面向人工智能的建筑計算性設計研究

張琳琳

摘 要：梳理科學技術發展與工程實踐需求交織作用下，計算應用于建筑設計的歷史演化，提出建筑計算性設計并解析了建筑計算性設計思維和流程特征；面向人工智能時代背景，從信息集成、映射建模和決策支持3方面剖析了人工智能技術在建筑計算性設計中的應用。

關鍵詞：建筑計算性設計；人工智能；信息集成；映射建模；決策支持

一、建筑計算性設計思維、流程與技術特征

1.1 建筑計算性設計思維的系統化與動態化特征

建筑計算性設計在發展演化中受到科學思想推動，融合了系統科學、復雜性科學思想，形成了系統化的思維體系?；谙到y科學與復雜性科學思想，建筑計算性設計思維將人居環境系統解析為建筑子系統和環境子系統，溫度、濕度、天空亮度、日照輻射變化等環境子系統擾動會改變人居環境系統平衡狀態，并通過兩組子系統之間的能量、物質交互逐步回歸于平衡狀態。因此，建筑計算性設計思維具有鮮明的系統化和動態化特征，其系統化特征推動了建筑設計過程從建筑單系統主導向建筑環境雙系統協同轉型，其動態化特征促發了建筑設計決策過程由自上而下主觀決策轉變為自下而上自組織與性能導向自適應相協同的建筑環境雙系統動態耦合過程。

1.2 建筑計算性設計流程的自組織與自適應特征

建筑計算性設計關注“過程”而非“結果”，其基于計算機程序展開生成設計實現自組織生成，在建筑性能導向下進行設計參量數值優化，實現自適應優化。“自下而上”的自組織生成與“性能導向”的自適應優化是建筑計算性設計在流程層面的特征?！白韵露稀钡淖越M織生成是建筑設計元素按設計規則自發形成建筑設計方案的過程，“性能導向”的自適應優化是基于自組織生成方案，在建筑性能目標導向下展開建筑設計參量數值自適應調整，逐步優化建筑多性能目標的過程。基于自組織與自適應流程特征，建筑計算性設計將建筑設計決策制定主體由建筑師轉為人工智能體，有效發揮了計算機大規模數據運算能力。人工智能在卷積神經網絡（ConvolutionalNeuralNetwork，CNN）、生成對抗網絡（GenerativeAdversarialNets，GAN）方面的發展，加強了建筑師的海量數據解析能力。

1.3 建筑計算性設計支撐技術的信息化與智能化特征

建筑是人居環境系統的子系統，其自組織與自適應演化受建筑性能訴求推動與人居環境系統約束。建筑計算性設計需集成、分析人居環境系統大數據，并自動化、程式化地展開方案生成與性能優化。在建筑計算性設計思維與流程特征的雙重要求下，建筑環境系統信息集成、建筑性能映射建模和性能導向決策支持是建筑計算性設計的關鍵技術問題。人工智能作為建筑計算性設計的支持技術，其在大數據分析、圖像識別、深度學習方面的技術發展將突破建筑計算性設計支撐技術在建筑環境系統信息集成方面的大規模數據建模瓶頸，提高建筑計算性設計支撐技術信息化水平。

二、建筑計算性設計中人工智能技術應用

2.1 人工智能語境下的建筑環境信息集成

建筑環境系統信息集成是基于人居環境系統中建筑與環境交互作用機理，結合建筑子系統形態空間構建邏輯，建立建筑環境信息參數化關聯關系的過程。其將建筑和環境子系統信息轉譯為可計算數據，使之成為設計參量與邊界條件，為工程實踐問題的計算性求解奠定了數據基礎；同時，所建立的關聯關系可保證建筑計算性設計過程中建筑與環境子系統信息的協同演化?？梢?，建筑環境系統信息集成是建筑計算性設計展開的科學基礎與先決條件。人工智能在云計算、三維重建領域的發展引發了建筑環境信息集成的新探索，涌現出動態建筑環境信息建模、建筑信息云管理和低空攝影測量建模等方面的研究成果，其中動態建筑環境信息和基于低空攝影測量的建筑環境信息集成技術日漸受到學界關注。動態建筑環境信息建模技術是“動態建筑信息建?！奔夹g的新發展，其通過云計算與參數化編程，可實現建筑、環境與性能多層級信息的參數化關聯，達成建筑建模、氣候數據分析和建筑性能仿真多工具平臺的數據協同交互。

2.2 人工智能語境下的建筑性能映射建模射關系具有非線性特征建模難度較高

面對建筑計算性設計的大數據量、高效率處理需求，基于物理建模的建筑性能與設計參量映射建模技術局限日趨突顯，難以滿足建筑計算性設計對海量數據的分析處理需求。人工智能在機器學習領域的發展推動了建筑性能映射建模研究發展，衍生出基于數據驅動的建筑性能映射建模技術研究熱點，其將針對建筑能耗預測等非線性映射建模過程由物理模型仿真轉譯為數學關系解析，可顯著提高映射建模精度與效率。數據驅動映射建模技術一般包括映射模型結構設計、映射模型訓練數據集建構、映射模型訓練與測試3方面內容，可應用人工神經網絡（ArtificualNeuralNetwork，ANN）、支持向量機（SupportVectorMachine，SVM）等機器學習工具建構建筑設計參量與采暖制冷能耗、照明能耗、自然采光性能、碳排放性能之間的映射關系模型。

2.3 人工智能語境下的性能導向決策支持

性能導向決策支持是基于建筑性能優化設計目標，通過數據、模型和策略反饋，支撐設計者完成設計決策制定的過程。數據挖掘、聯機分析處理、優化搜索等均屬于決策支持技術。建筑計算性設計的自組織與自適應流程特征要求決策支持過程需權衡建筑多性能目標要求。近年來，多目標進化搜索和深度學習建模等人工智能技術逐步應用于建筑計算性設計的性能導向決策支持研究中，衍生出多目標優化決策支持和深度學習決策支持兩方面研究熱點。多目標優化決策支持研究基于HypE、NSGA-II、SPEA2等優化算法，展開建筑多性能目標導向下的建筑計算性設計方案迭代生成與優化，能以建筑能耗、天然采光、熱舒適、造價等性能為優化設計目標，展開性能導向下的建筑形態、空間、構造等設計決策支持。多目標優化決策支持不僅可顯著擴展建筑師對設計可能性的探索范圍，還能有效權衡建筑制冷與照明能耗，實現負相關性能目標的“雙贏”。

結束語

工程實踐需求與科學進步共同催生了建筑計算性設計，并在人工智能語境下呈現出蓬勃的生命力，成為解決當代復雜工程設計問題的重要建筑設計思想和方法。相比既有設計方法，建筑計算性設計深度融合了建筑學、計算機科學、系統科學和環境科學等多學科知識體系，將前沿計算工具與算法引入了建筑設計過程，有助于提升建筑設計信息化水平。

參考文獻

[1]李誡.中國建筑設計研究院建筑歷史研究所，編.北京：中國建筑工業出版社，2011.

[2]福斯特·布瑞恩，莫拉爾特·馬里克.歐洲張力薄膜結構設計指南.楊慶山，姜憶南，譯.北京：機械工業出版社，2010.