Py学习  »  Git

人工智能 vs 建筑生形 | DigitalFUTURES 2019

FabUnion • 6 年前 • 1061 次点击  

G7/2

人工智能与建筑找形

导师:Hao ZHENG 郑豪

助教:Youyuan LUO 罗又源

学员:Weng CHAO 翁超 | Jiageng CHEN 陈嘉耕 | Xinxing CHEN 陈鑫星 | Yifan HUANG 黄一凡 | Xiaobai JI 季啸白 | Jiewei LI 李劼威 | Shiqi LIANG 梁世奇 | Zhiming NIU 牛志明 | Yue REN 任越 | Feng SHI 石峰 | Xinyu XIA 夏心雨 | Hanyong XU 许涵泳 | Hainan YAN 燕海南 | Donglai YANG 杨东来 | Li YANG 杨立 | Qi YANG 杨骐 | Yibo ZHONG 钟一博 | Zilin ZHOU 周子琳 | Shilong ZHU 朱世龙

以“Architectural Intelligence 建筑智能”为主题的DigitalFUTURES Shanghai 2019上海数字未来暑期工作营已圆满结束。其中,来自宾夕法尼亚大学的郑豪老师以机器学习与建筑找形”为题,集结了伦敦大学学院、哥伦比亚大学、南加州建筑学院、清华大学、哈尔滨工业大学、同济大学等海内外高校19位学员,共同迈入人工智能视角下建筑设计新维度的大门。

教学背景

Background

建筑设计被认为是一种离散(Discrete)的过程,设计中的各种度量形成描述建筑的一种状态(State),而建筑师运用不同的设计手法(Rule)来推进设计过程,使得设计从一个状态跃迁到另一个状态。


随着计算机的发展,对建筑设计的离散性的认识真正发挥了实践上的优势。图灵(Alan Turing) 在 1950 年发表的文章《计算机器与智能》中描述到,“对于一台理想的离散状态机(Discrete-state machine),只要给出初始状态和输入信号,所有的未来状态都是可以预测的。”这就意味着,建筑设计中的离散性使得设计过程本身支持被离散状态机(计算机)所模拟,初始状态即为设计开始时的现有度量(比如场地边界),输入信号即为建筑师的设计手法(比如红线退界)。只要给定足够清晰的初始度量和将要使用到的所有设计手法,建筑设计就能在计算机上被快速实现。而这一技术也带来了现今参数化设计(Parametric design)的繁荣。


在高速智能化的今天,尤其随着人工智能(Artificial Intelligence)的飞速发展,计算机已然不再仅仅是一个运算工具。它所扮演的角色正在发生巨大的变化,从辅助者到决策者,从服从命令到提出建议。那么在当前的环境下,我们能否设想,让计算机和人类一样,产生自己的设计思维呢?以人工智能建筑找形(Form Finding via Machine Learning)为题,探讨计算机决策式设计(Computer-Decided Design)在建筑智能(Architectural Intelligence)大背景下的应用,是本次工作营所探讨的核心问题。

基于机器学习的平面生成

基于机器学习的形体生成

工作营课程

Tutorial

工作营小组在郑豪老师的指导下对主流的人工智能模型做了概述性的梳理和介绍,并在此基础上结合已建成建筑的数据收集,并基于人工神经网络(ANN)训练一个“找形机器”,生成多特征结合的建筑设计方案。主要课程在工作营前四天完成,包括了从机器学习算法到建筑设计应用的各阶段:


▶ 建筑学与人工智能算法

▶ 建筑特征工程

▶ 用于3D找形的机器学习模型

建筑学与人工智能算法

前期教学中,工作营导师郑豪首先简要介绍了四种主要用于建筑设计的监督神经网络:卷积神经网络(CNN)映射图像到向量,生成对抗网络(GAN)映射图像到图像,人工神经网络(ANN)映射向量到向量,循环神经网络(RNN)将有序向量映射到向量,以及用于聚类的无监督机器学习算法。其中,郑豪老师讲解了自己已有的基于生成对抗网络(GAN)的建筑二维图像识别与生成的研究成果,并进一步展示了基于机器学习的建筑三维生形的技术路线。

基于ANN的建筑三维生形

算法介绍与教学

建筑特征工程

神经网络模型的训练需要大量的数据。学员在导师郑豪的指导下学习了如何处理简化建筑模型,并利用Rhino-Grasshopper平台将三维建筑形体转化化一系列控制点,使之可以被用于机器学习。

建筑三维形体特征工程图解

用于3D找形的机器学习模型

最后,学员学习了工作营使用的人工神经网络模型。该模型以建筑场地信息、建筑师风格作为输入数据,以代表建筑形体的控制点坐标作为输出数据,构建了32个输入层神经元、200个隐藏层神经元和140个输出层神经元组成的神经网络,并使用Sigmoid激活函数。

算法答疑

工作营机器学习算法

工作流程

Workflow

工作营期间,进行机器学习模型训练和实践找形的工作流程与技术路线按如下展开:


▶ 数据采集;

▶ 神经网络训练及调参;

▶ 神经网络模型应用。

Tips:图片较长,请横屏观看。

工作流程示意

数据采集

工作营前三天,学员们根据各自的偏好分组收集不同建筑师的建成作品模型,并基于Rhino-Grasshooper平台进行数据处理,最终获取了7位建筑师/事务所184个作品的数据。

数据采集与处理流程

建筑数据采集汇总

神经网络训练及调参

学员们将收集的184组建筑、1472个实例的原始数据输入神经网络模型进行训练。由于神经网络已经过简化,所有学员们均可使用自己的电脑进行尝试,并分别调整神经网络的参数,得到了多样化的成果。

神经网络数据结构

根据设定条件输出结果

神经网络模型应用

学员基于训练完成的机器学习模型尝试实现不同场地条件、不同建筑师风格的设计生形。其中,不同建筑师的风格可以按一定比例进行结合,生成具有创造性的方案。同时,学员还利用模型快速生成了不同肌理的城市街区,验证了人工智能用于更大尺度设计的可能性。

生形成果

不同建筑师风格的混合

生成不同城市空间肌理

展览成果

Presentation

在一套完整的工作流程控制下,第七组/方向二学员们短短一周内完成了包括建筑数据采集到机器学习模型训练在内的教学目标任务。第七组/方向二的最终展示视频、图板以及3D打印模型已在同济大学建筑城规学院C楼负一层展厅展出。欢迎大家前去参观。

3D打印模型

展示视频


欢迎大家来参观

DigitalFUTURES 2019工作营成果展!

DigitalFUTURES Shanghai 2019


主办单位

同济大学建筑与城市规划学院

上海数字建造工程技术中心


协办单位

中国建筑学会计算性设计学术委员会

中国建筑学会数字建造学术委员会

全国高等院校建筑学学科专业指导委员会建筑数字技术教学工作委员会

同济大学本科生院


赞助单位

同济大学建筑设计研究院(集团)有限公司

编辑 | 罗又源

FAB-UNION is the most advanced digital design and fabrication platform in China. We unite with scholars, architects and institutions across the world to report digital design and fabrication news, recommend excellent digital programming and fabrication works, and promote the development of digital fabrication technology.



Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/36175
 
1061 次点击