

    友情链接

    版权所有 ©《工业建筑》杂志社有限公司 京ICP备11033253号-1

    本系统由北京仁和汇智信息技术有限公司 设计开发   百度统计