建筑空间规划的创成式设计

设计会议展厅

创成式设计 （GD） 是定义高级目标和约束，并使用计算能力自动探索广泛的设计空间并确定最佳设计选项的过程。虽然应用于制造业的创成式设计越来越受到关注，但它在建筑空间规划中的应用已经得到了相当多的探索。

衍生式设计用于设计AU Las Vegas 2017展厅布局，使主要利益相关者能够发现新颖且高性能的设计策略。本文概述了AU展厅设计背后的过程，并对衍生式设计步骤进行了技术和理论深入概述：1）通过定制的几何系统生成设计空间;2）通过设计目标评估每个设计;3）通过进化计算进化出几代设计。

项目愿景

设计过程通常涉及对过去先例的研究。通常，设计人员获得的结果既高效又可预测。但是，如果设计师从较少的先入之见开始，并旨在发现新的意想不到的结果呢？

在多伦多的Autodesk MaRS办公室使用衍生式设计后，The Living使用相同的过程来设计AU Las Vegas展厅布局。遇到一些最初的猜测，因为这种设计临时展览的方法以前从未做过，通过多次迭代，团队交付的设计响应现实世界的限制并反映Autodesk的品牌。

问题表述

启发式

过去的非盟展厅布局揭示了通过通常称为“经验法则”和人类设计直觉制定的设计决策。例如，根据过去的经验，使用对称布局，重点关注大厅的几何中心，并将程序聚集在一起或将它们放置在接入点附近，可以保证适当的暴露水平。借用计算机科学的术语，这种解决问题的方法被称为“启发式”：解决问题的简单策略，在过去已被证明是成功的。虽然这种方法是有效的，但当应用于复杂问题时，它们通常不会屈服于最佳的整体解决方案。出于这个原因，计算机科学家引入了“元启发式”，这是一组优化技术，对于给定的复杂问题，他们可以通过迭代采样解决方案并使用性能标准来产生越来越好的结果，从而找到一组整体最佳解决方案。

超越“经验法则”/元启发式

通过与非盟团队密切合作，我们能够描述非盟布局的全部可能性和目标。通过应用衍生式设计，我们设定了超越前几年的传统布局和经验法则决策的目标，并根据指定的设计目标发现新颖且高性能的新布局解决方案。

问题描述

当然，并非所有设计问题都需要采用创成式设计工作流程。那些复杂到仅靠人类无法解决的问题，是衍生式设计应该解决的适当类型的问题。在我们的案例中，要解决的设计问题如下：在给定的平面图中，我们如何组织和分发所有不同的程序，同时尊重约束和要求，最大限度地提高曝光水平和嗡嗡声，同时生成新颖有趣的设计解决方案？

建筑创成式设计

创成式设计通过使用元启发式搜索算法将人工智能集成到设计过程中，以发现给定设计系统中新颖且高性能的结果。它的框架依赖于三个主要组成部分：1）一个生成几何模型，它定义了可能的设计解决方案的“设计空间”;2）描述设计问题的目的或目的的一系列度量或指标;3）元启发式搜索算法，例如遗传算法，它可以在设计空间中搜索以根据所述目标找到各种高性能设计选项。

创成式设计（GD）属于更广泛的生态系统。它之前有一个我们称之为“前生成设计”（pre-GD）的阶段，然后是一个称为“后生成设计”（post-GD）的阶段。

预GD

GD前阶段涉及与利益相关者密切合作，并收集有关项目的独特和关键数据，这些数据可以为生成模型和评估组件提供信息。

数据收集：要求和约束

第一步是数据收集。我们收集了有关程序 SQF 要求及其相对邻接和位置偏好的信息。

收集的约束如下：

• 设计约束 — 将所有欧特克展馆的一部分放置在主题演讲厅的主要入口旁边。
• 预先存在的限制 — 展厅边界、柱子位置、出口区域和中央洗手间。
• 访问限制 —主要空间进出的关键固定位置。

目标制定

第二步是目标制定。与利益相关者一起设计了两个设计目标：

• 嗡嗡 —作为高活动区的数量和分布的测量，上面可视化为一个粗细不同的红线网，厚度表示交通量。
• 曝光 —测量展位与高活动区域的接近程度，通过颜色编码展位进行从白色到红色的渐变，白色表示低曝光，红色表示高曝光。

如前所述，GD由三个主要组成部分组成：1）可以描述可能解决方案的宽设计空间的生成模型;2）包含指定设计目标的评估组件;3）元启发式搜索算法，在本例中为GA，可以导航设计空间并生成越来越好的设计解决方案。

1） 生成
我们的几何系统的灵感来自城市形态和城市的发展方式。这种策略是有利的，因为它可以产生非常不同的选择：从类似于罗马或巴黎等欧洲城市历史街区的不规则布局，到纽约市等更规则的布局。开发的几何系统分为细分和包裹操作以及程序分配技术。

1. 定义几何约束和非创成设计区域。

2. 生成三条或更多主要通道，将展厅细分为宏观区域。

3. 一系列次要途径从主要途径发展而来，并将每个宏观区域细分为两个子区域。

4.每个子区域通过不同方向的网格细分为单元。

5. 沿大道放置“程序种子”。

6. 通过联合相邻的细胞让种子生长，直到满足相对 SQF 要求。

7. 用标准隔间填充剩余的单元格。

2） 评估 通过自动评估
组件，每个设计都按照两个既定的指标进行评分。元启发式搜索算法使用这些数值来发展高性能设计并随着时间的推移进行学习。

3） 进化
对于这个项目，已经产生了 30，000 多个设计：100 代乘以 320 个设计解决方案。如下图所示，进化组件已经学会了以这样一种方式控制输入，以找到不同的高性能设计系列。

后GD

在后GD阶段，人为因素变得至关重要。在设计空间导航工具的帮助下，人类设计师可以探索高性能设计的前沿（帕累托前），导航度量权衡并定性判断设计选项。

选择
通过直接检查高性能设计的子集，设计人员和主要利益相关者可以磨练一小组要手动优化的候选设计。

细化 一旦选择将搜索限制在少数几个设计上，就会进行手动细化
，以便进一步开发设计并确保满足约束和要求。在我们的案例中，作为后GD设计特征，高流量路径已被用于生成主要循环走廊，这些走廊也可以协助寻路。以类似的方式，我们使用预测的高流量路径来划分不同的欧特克主展馆，从而可以将访客从主要接入点汇集到相应的行业展位。

结论

建筑的创成式设计是一种新的设计方法，使您能够发现意想不到的新颖设计，并在高性能设计、草图约束和目标之间进行权衡，而不是在人与计算机之间进行形式和协同设计。这种方法引入了思考、制作和制作建筑的新方法，简化了设计师和客户之间的协作工作，同时为设计师和工程师释放了人工智能的创造力。

Lorenzo Villaggi是Autodesk工作室The Living的设计师和研究科学家。他的工作重点是衍生式设计、新材料和新颖的可视化形式。最近，他一直在探索空间规划问题的空间细分技术，以及建筑生成工作流的空间体验量化。Lorenzo毕业于哥伦比亚大学建筑、规划和保护研究生院，获得建筑学硕士学位，在那里他教授研究生研讨会，并在米兰理工大学获得建筑学学士学位。他曾参与多个建筑项目，包括MaRS的新Autodesk办公室和普林斯顿校区的具身计算实验室。他的作品曾在芝加哥双年展、达沃斯世界领导力论坛、米兰设计周、现代艺术博物馆和新博物馆等国际知名场所展出。洛伦佐在纽约市生活和工作。

Danil Nagy是纽约市Autodesk Research旗下The Living小组的首席设计师和首席研究科学家。他的工作和研究重点是计算设计、生成几何、高级制造、机器学习和数据可视化。Danil是纽约皇后区MoMA PS1庭院Hy-Fi装置的项目经理，也是Autodesk和空中客车公司长期合作的设计负责人，包括仿生分区项目。Danil曾在各种会议和场所发表演讲和演讲，包括设计建模研讨会，Biofabricate，Techonomy：Bio和SIGGRAPH。

通过完整课程了解更多信息。