AI-Enhanced Urban Building Energy Modeling for Health-Driven Decarbonization in Vulnerable Communities

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Researchers can leverage the framework for integrating health metrics into building energy modeling and explore transferability to other climates and building stocks.

🏢実務担当者:Sustainability teams can use the method to prioritize retrofit investments that maximize energy savings and health benefits in underserved communities.

🏛政策担当者:Policymakers can adopt the approach to design targeted retrofit programs that address both decarbonization and environmental justice.

既存の住宅建築物の改修は、公衆衛生の格差、特に環境的・社会経済的ストレス要因の影響を不均衡に受けるコミュニティに対処しながら、都市の脱炭素化を達成するための重要な戦略である。本研究は、物理ベースのシミュレーションと機械学習を統合し、住宅建築ストック全体にわたる健康重視の改修戦略を評価・優先順位付けする、スケーラブルな都市建築エネルギー modeling フレームワークを提示する。代表的な建築 archetype と改修シナリオのパラメトリックシミュレーションを通じて合成データセットを生成し、外皮性能、HVAC システム、浸入率、換気戦略の変動を捉えた。機械学習モデルは、建築エネルギー性能の surrogate 予測子として訓練され、改修影響の迅速な評価を可能にした。決定木、ランダム決定森林、勾配ブースティングマシン、サポートベクターマシン、k 近傍法、人工ニューラルネットワークを含む一連のアルゴリズムが評価された。多層パーセプトロンとして実装された人工ニューラルネットワークは、その優れた予測性能（R2 = 0.94）と、改修変数間の複雑な非線形関係を捉える能力により、さらなる分析のために選択された。最終モデルは、安定した収束と汎化性能の向上のために Port 最適化アルゴリズムを使用した。本フレームワークは、不均衡な環境・健康負荷を経験しているコミュニティであるシアトルの Duwamish Valley に適用され、多様な気候・環境コンテキストにわたって同等の住宅建築ストックを有する他の都市にも一般化・転用可能である。結果は、エネルギー効率、室内環境品質、居住者の健康に対する co-benefits をもたらす改修の優先事項—特に浸入低減、HVAC アップグレード、外皮性能の向上—を浮き彫りにする。結果は、機械学習により強化された物理ベースの UBEM が、シミュレーションベースのアプローチの解釈可能性を維持しながら、改修評価を大幅に加速できることを実証している。提案されたフレームワークは、公平な都市の脱炭素化を支援する健康に基づく改修経路を特定するためのスケーラブルなアプローチを提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Retrofitting existing residential buildings is a critical strategy for achieving urban decarbonization while addressing public health disparities, particularly in communities disproportionately affected by environmental and socioeconomic stressors. This study presents a scalable urban building energy modeling framework that integrates physics-based simulations with machine learning to evaluate and prioritize health-driven retrofit strategies across residential building stocks. Synthetic datasets were generated through parametric simulations of representative building archetypes and retrofit scenarios, capturing variations in envelope performance, HVAC systems, infiltration rates, and ventilation strategies. Machine learning models were trained as surrogate predictors of building energy performance, enabling the rapid evaluation of retrofit impacts. A range of algorithms—including decision trees, random decision forests, gradient-boosting machines, support vector machines, k-nearest neighbors, and artificial neural networks—were evaluated. An artificial neural network implemented as a multilayer perceptron was selected for further analysis due to its strong predictive performance (R2 = 0.94) and ability to capture complex nonlinear relationships among retrofit variables. The final model used the Port optimization algorithm for stable convergence and improved generalization. The framework is applied to Seattle’s Duwamish Valley, a community experiencing disproportionate environmental and health burdens, and is generalizable and transferable to other cities with comparable residential building stocks across a range of climatic and environmental contexts. The results highlight retrofit priorities—particularly infiltration reduction, HVAC upgrades, and improved envelope performance—that deliver co-benefits for energy efficiency, indoor environmental quality, and occupant health. The results demonstrate that machine learning-enhanced physics-based UBEM can significantly accelerate retrofit evaluation while preserving the interpretability of simulation-based approaches. The proposed framework provides a scalable approach for identifying health-informed retrofit pathways that support equitable urban decarbonization.

• crossref https://doi.org/10.3390/architecture6020084first seen 2026-06-04 05:31:19 · last seen 2026-06-13 04:46:49