Ai輔助建築2零基礎學會利用AI設計和優化綠色建築性能!(系統學習)
環保低碳創新
6粉絲
85 次觀看·2024年10月2日
剩下兩個部分
首先就是上半場會主要講一下關於
這個數字建築或者說具體來說
具體學習跟綠建設計相結合的這個研究領域
它有哪些這個研究前沿進行的概述
然後會講解一下咱們這邊講師比較熟悉的
或者比較主流的這個科研工作流
以及相關的論文解讀
下半場我們會具體講解
怎麼樣去撰寫一份研究計劃書
有哪些注意事項
以及就是結合著我自己之前寫過的
一份研究計劃書進行一個案例的解讀
至於這研究計劃書
事實上在我們年前春節前Part A部分的課程
就是建築科研閱讀與寫作的那個部分
裡面其實有一堂課是涉及到研究計劃書的一個內容
當時沒有說系統的非常展開的來講
我們這邊的話就是銜接一下
再去講解一下這個研究計劃書的一個撰寫指引
以及相關的案例
在第一部分
我們來看一下關於數字建築前沿研究概述
以及相關的科研工作流和論文的解讀部分
就我們所從事的相關研究
或者說我們所瞭解到的一些方面
當前我們認為比較主流的
或者說比較能夠為初學者所能夠快速進入的
把握一個整體的一個框架的研究領域
大概有這麼三個方面
分別是性能模擬優化與決策方面
以及就是數據驅動建築
或者說驅動城市來生存設計這個方面
再以及就是現在比較實行的人工智能
或者說機器學習
生動學習
他們來輔助性能評估
來輔助數字建築設計這方面的一個研究
當然除了這三個領域之外
也有一些其他現在比較實行的是吧
比如說涉及到VR技術
涉及到這個元宇宙
甚至現在比較火的這個多模態是吧
甚至像這個Chad TPT是吧
前陣子比較流行的這個
就給他一段話
他能夠跟你對話的這樣一個
一個算法模型
類似一個機器人一樣的一個一個技術
總之呢
這方面的內容或者說新興的技術
它一直是發展比較快速的
但是呢
我們在這個課程裡面呢
我們是希望能夠通過這三個方面建立一個基本的認知
讓大家知道主流的研究內容
主流的研究團隊
他們的研究的題目大概有哪些
我們來一一做一個介紹
也方便大家就是能夠把握到一個主體的框架
那第一部分的是性能模擬優化與決策
這部分呢
事實上我們很多人接觸到這一塊
可能最初是通過學那個Grasshopper裡面的一些插件來做的
是吧
就比如說假設你有了這個Runner跟Grasshopper基礎
那麼可能會接觸到
比如說性能模擬這一塊
Ladybug Tooth
或者是ID3D做風化鏡模擬的
是吧
等等這些
Ladybug做這個風光熱模擬這一塊
通過性能模擬得到一些性能模擬的結果
之後的可能用這個一乘三法
或者說其他一些變種
像鳥羣算法呀
等等這些吧
就是一些啟發式算法來進行一個優化
最後的輔助我們的設計決策
是吧
也就是所謂的從這個大規模的模擬結果中
提煉出若干個最優解級
支持數據驅動的這樣一個決策制定
可以說這塊研究
它現在來講是已經是比較成熟的
也是比較經典的一個研究的思路
無論是從性能模擬的方面
比如說你是在模擬通風
海光
能耗
舒適
甚至是現在比較流行的碳排放
這塊的一個數值都是OK的是吧
通過模擬的結果
我們再通過異常優化的手段
得到相應的優化解
對這塊可能大概十年前
甚至更早就已經開始流行這塊的研究
當然目前的這塊研究的
我感覺它很難再做出很大的新意
如果說你想發一些比較傳統的領域是OK的
但是如果想做出新意的
可能下面兩個領域可能更為適合一點
輔助設計的第二塊是數據驅動的
這樣一個建築與城市生成設計
這塊它其實也是聚焦在這樣一個建築設計
或者城市設計比較早期的一個設計階段是吧
我們通過一些數據的生成
甚至說通過一些自動的體塊的生成
這樣一些技術去看一下建築體塊也好
或者城市街區體塊也好
他們怎麼樣去快速的生成一些基本的形體
來輔助設計師進行一個下一步的一個操作
這邊還有一個難點或者一個重點
就是在於如何通過30化的技術
或者現在來講如何通過這樣的積極學習的技術
去構建建築或者城市的數字模型
然後來定義這樣一個生存設計的方法
這塊它其實也是用到的方法
可能結合了像30化的手段
或者說結合了人工智能
積極學習這些手段去做一個生存設計
第三塊就是現在可能用的要多的
這個人工智能技術來輔助性能的評估
這塊它其實可能對於上面這個來說
做性能模擬來說
它是又進一步拓展了一下
這個拓展就是說它可研究的領域
不僅在於綠色電路這一塊
可能也可以拓展到
比如說從計算機積極力學
到太陽和射
到空間可達性
到城市交通評測
以及空氣污染模擬等等方面
因為就是說這塊它的一個主要思路在於說
你只要有數據
這個數據的可以是一些數值性數據
也可以是一些圖片的數據
甚至視頻都是OK的是吧
但現在比較流行的這個
比如說街景大數據
或是大數據分析
很多時候都是一些圖像數據
這塊的它仍然可以通過
我們的人工智能技術
來進行一個輔助的性能評估
這個時候的人工智能技術
它可以提供實施有效的一個性能的評估結果
總而言之就是這三塊
他們其實很多時候都是涉及到一些數據的處理
無論是說在數據的模擬也好
數據的採樣
數據的優化
和數據的通過人工智能來進行預測等等這些也好
是吧
它的本質很多時候都是說
要放到數據這個階段
可能大家如果對這塊有興趣的
更多時候需要考慮的有幾個方面
第一個就是你的數據是怎麼獲取
第二個就是你的數據該如何分析
第三個就是你的數據分析的結果
它到底有什麼實際的意義
它是直接反饋到你的研究目標
或者說你的研究價值方面
換句話說
大家如果這樣有一個基本的一個認知的
我們再往下進行一個細看
結合著案例解讀來進行一個講解
首先第一個就是關於這個新的模擬優化的決策
這塊剛才講過
大家很多時候可能就是通過在用
運用那個Grasshopper裡面的插件來
就是熟悉他們的
是吧
然後這裡的話
我們先準備這兩個的話
我來講一下案例
就是介紹一下他們在具體使用中是怎麼運用的
然後右邊是幾個關於插件的一些介紹
首先第一個這個也是我之前比較喜歡講的一個案例
是也是業界
是在工作實踐中做的比較成功的
一個一家這個國際性的設計設計單位叫做KPF
KPF下面有個團隊叫UI團隊
這個團隊的應該是有十年前了
他們就是結合著這樣一個新的模擬
新的優化設計決策
這樣一個工作流是做了一些比較成功的案例
那在這個界面中的
他們就是列舉了他們做過的三個案例
有三個case studies
我們來一一看一下
分別是位於這個區域
紐約地區的一個摩天塔樓的一個設計
是吧
這個時候的話呢
像我們之前傳統的設計來說
可能你會有不同的一個切入點
你可能去比如說告訴你在一個高密度街區的環境中
讓你去設計一棟塔樓
你可能會去考慮它的這個採光
人流啊
經濟適用性啊
或者說建築成本
然後交通可達性
美學等等方面是吧
甚至是政治啊
社會議題等等這些都是有可能的
你的那個切入點可以是多樣的
對於KBF來說的
他們的切入點就是去考慮通過數據
通過一些量化的手段來去輔助他們找到一個最優解
就是依靠這樣一個最優解去做這樣一個建築設計
這樣呢
就是說他們的一個基本思路仍然就是說
對於這樣一個建築體量
建築體塊周邊的環境進行一個基本分析是吧
比如分析它的這樣一個天空可視度啊
分析它的這樣一個這個天空裸露度啊
包括是人流啊
可能涉及到消防問題
涉及到這個空間的一個使用效率問題等等這些
對於這樣一個建築周邊進行了各個方面的
可能是業主比較關心的
也可能是考慮到使用者是吧
比較關心的一些一些側面
對他們進行一個量化分析
量化分析之後呢
他們會從各個維度是吧
去判斷有一些這個體量
他們在各個維度的一個得分情況
判斷這樣一個體量
它是不是我們所想要的一個結果
他們這樣的一方面是構建一套評價體系是吧
從各個維度
比如這邊的看到一個delete採光問題
local view
然後這樣一個這個叫行人角度的一個視野
這樣叫做surface areas
就是這樣一個表面積
然後這樣可能是一個價值的意思
是吧
這樣子去判斷
從各個維度去判斷這樣一個形體的一個
一個就是打分
給它量化進去進行打分的一個情況
當然還有一個問題在於說
這個體量是怎麼生成的
是吧
它可能會有一些約束的參數
比如說你用grasshopper這樣的參數化工具
去生成這樣的體量是吧
那你可能會需要用到一些設計參數的一個約束
可能是10個參數或者20個參數
比如說控制高度
控制寬度
控制層高
控制這個表皮
控制它的一個基座是吧
等等這些
就是它有一個生成體系
也有一個評估體系
進而它通過一些模擬的手段
或者一些計算的手段是吧
對於各個維度的一個指標進行一個計算
得到結果
最後它再通過這樣一個預算算法
一個簡單的一個單秒優化的手段是吧
對於它每個體量去進行評估
最終找到那個最優解是吧
這個就是一個非常典型的一個
我們通過性能模擬
預算優化
最終輔助設計角色的這樣一個思路
剩下的兩個案例也是他們團隊做的
諸如像在倫敦地區
他們就做了一個街區尺度的
這樣一個建築佈局的一個優化研究是吧
那這樣子的一個建築佈局
他們同樣道理
首先有一套設計的生成體系
其次呢
有一套指標的評估體系
進而的通過一個可能預算優化的這樣一個算法
或者其他的一個優化算法
其實就是一個什麼
就一個篩選的一個過程是吧
最終的得到他們所認為的最優解
或者說最優解極
可能不是唯一解是吧
可能會有一堆的最優解
取得到這樣一些結果
最終輔助他們最終的一個設計的決策
是吧
像這樣子
這是一個過程性的一個展示
通過各項指標去評估它的一個
一個各個維度的一個量化指標
去評估它的一個生成結果
那麼同樣道理
在他們在中國上海
上海浦東地區
大概在黃浦江東岸
在南灣大橋吧
這個大橋還是南浦大橋
南浦大橋附近
有這樣一個商業綜合體
中文叫做精藥前攤
精藥前攤
他們在做這樣的項目的時候
同樣道理也是說
需要去考慮一些建築的佈局情況
去考慮它的一個優化佈局
比如說可能這樣一個商業廣場
有一些是商業綜合體
就是商用樓
有一些住宅樓在後面在北面
然後商業綜合體是在南面
層高也不太一樣
總高也不太一樣
那種體塊等等這些都是有差別的
他們需要考慮的是說
怎麼樣去最優化的去佈局這些建築體塊
使得他們在一些維度上面表現為最優
比如說這個樓間距
比如採光問題
比如說它這樣一個容積率問題
是吧
等等這些
去進行一個動標優化
同樣道理
他們同樣也是需要去設置一套
它的一個生成體系
是吧
通過三刷的手段去設計它
怎麼樣去生成這樣一套
這樣一些結果
有一些可能性
其次有一套評估體系是吧
就是樓間距
光啊
這些去評估它
最後進行一個優化的一個
一個生產過程
最終得到一些初步的優化結果
是吧
這樣子
這樣的這幾個案例是吧
這是最後的結果
這幾個案例的
其實它就是在去比較直觀的展示
怎麼樣去運用這樣一個性能模擬和優化的
這樣一個操作流程
除了他們團隊的一些實際項目的
我這邊也介紹一下關於論文方面的一些案例
那就這樣一篇論文
這個論文是我們大概在去年
22年年初的時候
當時開設的一枚專門的性能模擬優化的
這樣一門專題課程的時候
當時的一位學員
他是在上海獨研
獨研的一位碩士生
他就是上上我們的課的期間
最終的結果是產生一篇論文出版
最後的話
他就發表這個論文
就是講的是關於上海地區
其實就是他們那個學校的有一些是這個東西朝向的教學建築
就是叫教學樓
在他們高校裡面的東西朝向教學樓
怎麼樣去通過30%設計的手段
去讓他們這個空間達到達到一個優化
建築佈局的優化
甚至是建築內部建築鐵塊
他的開窗問題
建築的朝向問題
這些去最優化
使得他的那個採光是最優的
他這個文章的主要考慮的是整個建築的一個採光情況
這篇文章的我們可以來簡單的看一下摘要
我把它給翻一下
能看到就是說他們研究的目標是確定適合教室居住者的空間形狀
同時來節約能源
然後大概使用就是30%設計手段和一段算法來實現這個目標
他們設置的性能指標
不光是採光方面也有一些能耗
比如說能源使用強度EUI
這個日光照度UDI是一個動態採光指標
這些如果你可能用的比較多
或者說建築物理學的還不錯的
應該都比較熟悉
以及像日光吸水和日光自主性DNA等等這些
主要就是結合著採光指標和能耗指標來作為研究的評價指標
使用的是中國
測量的是中國上海大學的六個東西朝向的這個教室
他們的研究方法其實就是四個步驟
首先用一個三維的參數化建模
是吧
來使用性能來做性能模擬
模擬的是這個採光跟這個能耗這兩個方面
其次的話做算法優化
最後的話是輸出的有用結果
然後最後的對這個結果進行一些量化的分析
在主要研究的結果就是給出了一些那些量化的一些這個指標
比如說優化後的教室可以在採光方面
在室內的照明方面
在能耗方面等等這些是怎麼樣去得到一個量化的改善
然後呢
整個的研究結論的可以幫助在這個空間的早期設計過程中
來節省這個設計的時間
給出一些設計的一些輔助的建議
一些設計的參考
那我們可以看到整個論文寫的其實是比較中規中矩的
比較中規中矩
首先他們調研的是上海地區的
是吧
給出了一個基本的一個氣象的數據分佈
氣象數據方面的一些表現
比如說風向
風速
風玫瑰這一塊
比如說這些溫度
輻射方面
是吧
相對濕度方面的一些指標
現在是聚焦在他們所研究的上海大學內部的一些教育樓建築
後面呢
看一下後面這些圖好像展示的不是很完整
我來找一下
我這邊在課件裡面是把這個文章下載下來的
是已經準備好的
後面的這裡是他的一個研究的路線圖
是吧
主要涉及的就是一個3M建模加一個性能模擬優化
性能模擬和這個多目標優化這樣一個框架
他這個文章做的比較仔細
做的比較這個規整
內容的話比較詳實
是吧
他是通過實際測量
來通過繪圖的手段去得到一些具體的
他們東西朝向建築的一個基本的情況
之後的比較詳實的這樣一個數據測量的結果
包括這邊的話是模擬的一些結果
在這裡的他們是考慮到怎麼設置性能模擬
性能模擬的這個指標
主要關注在冷靠跟採光方面的一些指標
後面的是得到了一些通過多目標優化得到一些
這個最優解極
是吧
最優解極的話進行了一個展示
給出最優解極的一些性能的具體表現
獲得到一些結論
給出一些比如說定向定性的一些一些結論
比如在窗戶方面
整體方面
朝向方面等等這些給出一些優化的一些結論
做的還是比較詳細而紮實的
如果有興趣的可以仔細看一下這篇文章
這篇文章總體的我的感受是
他在我們他在上網的課程之後
對於這一套流程的把握還是比較準確的
而且每個細節的就是能夠鋪開來具體的講
但是如果說他還有新意
其實新意不太足
創新性不太足
因為他這套流程的已經是非常成熟的
他只是可能在一些方面是選的比較具體
越具體的說得越清楚
越紮實
其實你的一個價值也就體現出來了
可能並不一定非得有多麼強烈的創新性
他這塊就可以看成是一篇一篇比較中規中矩的一篇文章
最終的話也是發表在了這樣一個CI
如果是按那個JCR分區
但是QE中科院分區的話可能低一點
可能是個四區或者三區的一篇文章上面來
但是鑒於他也只是可能研究生在讀
所以能夠發出這樣一篇文章
我覺得也是很不錯了
這是第一個可能我們介紹的關於這個流程
就是性能模擬優化與決策的這樣一個方面
在具體的工具應用方面的
像如果是說你在做性能模擬這一塊
現在我們可能非常常用的
或者說非常主流的這個工具
其實就是Ladybug是吧
Ladybug包含了像Ladybug
Honeybee和這個Butterfly
以及Dragonfly這四個組塊
已經基本能夠具體的運用到風光日等等很多方面的一個模擬的過程中
其他的還有一些
比如像ID3D
它是專門做風光日模擬的
也能做到風神偶合這樣一個機制
還有其他一些像MVMAT
或者等等其他一些Linux
這些等等這樣一些比較
也是比較主流的一些工具等等這些
但是我們這邊建議就是Ladybug是比較優先的
因為它能夠比較好的跟下面的優章優化
或者其他數據採樣這些環節能夠結合到一起
就是它能夠統一到Grasshopper這個平臺上面來
所以還是比較建議這樣的工具
而在我們下一節課就第二講
明天晚上會由另外一位新加坡國立大學的一個博士生來具體講解
這些新的模擬和優化的一些工具的使用
我這邊只是說在講到新的模擬之後
關於這個優化的工具
我來具體的就是簡單的說一說
關於優化的工具可能大家非常熟悉的
第一個就是這個Grasshopper的一個插件叫Valisee是吧
這個我之前也在公眾號裡面寫過一篇文章
來介紹這樣的工具的使用
它就是專門做這個多目標性能優化的一個工具
它這邊的官網上會給出它很多的一個案例
案例的演示
包括具體的每個細節的一個介紹都是非常齊全的
大家可以翻一翻他們這邊給出的一個教學文檔
具體的安裝也是在這裡會有個download
可能需要你去掛個VPN翻牆一下
去download這個Valisee
安裝在你的Grasshopper上面即可
除了Valisee之外的還有那個Octopus是吧
也是另外一個多目標優化的工具
可以選擇其中一個使用來
這個就可以
後來除了這個Valisee之外
需要說明一點的
後來在我自己的一個桌上發現有一個問題
就是說這個Valisee它是需要集成在Grasshopper裡面
比如說它是需要跟Ladybug進行一個同步協作的是吧
比如說我Ladybug去跑一個彩光或者是濃厚的一個模擬
Valisee還是需要同步來進行一個優化
這個其實也是優化方法的一個特點
它是需要讓性能模擬跟一般優化同步進行的
但是呢
後來我在研究中的我發現很多時候
我是需要先通過性能模擬產生一定批量的
一定數量的這個模擬結果
比如說做彩光
我先模擬五千個得到五千個性能模擬的結果
一些數值結果和一些這個圖像結果
這些結果可能我後面還需要再進一步的去做一些分析
比如說我中間可能會運用到信息學習算法
去把這些結果的擴充
從把五千個擴充到五萬個是吧
或者說這是一方面也可以拿這五千個結果進行採樣
是吧
進行一個隨機採樣
因為可能數據太多
我沒法處理
那我就採樣
採樣出來五百個或者一千個這樣子
就是說
可能是說你性能模擬做完之後
是需要對這些結果進行一定的二次處理
處理完之後的呢
可能最後一步纔是做一個什麼
做一串優化
這個時候的一串優化跟這個性能模擬是什麼
是分開的
分開了之後的
可能你再用這個Valise或者Octopus的話
這不是那麼適用
是吧
他就沒法去跑這個
他這個工具就沒法用了
那這個時候的後來進行一個探索
比如說我這邊給大家推薦兩個工具
一個是Python的工具包
這個叫英文中文應該叫Pymo是吧
這個這些工具包的
他就能夠比較好的處理這個問題
先去模擬得到一些結果
你可以儘管去分析
分析完之後
整理好你的數據集
整理完成之後的
我再通過這個Python的這樣一個工具包
進行一個數值的評估
因為這個一串優化其實說到底
他就是一個評估的一個過程是吧
就是評估你這些建築性的數據集裡面
有哪些解是比較好的
是吧
就是評估的過程
或者是一個篩選的過程
所以這邊給大家推薦一下
關於這個Python的一些工具包
大家可以去看一下這個網站
去大概瞭解一下這樣的工具
然後如果你說我可能沒有Python基礎
或者說這個基礎還不是很紮實
沒法很好的使用這個代碼
給大家推出介紹另外第三個這個工具
建議的工具就是關於這個Metalab的一個工具包
Metalab的話
我相信大部分學校裡面可能會給你們去購買
他一個正版的一個工具的
或者說你用破解版的也OK
總之呢
就是說這個這個平臺的還是非常不錯的
他中間也集成了像注入這個全局優化的一些工具包
Toolbox
然後他的使用的比較簡便
你可以去網上面去down一些代碼
直接copy到Metalab裡面進行使用
然後呢
使用起來的這個整體的體驗應該說比Python要好一點
因為Python的有利有弊吧
Python的話自由度很高
但是如果你平臺你的環境配置沒有做好
或者說你的代碼基礎比較薄弱的
可能用起來比較比較比較費心是吧
就不太好用
Metalab的則是就直接集成到一個工具箱裡面
可能用起來包括操作起來的體驗感會好一點
OK
那這樣介紹了幾個這個一貫看法的工具包的一個一個運用
大家可以留心一下
如果你做這塊研究
第二個方面呢
就是我們剛才提到的關於數據驅動的建築與城市生存設計這塊
這塊呢
也是當前就是說比較做的比較多的
也比較容易出成果
也比較容易做出創新性的一個領域
然後我們這邊介紹兩個案例
來具體看一下他們是怎麼來運用的
首先第一個想要介紹的這個案例
稍等一下
這個比較卡頓
我想介紹的是關於這樣一個工具的開發團隊
是叫做Decoding Space
Decoding Space的話呢
也是Grasshopper的一個插件
我們可以來先看一下
比如說吧
先把這個主頁打開介紹這個案例
這是它的一個主頁
Decoding Space的話呢
它其實主要的功能就是在於說
通過計算性的分析與生成
去生成比如說街區網絡
然後這個Plots的這個建築等等這些
就街區建築
街道網絡等等這些
它會設置一些生成的一些規則
介紹一些生成的規則
來具體的進行一個城市街區
或者說建築的一些生成手段
稍等一下
我這邊那個網頁好像稍微有點卡
看這細節彈不出來
這裡頭其實就是介紹它
關於這個Decoding Space的一些具體的組件
比如說這個街區網絡的生成
街區的生成
建築的生成等等這些
它有一些分析的一些工具
比如說分析的可視性
分析它的一些數值
分析它的水文
分析它的這個街區網絡等等這些
就是它是生成跟分析是一體化的
但是比較遺憾的是
我這邊這個是網絡不太好
一直彈不出來
如果現在過慢
大家可以回頭自己再看一下
這個工具對應的就是我們所熟知的
剛才我們介紹的數據驅動的建築
與城市生存設計
這個部分可能是我這邊網絡問題
這邊也不是很好能夠展現出來
那我們還是回到剛纔想要介紹的這個案例
這個工具我就不再多多介紹了
我們直接講解這個案例
就是說是Decoding Space
他們這樣一個開發團隊和新加坡
新加坡這邊有個團隊進行合作的一個項目
新加坡這邊的話
我這邊相對熟悉一點
因為是去年在他們那裡就是進行聯合培養的一年
他們有一個實驗室叫未來城市實驗室
這個實驗室和這個Decoding Space的開發團隊
一起針對新加坡地區的這樣一個南部
南部有一塊區域
這樣一個區域的一個新城建設
做了一些生存設計的一些研究
我們來看一下這個案例
但是剛剛的是這個彈上來怎麼這麼慢
OK我們看到了
把它翻譯一下
它就是說這裡的是關於認知城市設計計算
FCL的話
則是剛才介紹的新加坡的這樣一個未來城市實驗室的這樣一個機構
他們這個項目
其實他們在新加坡未來城市實驗室這樣一個項目中
去針對新加坡單榮八個海濱這樣一個地塊
去展示他們是如何通過認知城市設計計算這樣的理念
去做它這樣一個新城建設的一個過程
在這裡它是說明瞭這樣一個認知城市設計計算的一個框架
就先去構建它的一個城市街道網絡
去構建它的一個整體的規劃體系
最後落實到每個具體的建築體塊的生成
得到這樣一個基本的一個新城建設的一個結果
這裡會有一個具體介紹
介紹它這個單榮八個冰水區域空間合成的過程概述
但它這個應該是放在了那個YouTube上面
可能需要翻牆什麼的
來試一試
這個案例也是非常有趣的一個案例
它不光是作為一個研究
而且是它是有實際的一個項目在支撐著它
那這個研究會更加有現實意義一些
我們來看看它能不能展示出來
動畫這個視頻
我明白了
可能是跟我家裡面的網絡有關
網絡確實有點差
然後大概是這樣子
就在新加坡南部
大概這一塊是吧
旁邊就是聖瑙山
這一塊它一個單榮八個地區
它的一個新城建設的一個過程
這裡其實說到底
它也是涉及到一個你的生成式的一個生成體系
是吧
就怎麼去生成這樣一些東西
然後還有一個評估體系
就是怎麼評估這個結果是好的和壞的
最後也有一個就類似漁船三法的一個優化體系
去篩選出來那個是最好的
把這個好的結果給它留下來
其實它整體的是吧
也是通過這樣的量化的手段
和剛才介紹的生成體系
評估體系和篩選這個過程是一樣的
但這裡可能看著比較卡
我們再往下來看一下
他們同樣也是去關注這塊區域內部有一些指標
比如說經濟潛力呀
是吧
然後事實分析和應用分析等等這些方面
他只是研究對象的空間尺度更大一點是吧
去研究這些比較大空間尺度的一些對象
它的那個設計參數的
或者說需要兼顧的方面和對象多一點
參數比較複雜了一些
所以他們這邊也是開發了這樣一套交互體系是吧
這個使用者業主或者開發
政府可以通過這個面板去調這個每個參數
實時的看一下這個結果有什麼區別
這個呢
一般是一個整個團隊可能耗時很長時間的
去做出來一個比較大的項目
它需要投入的精力和時間是比較巨大的
是吧
這個視頻看起來是比較直觀的
看一下整個區域它是怎麼生成出來
好
我們就不看完了
大概到這裡
它下面是也是具體介紹了
就是整個路網
它的劃分的一些依據是吧
像這樣子
它有一些內在的一些數學邏輯在裏面
而這塊就比較貼近於像做研究的一個過程是吧
你需要給它賦予一套體系
讓它去生成具體的這樣一個具體體塊是吧
包括路網的生成
體塊的生成都是一樣的
下面是做了一些這個數據可視化的一些研究
看一下那些結果是最優的
他們在各個參數上面表現如何是吧
這裏也有一個動畫
看一下這個體塊
最終的結果大概是什麼樣子
包括其中的每個建築是吧
具體的表現如何
大概的是這樣一個案例的介紹
這個案例大家有興趣也可以在後面去仔細的看一下
包括在YouTube上面也有他們的一個項目介紹
大概是38分鐘
這個我們就不仔細介紹了
就跟大家說一下這個關於我們所謂的數據驅動的建築
或者城市生存設計這塊的一個案例
除了這個案例之外的話
事實上還有另外一個可能向大家介紹的這個案例
是一位國內學者
是東南大學的這樣一位徐曉冬老師
他們這個團隊
像這位徐老師
他們團隊也是在做城市設計這塊
做這個領域做的比較多的一個團隊
他們在無論是項目方面
還是文章闡述方面也是比較豐富的
然後這邊呢
我是給大家看一下在這個researchkit上面的
他們團隊的一些文章闡述
而且都是非常從體系的一些文章
那麼我們這邊的話呢
是具體的去介紹其中一篇文章
就是這樣一篇文章
是他們21年8月份的時候發表在這個叫什麼
再生能源這個期刊上面的一篇文章
這個文章
這個期刊好像也是一個疫區的文章
疫區的期刊也是非常不錯的
他這個文章中的題目
就從性能模擬到數據驅動的研究路徑
一個框架
這個框架是整合了這樣一個城市設計
這樣一個城市生成
城市現代生成
和這樣一個低能耗的一個城市設計的一個方法
一個框架
當然你看題目可能寫的感覺比較空洞是吧
或者寫的比較宏觀
具體內容落實到文章的一個內容
我們可以結合我這邊下載下來的文章來看
這篇文章我們其實可以先很瞭解這篇文章
先看一下他的這樣一個研究框架
他這篇文章大概我們看一下
有五個步驟是吧
Step1到Step6
他們結合著他們工作室所做的一個項目
好像是在江蘇
江蘇大概揚州周邊
揚州地區的一個縣城
他們在那個縣城可能要規劃一個新城
然後他們要做一些城市設計
然後他們通過這個項目的實施
匯總成一篇文章
來去在研究過程中進行一個複現一個展現
大概分了這麼幾個步驟
首先就是說對於這樣一個實際地塊
它這樣一個街道水系路網
其實都已經是比較成熟的
然後包括當地那個縣城當地
它會有一些基本的建築佈局的一些
一些原型一些形態的一些原型
所以說他第一步就是說
他先去調研先去匯總一下
這些比較基本的這樣一個城市體塊的一些
一些原型的提取
比如說有這樣子的是吧
三層三的
比如像這種像板樓一樣的
像這個院落式的
還有像這種高樓塔樓是吧
等等這些
有這樣一些基本的建築的一些原型形態
其次他們就是把這樣一個
一些基本的體塊
去放到這樣一個實際的地塊中
把他們抽取的這個建築的原型
放到這個實際的地塊中
做一些生存的可能性是吧
其實就是一個生存體系是吧
生存體系之後
第三步
他們需要去判斷這些體塊
有一些具體的約束條件
他們怎麼樣在整個街區中的一個放置
兼顧到比如說路網
衝擊率
漏洞高度等等這些是吧
其次他們去做一些
他們這個題目中所體現出來的
就是說一個低能耗的城市設計的一個
一個研究目標是吧
所以他們可能需要去判斷一下
這樣一個街區中
他們比如說判斷他的這個熱輻射
然後這個日照時數
能耗等等這幾個方面是吧
去做一個性能模擬和一個優化的一個評估
在性能模擬和優化評估之後
他們需要去
就是通過一些積極學習的手段
去預測
比如說整個街區
整個這樣一個城市設計的這樣一個尺度內
去預測他可能
比如說一年
他的一個大概能耗的一個情況
這個預測也需要結合著
他這樣一個設計生成的這樣一個體塊
和他們那個當地的實際的建築的耗電量
進行一個對比
進行一個驗證
然後來判斷他這個預測的結果準不準確
所以最後的話
他是加了這樣一步
這個積極學習的這樣一個方法
去預測這個建築能耗的一個過程
最後的話呢
是得到就在怎麼樣的一個建築佈局中的
能夠使得整個地塊
他的一個建築能耗是最少的
就是最為這個生態友好性
和這個地能耗的這樣一個表現的一個
一個街區體塊
大概是這樣一個研究的一個思路
那下面我們可以看到
在這邊他會具體介紹一下
比如說這個case是在什麼位置是吧
在這樣一個
一個可能在一個縣城裏面
之後的他們需要去具體的設置
這樣一個比如說一個block
在一個街區block裏面的
一個體塊的一個生成規則
以及怎麼佈置的
現在在這裏的就是
他們其實是在具體的期許
當地的這樣一個街區常見的一些類型是吧
把它給提取出來
進行一個這樣一個展示
這裏展示的則是
現在模擬和一塊優化的一些過程
他的文章的內容還是比較多的
在這裏的介紹的是
他關於那個能源能耗數據的
這樣一個預測的一個算法
使用的是LSTM長短期記憶的
這樣一個一個深淺網絡的一個算法
其實這個算法的話比較簡單
因為他沒有改動
這個算法也是
可能在計算機學科那邊
也是用了比較長時間的
可能用了一二十年前
就有人在用的這樣一個算法
他們這個文章因為這塊不是重點
或者說不是主要的一個重點
他們就直接拿來算法
直接來用進行一個預測
其實你可以不用LSTM
用其他算法也行
但是你的研究目標
你的目的要明確的
算法是可以替換
下面的話則是一些結果的一些分析是吧
比如說像這樣子的這個結果是吧
他們具體的表現如何
在這裡上是一個優化的結果出來
像這樣子
我們可以看到像這樣的一些研究
他其實更多時候也是在這個設計的早期階段
是吧
所做的一些探索
就是看一下大概怎麼樣的一個建築的佈局
能夠體現出來
他們所追求的這樣一個低能耗的一個設計目標
是吧
但事實上在最終的落實的話
還會進行一些改變
所以他們這邊只是早期的一些探索的一些過程
如果大家有興趣的
可以去深入的去看一下
他們團隊的像這樣一個文章
是其中一篇
他們我印象中他們是這一系列的
應該是連續發了好幾年
可能從1819年開始發
一直發到現在
應該是有好幾篇都是關於這樣一套體系的
我覺得他這個好處在於說
他這個研究框架非常非常
不能說容易理解
是非常的值得我們學習
他整個研究的一個思路也是比較清楚的
他們研究的框架其實也是可以靈活變動的
比如說你前面的這個建築體塊的生成體系
你的評估體系
你的遺產優化的一些算法
包括你這樣的經濟學的算法都是可以替換的
是吧
如果我們可以拿來借鑒進行學習
你可能會在某一個具體的局部進行一些替換
或者你的營運對象進行一個具體的
營運框架的一個創建
是吧
非常不錯的一篇研究這塊
這樣的話
就是這兩個案例的來介紹一下
關於數據驅動式的建築與城市生存設計
這樣一個方面
第三個方面的則是
可能當下比較實心的
或者說比較容易做出創新性的
第三個方面就是關於人工智能來輔助性能評估這塊
這塊事實上我剛才講過了
由於人工智能或者經濟學這個技術
它所能處理的不光是像我們前面介紹的風光日
這些綠線方面的一些指標
它能夠進行進一步拓展
比如說你所有能夠用數據
或者所有能夠用這個深圳市圖像來表示的一些數值
它都能夠去進行一個數據
進行一個分析是吧
你比如說我們常用的ANN這樣的深圳網絡來做數值的一些分析
或者CNN這樣一些技術的做圖像數據的一些評估分析
或者RNN或者GNN幹技術是吧
甚至現在比較實心的一些像definition model等等這些
像什麼遷移學習模糊學習等等這些技術
它能夠處理的數據類型
能夠處理的這個數據的
甚至說數據的這個量級
都是進一步大大拓展的
儘管我們這邊選用的兩個案例
選用介紹的兩個案例
仍然是關注在綠線方面
但是我們的提議就是說
如果你後面有一些比較好的idea
想寫一份結合了你的研究的一份研究計劃書
是可以進一步拓展的
也是當下的一個比較實心的一個方面
這邊介紹的案例
首先還是第一個這樣一個實驗室
這個實驗室我們看一下
叫做CIR
就是城市智能實驗室
這個實驗室是應該是那個叫什麼
奧地利理工大學
奧地利理工大學他們的一個實驗室
這個實驗室
它其實我們看一下
看能不能訪問點
它其實主要的就是前幾年比較火的一個方面
是在於他們開發了一套體系
這個體系呢
我們來看一下
一套projects
他們比如說是做了這樣的事情
比如這個事情
他們通過遷移學習的方法
去預測
比如說這個風環境的一個結果
左邊最左邊這個是一個建築的體塊
中間是通過這個風環境模擬得到一個結果
右邊這個是通過他們
他們通過那個遷移學習算法
直接預測的一個結果
是吧
就是這個input
這個是模擬的output
這個是預測的output
它是直接可以繞過這個模擬的這個過程
直接進行預測
給我一個圖
我直接給你一個
給我一個這個平面圖
我直接把它預測出來
這個風環境如何
是這樣子
他們做了這樣一個事情
說白了就是說
如果你通過風環境模擬
是吧
你是通過你計算機流體力學
是吧
一點點算上這個結果
而他這個預測的
則是通過對圖像
對於比如說RGB是吧
這些顏色直接進行預測
他不考慮背後的計算機流體力學的一些原理
是直接從圖像到圖像的一個預測的一個過程
它的好處呢
就是大大加快了這樣過程
大大的就是說加快了這樣一個圖像
正能模擬結果的一個生成
是吧
像這樣子是吧
直接拉出來幾塊
直接給你一個結果
就不需要再去做一個非常耗時的這樣一個模擬了
這個是他們團隊之前做的比較非常不錯的一個成果
也是前陣子也是有很多國內的自媒體在轉發他們這樣的成果
然後我們這裡的是介紹的他的這樣一篇文章
是說是看一下這篇會議論文是關於維也納高層建築的優化
這個文章呢
事實上是發表在去年的Cadre 2022上面的一篇會議論文
他這篇論文的話呢
其實跟剛才我們講過的那個新的模擬和預算優化那個體系是非常類似的
是吧
在這邊他會有這個論文的全文
但是他這裡呢
一個主要的區別就是在於他們也是在做預算優化的時候
是加入了這樣的積極學習的一個部分
比如體塊的生成是吧
後面是這個圖像
圖像的生成的有一部分是進行模擬出來的
另外一部分是通過這個積極學習直接預測出來的
就跑一個預算優化的一個結果
他其實就是在比較傳統的三維形態生成
性能評估模擬預算優化
這三個步驟中間的話
在這個性能模擬和預算優化中間加上了一步
加上積極學習進行預測
進行大批量的預測
預測完之後再把數據進行整合
最後跑了預算優化
大概加了這樣一步
所以呢
這個面的我們也把它就是歸類到我們這個人工智能輔助性能評估
這樣一個領域內
這個研究的就這方面的研究在近兩年也是比較流行的
剛才我們講過是吧
像這種這種項目研究也好
或者說論文也好
他的創新性可能不是那麼的足
後面的就主要體現為就是在性能模擬和預算優化中間
加上這樣一個積極學習的一個方法
那麼像下面這篇文章的也是大概這樣一個思路
點不開的
我們就直接看這篇文章
也是直接下載好的
我們看一下這篇文章的是清華大學林波榮老師
他們這個團隊應該是在去年發布的一篇文章
發表的一篇文章是這篇
我們來看一下
他這個題目就是說基於CNN和GNN的總平面佈置
日光性能預測模型概念與驗證研究
這兩篇文章他們的研究的整理框架
我們可以來看一下
也是看他們這個框架圖
能看到首先也是通過Skytrap也好
Rhino和Grasshopper也好
先把這個形體是構建出來
是吧
構建出來之後
他們是通過Radius或者是這個Honeybee
來去做他的一個採光的一個性能模擬的結果
是吧
就在這邊的看到他左邊的是編碼
編碼這個基本的幾何形態信息
這個建築長什麼樣子
右邊的則是編碼
他這樣一個模擬的結果
是吧
模擬的結果信息
這兩個塊的分別作為input和output
中間是通過這個CNN和GNN技術
是吧
去自動的去生成
去生成他這樣一個模擬的結果
去訓練
就訓練input和output
後面的話
他就能夠自己的話去生成
就是說
你給我一個這樣一個平面圖
我就會自動告訴你
這平面圖
他所對應的這個採光模擬的結果是什麼樣子的
而且會給你一套這個採圖是吧
告訴你這個結果如何
中間的其實也就是主要的一個亮點
就是在於這個CNN技術
CNN就是這個簡潔神經網絡
它是一個比較大的一個範圍
它中間的具體使用的算法模型
模型結構是這個resnet50
這樣一個模型結構
去進行做這個圖像數據的一個處理
簡潔神經網絡的一個處理
然後下面的他們就是比較具體的去列舉出來
他們這個研究的部分
是吧
首先的話是這樣的體塊的生成
下面的就是他這個體塊內部的話
是這樣一個這個空間怎麼劃分的
是吧
他們有一套比較仔細的詳細的
這樣一個劃分的一個體系
之後的他把這個input和output輸入進來
去做一個積極學習的一個性能評估
積極學習的這個學習的預測結果
進行一個展示
他們為了證明這個積極學習是有效的
之後是來進行判斷是吧
能看到像這裡
這是一個真實的一個模擬結果
這邊是他預測結果
這邊是一個參差值
這個差別大概如何
這邊是一個性能模擬
那個積極學習預測的一個指標
大概都能夠說預測的精度在90%以上
是吧
0.908
0.902
0.910
這樣就是他們這篇文章的主要亮點
就在於說是來處理圖像數據
是吧
對於圖像的一個處理
怎麼來做具體的
這樣一個採光的圖像的一個生成
然後呢
就這兩篇文章
包括這個林博榮老師的
他們在做這方面的研究也是蠻多的
也是有一系列這個文章的一個闡述
大家有興趣的話也可以去看一下
就像在這兩篇文章的一個介紹下
就是我們能夠來看到人工智能
或者說他所具體的積極學習技術
深度學習技術
是怎麼在這個性能評估中進行運用的
主要是這個方面
然後這樣就是咱們前面
大概花了一個小時的時間
去具體介紹這三個方面
是吧
一個是性能模擬優化與決策
數據驅動
建築成人
生存設計
以及人工智能輔助性能評估
這三個方面的一個研究
而我們這個課程
其實也主要是圍繞在這三個方面
進行一個講解
那剛才我們也講了是吧
也可能有其他一些比較實現的技術
像VR
遠遠周啊這些
這些的其他一方面
如果你是有興趣
或者說有這個研究基礎的
也是非常歡迎大家能夠跟我們討論
我們這邊也是開放式的
如果說需要我們這邊進一步的補充師資
來跟你對接的進行輔導的
我們這邊也可以去找到相應的講師
在我們這些範圍之外的
如果你有需求
我們也可以找到相應的講師來幫你進行
和你一起討論
幫助你來完成你的研究
就是輔助你的研究
好了
那上面的話
我先把這塊講完
講完我們看時間
應該是差不多一小時
我們現在稍微休息一會兒
過會兒十分鐘之後
再回來講
好吧
我們現在
