论文部分内容阅读
摘 要:梳理科学技术发展与工程实践需求交织作用下,计算应用于建筑设计的历史演化,提出建筑计算性设计并解析了建筑计算性设计思维和流程特征;面向人工智能时代背景,从信息集成、映射建模和决策支持3方面剖析了人工智能技术在建筑计算性设计中的应用。
关键词:建筑计算性设计;人工智能;信息集成;映射建模;决策支持
一、建筑计算性设计思维、流程与技术特征
1.1 建筑计算性设计思维的系统化与动态化特征
建筑计算性设计在发展演化中受到科学思想推动,融合了系统科学、复杂性科学思想,形成了系统化的思维体系。基于系统科学与复杂性科学思想,建筑计算性设计思维将人居环境系统解析为建筑子系统和环境子系统,温度、湿度、天空亮度、日照辐射变化等环境子系统扰动会改变人居环境系统平衡状态,并通过两组子系统之间的能量、物质交互逐步回归于平衡状态。因此,建筑计算性设计思维具有鲜明的系统化和动态化特征,其系统化特征推动了建筑设计过程从建筑单系统主导向建筑环境双系统协同转型,其动态化特征促发了建筑设计决策过程由自上而下主观决策转变为自下而上自组织与性能导向自适应相协同的建筑环境双系统动态耦合过程。
1.2 建筑计算性设计流程的自组织与自适应特征
建筑计算性设计关注“过程”而非“结果”,其基于计算机程序展开生成设计实现自组织生成,在建筑性能导向下进行设计参量数值优化,实现自适应优化。“自下而上”的自组织生成与“性能导向”的自适应优化是建筑计算性设计在流程层面的特征。“自下而上”的自组织生成是建筑设计元素按设计规则自发形成建筑设计方案的过程,“性能导向”的自适应优化是基于自组织生成方案,在建筑性能目标导向下展开建筑设计参量数值自适应调整,逐步优化建筑多性能目标的过程。基于自组织与自适应流程特征,建筑计算性设计将建筑设计决策制定主体由建筑师转为人工智能体,有效发挥了计算机大规模数据运算能力。人工智能在卷积神经网络(ConvolutionalNeuralNetwork,CNN)、生成對抗网络(GenerativeAdversarialNets,GAN)方面的发展,加强了建筑师的海量数据解析能力。
1.3 建筑计算性设计支撑技术的信息化与智能化特征
建筑是人居环境系统的子系统,其自组织与自适应演化受建筑性能诉求推动与人居环境系统约束。建筑计算性设计需集成、分析人居环境系统大数据,并自动化、程式化地展开方案生成与性能优化。在建筑计算性设计思维与流程特征的双重要求下,建筑环境系统信息集成、建筑性能映射建模和性能导向决策支持是建筑计算性设计的关键技术问题。人工智能作为建筑计算性设计的支持技术,其在大数据分析、图像识别、深度学习方面的技术发展将突破建筑计算性设计支撑技术在建筑环境系统信息集成方面的大规模数据建模瓶颈,提高建筑计算性设计支撑技术信息化水平。
二、建筑计算性设计中人工智能技术应用
2.1 人工智能语境下的建筑环境信息集成
建筑环境系统信息集成是基于人居环境系统中建筑与环境交互作用机理,结合建筑子系统形态空间构建逻辑,建立建筑环境信息参数化关联关系的过程。其将建筑和环境子系统信息转译为可计算数据,使之成为设计参量与边界条件,为工程实践问题的计算性求解奠定了数据基础;同时,所建立的关联关系可保证建筑计算性设计过程中建筑与环境子系统信息的协同演化。可见,建筑环境系统信息集成是建筑计算性设计展开的科学基础与先决条件。人工智能在云计算、三维重建领域的发展引发了建筑环境信息集成的新探索,涌现出动态建筑环境信息建模、建筑信息云管理和低空摄影测量建模等方面的研究成果,其中动态建筑环境信息和基于低空摄影测量的建筑环境信息集成技术日渐受到学界关注。动态建筑环境信息建模技术是“动态建筑信息建模”技术的新发展,其通过云计算与参数化编程,可实现建筑、环境与性能多层级信息的参数化关联,达成建筑建模、气候数据分析和建筑性能仿真多工具平台的数据协同交互。
2.2 人工智能语境下的建筑性能映射建模射关系具有非线性特征建模难度较高
面对建筑计算性设计的大数据量、高效率处理需求,基于物理建模的建筑性能与设计参量映射建模技术局限日趋突显,难以满足建筑计算性设计对海量数据的分析处理需求。人工智能在机器学习领域的发展推动了建筑性能映射建模研究发展,衍生出基于数据驱动的建筑性能映射建模技术研究热点,其将针对建筑能耗预测等非线性映射建模过程由物理模型仿真转译为数学关系解析,可显著提高映射建模精度与效率。数据驱动映射建模技术一般包括映射模型结构设计、映射模型训练数据集建构、映射模型训练与测试3方面内容,可应用人工神经网络(ArtificualNeuralNetwork,ANN)、支持向量机(SupportVectorMachine,SVM)等机器学习工具建构建筑设计参量与采暖制冷能耗、照明能耗、自然采光性能、碳排放性能之间的映射关系模型。
2.3 人工智能语境下的性能导向决策支持
性能导向决策支持是基于建筑性能优化设计目标,通过数据、模型和策略反馈,支撑设计者完成设计决策制定的过程。数据挖掘、联机分析处理、优化搜索等均属于决策支持技术。建筑计算性设计的自组织与自适应流程特征要求决策支持过程需权衡建筑多性能目标要求。近年来,多目标进化搜索和深度学习建模等人工智能技术逐步应用于建筑计算性设计的性能导向决策支持研究中,衍生出多目标优化决策支持和深度学习决策支持两方面研究热点。多目标优化决策支持研究基于HypE、NSGA-II、SPEA2等优化算法,展开建筑多性能目标导向下的建筑计算性设计方案迭代生成与优化,能以建筑能耗、天然采光、热舒适、造价等性能为优化设计目标,展开性能导向下的建筑形态、空间、构造等设计决策支持。多目标优化决策支持不仅可显著扩展建筑师对设计可能性的探索范围,还能有效权衡建筑制冷与照明能耗,实现负相关性能目标的“双赢”。
结束语
工程实践需求与科学进步共同催生了建筑计算性设计,并在人工智能语境下呈现出蓬勃的生命力,成为解决当代复杂工程设计问题的重要建筑设计思想和方法。相比既有设计方法,建筑计算性设计深度融合了建筑学、计算机科学、系统科学和环境科学等多学科知识体系,将前沿计算工具与算法引入了建筑设计过程,有助于提升建筑设计信息化水平。
参考文献
[1]李诫.中国建筑设计研究院建筑历史研究所,编.北京:中国建筑工业出版社,2011.
[2]福斯特·布瑞恩,莫拉尔特·马里克.欧洲张力薄膜结构设计指南.杨庆山,姜忆南,译.北京:机械工业出版社,2010.
关键词:建筑计算性设计;人工智能;信息集成;映射建模;决策支持
一、建筑计算性设计思维、流程与技术特征
1.1 建筑计算性设计思维的系统化与动态化特征
建筑计算性设计在发展演化中受到科学思想推动,融合了系统科学、复杂性科学思想,形成了系统化的思维体系。基于系统科学与复杂性科学思想,建筑计算性设计思维将人居环境系统解析为建筑子系统和环境子系统,温度、湿度、天空亮度、日照辐射变化等环境子系统扰动会改变人居环境系统平衡状态,并通过两组子系统之间的能量、物质交互逐步回归于平衡状态。因此,建筑计算性设计思维具有鲜明的系统化和动态化特征,其系统化特征推动了建筑设计过程从建筑单系统主导向建筑环境双系统协同转型,其动态化特征促发了建筑设计决策过程由自上而下主观决策转变为自下而上自组织与性能导向自适应相协同的建筑环境双系统动态耦合过程。
1.2 建筑计算性设计流程的自组织与自适应特征
建筑计算性设计关注“过程”而非“结果”,其基于计算机程序展开生成设计实现自组织生成,在建筑性能导向下进行设计参量数值优化,实现自适应优化。“自下而上”的自组织生成与“性能导向”的自适应优化是建筑计算性设计在流程层面的特征。“自下而上”的自组织生成是建筑设计元素按设计规则自发形成建筑设计方案的过程,“性能导向”的自适应优化是基于自组织生成方案,在建筑性能目标导向下展开建筑设计参量数值自适应调整,逐步优化建筑多性能目标的过程。基于自组织与自适应流程特征,建筑计算性设计将建筑设计决策制定主体由建筑师转为人工智能体,有效发挥了计算机大规模数据运算能力。人工智能在卷积神经网络(ConvolutionalNeuralNetwork,CNN)、生成對抗网络(GenerativeAdversarialNets,GAN)方面的发展,加强了建筑师的海量数据解析能力。
1.3 建筑计算性设计支撑技术的信息化与智能化特征
建筑是人居环境系统的子系统,其自组织与自适应演化受建筑性能诉求推动与人居环境系统约束。建筑计算性设计需集成、分析人居环境系统大数据,并自动化、程式化地展开方案生成与性能优化。在建筑计算性设计思维与流程特征的双重要求下,建筑环境系统信息集成、建筑性能映射建模和性能导向决策支持是建筑计算性设计的关键技术问题。人工智能作为建筑计算性设计的支持技术,其在大数据分析、图像识别、深度学习方面的技术发展将突破建筑计算性设计支撑技术在建筑环境系统信息集成方面的大规模数据建模瓶颈,提高建筑计算性设计支撑技术信息化水平。
二、建筑计算性设计中人工智能技术应用
2.1 人工智能语境下的建筑环境信息集成
建筑环境系统信息集成是基于人居环境系统中建筑与环境交互作用机理,结合建筑子系统形态空间构建逻辑,建立建筑环境信息参数化关联关系的过程。其将建筑和环境子系统信息转译为可计算数据,使之成为设计参量与边界条件,为工程实践问题的计算性求解奠定了数据基础;同时,所建立的关联关系可保证建筑计算性设计过程中建筑与环境子系统信息的协同演化。可见,建筑环境系统信息集成是建筑计算性设计展开的科学基础与先决条件。人工智能在云计算、三维重建领域的发展引发了建筑环境信息集成的新探索,涌现出动态建筑环境信息建模、建筑信息云管理和低空摄影测量建模等方面的研究成果,其中动态建筑环境信息和基于低空摄影测量的建筑环境信息集成技术日渐受到学界关注。动态建筑环境信息建模技术是“动态建筑信息建模”技术的新发展,其通过云计算与参数化编程,可实现建筑、环境与性能多层级信息的参数化关联,达成建筑建模、气候数据分析和建筑性能仿真多工具平台的数据协同交互。
2.2 人工智能语境下的建筑性能映射建模射关系具有非线性特征建模难度较高
面对建筑计算性设计的大数据量、高效率处理需求,基于物理建模的建筑性能与设计参量映射建模技术局限日趋突显,难以满足建筑计算性设计对海量数据的分析处理需求。人工智能在机器学习领域的发展推动了建筑性能映射建模研究发展,衍生出基于数据驱动的建筑性能映射建模技术研究热点,其将针对建筑能耗预测等非线性映射建模过程由物理模型仿真转译为数学关系解析,可显著提高映射建模精度与效率。数据驱动映射建模技术一般包括映射模型结构设计、映射模型训练数据集建构、映射模型训练与测试3方面内容,可应用人工神经网络(ArtificualNeuralNetwork,ANN)、支持向量机(SupportVectorMachine,SVM)等机器学习工具建构建筑设计参量与采暖制冷能耗、照明能耗、自然采光性能、碳排放性能之间的映射关系模型。
2.3 人工智能语境下的性能导向决策支持
性能导向决策支持是基于建筑性能优化设计目标,通过数据、模型和策略反馈,支撑设计者完成设计决策制定的过程。数据挖掘、联机分析处理、优化搜索等均属于决策支持技术。建筑计算性设计的自组织与自适应流程特征要求决策支持过程需权衡建筑多性能目标要求。近年来,多目标进化搜索和深度学习建模等人工智能技术逐步应用于建筑计算性设计的性能导向决策支持研究中,衍生出多目标优化决策支持和深度学习决策支持两方面研究热点。多目标优化决策支持研究基于HypE、NSGA-II、SPEA2等优化算法,展开建筑多性能目标导向下的建筑计算性设计方案迭代生成与优化,能以建筑能耗、天然采光、热舒适、造价等性能为优化设计目标,展开性能导向下的建筑形态、空间、构造等设计决策支持。多目标优化决策支持不仅可显著扩展建筑师对设计可能性的探索范围,还能有效权衡建筑制冷与照明能耗,实现负相关性能目标的“双赢”。
结束语
工程实践需求与科学进步共同催生了建筑计算性设计,并在人工智能语境下呈现出蓬勃的生命力,成为解决当代复杂工程设计问题的重要建筑设计思想和方法。相比既有设计方法,建筑计算性设计深度融合了建筑学、计算机科学、系统科学和环境科学等多学科知识体系,将前沿计算工具与算法引入了建筑设计过程,有助于提升建筑设计信息化水平。
参考文献
[1]李诫.中国建筑设计研究院建筑历史研究所,编.北京:中国建筑工业出版社,2011.
[2]福斯特·布瑞恩,莫拉尔特·马里克.欧洲张力薄膜结构设计指南.杨庆山,姜忆南,译.北京:机械工业出版社,2010.