这篇文档属于类型a，即报告了一项原创研究。以下是针对该研究的学术报告：

研究作者及机构
本研究的作者为Gang Jiang和Jianli Chen，分别来自美国犹他大学（The University of Utah）的土木与环境工程系和中国同济大学（Tongji University）的土木工程学院。研究于2025年发表在期刊《Automation in Construction》上。

学术背景
建筑能源建模（Building Energy Modeling, BEM）是提高建筑能效、支持需求响应、实现脱碳目标以及制定相关政策的重要工具。然而，传统的BEM过程耗时且复杂，需要工程师输入大量信息，包括几何形状、建筑材料、热区、使用模式等，特别是在复杂的建模场景中，建模工作量显著增加。尽管已有一些工具和平台（如EnergyPlus、OpenStudio等）简化了建模过程，但这些工具仍需要较高的技术门槛和专业知识，限制了BEM在实践中的广泛应用。

近年来，大型语言模型（Large Language Models, LLMs）在建筑和城市领域的应用逐渐增多，显示出在自动化建筑能源建模（Automated Building Energy Modeling, ABEM）中的潜力。然而，LLMs在处理复杂建筑建模任务时面临数据依赖性和计算资源需求高的挑战。本研究旨在通过高效的微调方法，定制LLMs以支持复杂场景下的ABEM，并开发了一个名为EPlus-LLMv2的平台，以自动化生成复杂的建筑能源模型。

研究目标
本研究的主要目标是开发一种高效的微调方法，利用LLMs实现复杂建筑能源建模的自动化，减少建模工作量，并提高建模的准确性和可访问性。

研究流程
1. 数据集准备
研究首先通过拉丁超立方采样（Latin Hypercube Sampling, LHS）生成了包含多种建筑建模场景的综合数据集，共490,000个样本。数据集涵盖了不同几何形状、热区、材料、时间表、操作设置等建筑参数。每个样本包括建筑参数的自然语言描述（Prompt）和对应的EnergyPlus IDF文件（Parameter-IDF pairs）。这一步骤确保了LLM能够从自然语言描述中准确生成建筑能源模型。

1. 参数高效微调
   研究采用了三种技术来优化LLM的微调过程：

   • 低秩适配器（Low-Rank Adaptation, LoRA）：通过将权重矩阵分解为低秩矩阵，减少可训练参数的数量，从而在保持模型性能的同时降低计算资源需求。
     
   • 模型量化（Model Quantization）：将模型从高精度浮点数（如FP32）转换为低精度整数（如INT8），减少模型大小并加速推理过程。
     
   • 混合精度训练（Mixed-Precision Training）：结合FP16和FP32进行训练，以加速计算并减少内存占用。
     这些技术显著降低了大规模LLM微调的计算负担，同时保持了模型的高性能。

2. 自动生成建筑能源模型
   基于微调后的LLM，研究开发了EPlus-LLMv2平台，能够根据用户的自然语言描述自动生成复杂的建筑能源模型。平台支持多种建筑几何形状、屋顶类型、热区、窗户设计、材料属性、负载配置等，并提供了交互式的人机界面，方便用户进行建模和结果可视化。

3. 验证与分析
   研究通过对402个建模案例的验证，评估了EPlus-LLMv2的准确性、鲁棒性和时间效率。验证结果表明，平台在所有测试案例中均实现了100%的建模准确性，且建模工作量减少了98%以上。此外，平台在处理包含拼写错误和语法不一致的输入时表现出良好的鲁棒性。

主要结果
1. 数据集与微调效果
通过综合数据集和参数高效微调技术，LLM能够准确理解并生成复杂的建筑能源模型。LoRA、模型量化和混合精度训练的结合显著降低了计算资源需求，同时保持了模型的高性能。

1. 平台性能
   EPlus-LLMv2平台能够自动生成多种复杂建筑场景的能源模型，包括多热区、不同屋顶类型、窗户设计、材料属性等。平台还提供了交互式界面，用户可以通过自然语言描述快速生成模型，并查看或下载建模结果。

2. 验证结果
   验证实验表明，平台在所有测试案例中均实现了100%的建模准确性，且在处理噪声输入时表现出良好的鲁棒性。与传统建模工具（如EnergyPlus和OpenStudio）相比，EPlus-LLMv2显著减少了建模时间，单区建筑建模时间从3小时减少到3分钟，多区建筑建模时间从8小时减少到3.3分钟。

结论
本研究通过高效的微调方法，成功地将LLMs应用于复杂建筑能源建模的自动化，显著减少了建模工作量并提高了建模的准确性和可访问性。EPlus-LLMv2平台为建筑能源建模领域提供了一种新的工具，能够支持更广泛的实践应用，特别是在建筑设计和性能评估的早期阶段。

研究亮点
1. 高效的微调方法：结合LoRA、模型量化和混合精度训练，显著降低了大规模LLM微调的计算资源需求。
2. 自动化建模平台：EPlus-LLMv2平台能够根据自然语言描述自动生成复杂的建筑能源模型，提供了交互式的人机界面，极大地提高了建模的效率和可访问性。
3. 高准确性和鲁棒性：平台在所有测试案例中均实现了100%的建模准确性，且在处理噪声输入时表现出良好的鲁棒性。
4. 显著的时间节省：与传统建模工具相比，平台将建模时间减少了98%以上，显著提高了建模效率。

其他有价值的内容
研究还探讨了未来研究方向，包括将LLMs应用于更复杂的建筑建模场景（如HVAC系统建模）、结合提示工程（Prompt Engineering）和检索增强生成（Retrieval-Augmented Generation, RAG）等技术，进一步提升ABEM的智能化和可扩展性。

这篇报告详细介绍了研究的背景、方法、结果和意义，为其他研究者提供了全面的参考。