基于cGANs的AI輔助養老院建筑設計研究

■ 崔 哲 CUI Zhe 郭 昱 GUO Yu 石本晃之 Ishimoto Teruyuki

0 引言

在中日等國，老齡化是一個很大的社會問題。截至2019年底，全球65歲以上人口比例已達9%，中國為10%，日本為28%。據估計，到2050年，全世界65歲以上人口的比例將達到15.9%，2100年將達到22.6%[1]。隨著老齡化率的不斷提高，對養老機構的需求也在不斷增加。因此，養老機構的設計面臨高速度和高質量的巨大挑戰，急需拓展新的可能性。

作為大數據時代的產物，AI具有準確感知、學習、記憶、分析和決策的能力，這給建筑設計帶來了新的機遇。Luisa Gama Caldas等人利用遺傳算法對窗戶的元素進行設計，并對熱環境和光照環境進行評估以找到最佳值[2]；Makoto等人提出了一種優化客廳、廚房、衛生間和臥室布局的算法[3]；Naoto MURAOKA[4]、Shinichiro IWATA[5]和Eichi KUWAKAWA[6]等人研究了優化建筑平面圖的遺傳算法。本文探索并確立了讓AI根據現有平面圖來學習養老設施內空間設計的方法，經過學習的AI可以根據給定的建筑輪廓和建筑朝向，輸出合理的內部空間排布。輸出的平面不僅有各個功能空間和走道空間，還有服務空間和開放空間，如樓梯、公共衛生間、庭院等。研究的最終目的是使機器可以進行輔助設計，為設計者提供恰當的參考方案。

1 原理與設計

首先，將交給AI學習的建筑案例限定在已建成并運行良好的養老院建筑的范圍內，以排除學習到不合理設計的可能性。然后，確定學習范圍，建筑設計的第一步是場地設計和規劃，但場地設計往往需要考慮氣候、環境、人文等諸多因素，因為建筑師的主觀思想很強，評價依據眾多。在場地設計中，每一個案例都有不同的側重點，這給AI學習帶來了巨大的困難。因此，僅將建筑輪廓內的部分作為設計的學習范圍，評價依據是空間組織的合理性，從而幫助建筑師更好地進行場地設計。最后，確定AI學習方法的總體方向：根據圖像的掃描和識別進行學習，利用十六進制顏色來區分每個方案中的不同空間和構件，并根據顏色識別來學習設計。

2 AI學習準備工作

2.1 學習過程設計

學習過程如圖1所示：①樣本圖轉換：將建筑平面圖上的設計元素仔細分類并賦予不同的顏色，原始平面圖被轉換成了彩色的分類圖像，將此圖像作為“設計結果圖”。同時，準備一張同樣大小的描繪設計范圍的圖，將此圖像作為“設計條件圖”；由一張“設計結果圖”與一張“設計條件圖”組成了一組樣本圖；②輸入樣本圖：將轉換好成對的樣本圖作為學習材料輸入到系統中；③AI的深度學習；④輸入一個設計條件圖；⑤AI設計；⑥輸出“AI設計圖”；⑦建筑師對AI設計圖進行合理性評價，合理則執行步驟?，不合理則執行步驟⑧；⑧修改學習方法；⑨修改學習程序；⑩修改樣本圖；?重新學習樣本圖，并返回步驟④；?將“AI設計圖”作為最終設計圖紙輸出。依照此步驟，逐步完善空間分類方法與AI學習設計的算法。

圖1 AI學習的流程圖

2.2 空間分類

為了將平面圖轉換為能夠被AI識別的顏色信息，需要將復雜的原始藍圖進行要素的分類簡化。經過多輪修改后，確立了7大類、23小類要素，包括19類空間和4類分隔。給每個要素賦予特定的顏色，具體分類及著色方法如表1所示。第1類空間是老年人生活必需的房間，包括：臥室、活動室、餐廳、訓練室等，這些空間是以老年人為中心的，稱為“老年人房間”。第2類空間是與水相關的房間，稱為“水設施房間”，包括：衛生間、淋浴間、更衣間等。第3類空間是供老年人家屬使用的房間，稱為“家庭房間”，包括：用于家屬探視的會客室、用于家屬學習照料的學習室、用于老年人與家人小聚的家庭活動室。第4類空間是護理人員及管理人員使用的房間，稱為“工作房間”，包括：準備間、辦公室、儲藏間、安靈室等。第5類空間是“交通空間”，即連接各個房間的空間，包括：入口空間、走廊、垂直交通等。第6類空間是“外部空間”，分為可以通行或停留的硬質地面和不可通行或停留的綠化、水面等。第7類是“建筑分隔”，將其分為外墻、內墻、門和窗。

2.3 樣本圖制作

簡化建筑平面圖的關鍵是設計元素的提取：建筑平面圖包含了很多室內細節，如家具布局、地面鋪裝等，這些細節也是設計的一部分，但不包括在建筑空間組合的初始設計中。因此，分類時忽略了室內設計的信息，只根據建筑師設計的房間使用功能進行分類。除了考慮空間的功能性，還需要考慮人員的移動路線和視線。因此，將門窗、外墻和內墻，以及走廊和電梯均劃分為不同的類別。原始平面圖和轉換后的分類圖像如圖2所示。

表1 空間分類表

圖2 平面圖

為了防止AI學習時混淆建筑物的大小和朝向，在制作樣本圖像時統一了各建筑物的大小和方位信息。每幅樣圖按以下規則制作：比例統一為1:100；方向統一為上北下南；多層建筑以圖紙左上角為原點，各樓層相對于原點的位置相同。將每個圖像的尺寸、分辨率統一為1 024×1 024、200dpi，格式統一為JPEG。

3 AI學習與設計

3.1 cGANs

AI學習使用條件生成網絡（cGANs），包含生成器和鑒別器。在此基礎上，使用在圖像分割領域被廣泛應用的u-net13算法，對生成器的結構進行改進。使用cGAN的步驟為：①將設計條件的圖像輸入到生成器中，生成相應的“AI設計結果”，匹配這兩個圖像并賦值“0”；②匹配樣本圖中的兩個圖像并賦值“1”；③使用鑒別器區分“0”和“1”，在重復之后，生成器將不斷生成更高精度的“AI設計結果”，直到鑒別器無法區分“0”和“1”之間的差異，輸出最終的“AI設計結果”，AI完成建筑圖紙的學習和設計。在上述過程中，通過設置目標函數，使發生器產生的損耗值最小，鑒別器的損耗值最大，從而使生成的圖像和學習的圖像相同。

3.2 試行1：分類圖紙和外壁圖紙的學習

試運行第一次，將描繪建筑外輪廓的圖紙作為“設計條件圖”，分類圖像作為“設計結果圖”，匹配以上兩圖像作為AI學習的樣本圖。將另一“設計條件圖”輸入電腦，使AI進行設計并輸出結果（圖3）。對結果進行評價，發現以下問題：①在設計條件中指定的外墻外側分布著浴室、工作室等室內空間；②樣本圖的分類圖上表示設計范圍以外的白色區域被當成了空間的一部分，所以輸出的分類圖中，外墻的內側也有白色。根據上述問題，描繪建筑外輪廓的圖紙不能清晰地表現出設計范圍，樣本圖中的“設計條件圖”需要修改。

圖3 第一次運行與結果示意圖

3.3 試行2：分類圖紙和范圍圖紙的學習

試運行第二次，使用范圍圖代替輪廓圖，即涂黑與分類圖彩色部分相對應的部分，作為“設計范圍圖像”。分類圖保留，將學習范圍設置為分類圖中與范圍圖像的黑色部分相對應的一部分（圖4）。結果表明，第二次運行解決了第一次試運行中存在的問題。

圖4 第二次運行與結果示意圖

3.4 試行3：增加樣本數目

試運行第三次，采用第二次的樣本圖制作方法，將樣本數量增加至2對，檢驗樣本數量對AI設計結果的影響（圖5）。對結果進行評價，發現設計結果有以下變化：①在建筑輪廓線外可以看到少量的顏色分布，是學習多幅圖紙所產生的信息噪聲；②與試行2結果相比，顏色分布更清晰，顏色邊界更接近直線，能反映出每個空間的大小；③生成表示墻的黑線，而表示窗或門的灰線沒有生成。庭院的形狀比試行2的庭院形狀更復雜，因為受到了不同樣本圖像形狀的影響。

圖5 第三次運行及結果示意圖

4 總結與展望

本研究提出了AI學習建筑設計的可能性，發現了AI可以通過分類和色彩識別來學習復雜建筑空間的圖紙。根據上述試行結果明確了以下內容：①將平面圖通過空間分類轉換成顏色信息后，可以交給AI學習。②使用坐標一一對應的范圍圖和分類圖來限定要學習的設計范圍是可行的。③增加樣本的實例數量可以改善AI“設計”的精度。

未來的實用化研究還有以下幾點注意事項：因被學習的事例數小，所以設計時受到所使用的設計圖的影響較大，因此，有必要找出最合適的事例數；空間界限的表現方法只根據內外墻壁的不同、墻壁的存在與否、通行與否來規定，所以，不能反映豐富的建筑空間，如：通高、坡屋頂等；只在學習中利用了平面圖，所以，不能獲取依賴于高度方向的空間表現等；由于AI的輸入輸出只能利用JPEG的圖像形式，不能依靠CAD、BIM等軟件，這樣就只能依靠統一圖形比例來學習尺度感，不能適用所有規模的建筑。

（致謝：對南京航空航天大學萬程研究室的學生們就AI處理給予的幫助表示感謝。）