基于CFD与深度学习的建筑群布局优化设计

 

 

 

 

指导教师

课程介绍

街区建筑布局呈现复杂性和多样性，这给设计师带来了巨大的困难。特别是在进行街区形态优化时，设计师为了街区形态的复杂性和多样性需要设定大量设计参数，这给优化计算增加了巨大的工作量。随着深度学习技术的出现，设计师发现其在设计领域应用的巨大潜力。其中GAN（对抗性生成网络）作为深度学习技术之一在图像生成方面展现了巨大的潜力。GAN是基于已有图像数据集进行图像生成或图像转换，同时也可以进行图像信息增强。GAN的这些特点使得设计人员可以在输入较少设计参数的同时，通过GAN模型生成相应的街区建筑布局。同时，由于输入的设计参数有限，这使得耦合优化算法成为了可能。

作为本次系列工作营的一部分，参与者将有机会理解并参与基于深度学习技术的城市街区建筑布局生成系统搭建工作流程中。在这一流程中，本课程将利用参数化平台，通过采集数据，编辑数据集、数据增益、GAN模型训练，GAN模型性能评估等步骤，建立性能良好的基于深度学习算法的街区建筑三维布局生成模型。同时，参与者将会学习如何建立GAN模型与CFD计算软件的耦合方法，并将这一耦合方法与优化算法进行联立。最终，参与者将会学习到如何通过优化算法、CFD模拟和GAN图像生成方法进行街区最优建筑布局形式的探索。

课程主要讲解如何通过Grasshopper进行城市街区数据收集，通过Tensorflow训练GAN模型，并将训练模型内置到Grasshopper中并进行Fluent的室外风环境模拟计算。同时参与者会将整个流程置于优化算法内，通过大量计算获取最优街区建筑布局。

预期目标

利用Grasshopper软件计算300个左右城市街区图像数据。研究测试不同数据集处理方法对于GAN模型训练效率的影响，以便选择最终GAN模型。

计划通过isight优化平台进行优化计算过程搭建，并录制优化过程作为展览素材。并通过分析获取最终优化优秀解集，最终展览各组最终优化结果。

学员要求

1. 对人工智能及室外物理环境相关领域有较强兴趣或前期研究、项目参与等基础（相关方向研究生或待申请学生优先）
2. 熟悉或了解grasshopper基础操作及插件使用
3. 建筑学、计算机、城市设计、艺术设计等专业背景优先