面向人工智能的建筑计算性设计研究

面向人工智能的建筑计算性设计研究

摘要：梳理科学技术发展与工程实践需求交织作用下，计算应用于建筑设计的历史演化，提出建筑计算性设计并解析了建筑计算性设计思维和流程特征；面向人工智能时代背景，从信息集成、映射建模和决策支持3方面剖析了人工智能技术在建筑计算性设计中的应用，最后对建筑计算性设计发展前景进行了展望。

关键词：建筑计算性设计；人工智能；信息集成；映射建模；决策支持

一、建筑计算性设计思维、流程与技术特征

1.1建筑计算性设计思维的系统化与动态化特征

建筑计算性设计在发展演化中受到科学思想推动，融合了系统科学、复杂性科学思想，形成了系统化的思维体系。基于系统科学与复杂性科学思想，建筑计算性设计思维将人居环境系统解析为建筑子系统和环境子系统，温度、湿度、天空亮度、日照辐射变化等环境子系统扰动会改变人居环境系统平衡状态，并通过两组子系统之间的能量、物质交互逐步回归于平衡状态。因此，建筑计算性设计思维具有鲜明的系统化和动态化特征，其系统化特征推动了建筑设计过程从建筑单系统主导向建筑环境双系统协同转型，深化了建筑设计过程对人居环境系统的权衡响应。

人工智能致力于实现非生物体人工系统对人类智能行为的仿真，旨在模仿、应用人类逻辑思维、形象思维和灵感思维展开创造性工作。人工智能在大脑扫描与心电感应方面的技术发展，推动了建筑计算性设计思维由物理场域下的系统化协同向涵盖心理、文化等多场域层次的复合系统化协同转型；同时，人工智能在图像识别、自然语言处理、大数据分析方面的技术发展，加强了建筑计算性设计思维对自组织与自适应过程的解析，使建筑计算性设计由设计阶段的动态化响应向全周期与即时性动态响应拓展。可见，人工智能语境下，建筑计算性设计思维的系统化特征将日趋多维度复合，动态化特征将日益多频度综合。

1.2建筑计算性设计支撑技术的信息化与智能化特征

建筑是人居环境系统的子系统，其自组织与自适应演化受建筑性能诉求推动与人居环境系统约束。建筑计算性设计需集成、分析人居环境系统大数据，并自动化、程式地展开方案生成与性能优化。在建筑计算性设计思维与流程特征的双重要求下，建筑环境系统信息集成、建筑性能映射建模和性能导向决策支持是建筑计算性设计的关键技术问题。

人工智能作为建筑计算性设计的支持技术，其在大数据分析、图像识别、深度学习方面的技术发展将突破建筑计算性设计支技术在建筑环境系统信息集成方面的大规模数据建模瓶颈，提高建筑计算性设计支撑技术信息化水平；突破建筑计算性设计支撑技术在性能映射建模方面的技术瓶颈，权衡多性能目标展开设计决策制定，提高建筑计算性设计支撑技术的智能化水平。

二、建筑计算性设计中人工智能技术应用

2.1人工智能语境下的建筑环境信息集成

建筑环境系统信息集成是基于人居环境系统中建筑与环境交互作用机理，结合建筑子系统形态空间构建逻辑，建立建筑环境信息参数化关联关系的过程。其将建筑和环境子系统信息转译为可计算数据，使之成为设计参量与边界条件，为工程实践问题的计算性求解奠定了数据基础；同时，所建立的关联关系可保证建筑计算性设计过程中建筑与环境子系统信息的协同演化。可见，建筑环境系统信息集成是建筑计算性设计展开的科学基础与先决条件。

人工智能在云计算、三维重建领域的发展引发了建筑环境信息集成的新探索，涌现出动态建筑环境信息建模、建筑信息云管理和低空摄影测量建模等方面的研

究成果，其中动态建筑环境信息和基于低空摄影测量的建筑环境信息集成技术日

渐受到学界关注。动态建筑环境信息建模技术是“动态建筑信息建模”技术的新发展，其通过云计算与参数化编程，可实现建筑、环境与性能多层级信息的参数化

关联，达成建筑建模、气候数据分析和建筑性能仿真多工具平台的数据协同交互。

2.2人工智能语境下的建筑性能映射建模

建筑性能映射建模是指建构建筑设计参量与建筑性能设计目标之间数值关联

关系的过程。建筑设计参量与建筑性能之间的映射模型是建筑计算性设计自组织

生成逻辑和自适应优化适应度评价函数的制定依据。如建筑性能仿真模拟、建筑

设计参量与性能回归模型建构等都是建筑性能映射建模技术。同时，建筑形态空间、材料构造、设备工况、局地气候、使用者行为等设计参量与建筑节能、热舒适、光舒适、造价等性能之间的映关系具有非线性特征，建模难度较高。面对建

筑计算性设计的大数据量、高效率处理需求，基于物理建模的建筑性能与设计参

量映射建模技术局限日趋突显，难以满足建筑计算性设计对海量数据的分析处理

需求。人工智能在机器学习领域的发展推动了建筑性能映射建模研究发展，衍生

出基于数据驱动的建筑性能映射建模技术研究热点，其将针对建筑能耗预测等非

线性映射建模过程由物理模型仿真转译为数学关系解析，可显著提高映射建模精

度与效率。数据驱动映射建模技术一般包括映射模型结构设计、映射模型训练数

据集建构、映射模型训练与测试3方面内容，可应用人工神经网络（ArtifificualNeuralNetwork，ANN）、支持向量机（SupportVectorMachine，SVM）等机器学习工具建构建筑设计参量与采暖制冷能耗、照明能耗、自然采光性能、

碳排放性能之间的映射关系模型。映射模型训练数据获取决定着映射建模效率，

既有训练数据获取依赖人机交互逐次模拟，效率低，且建立多性能映射模型时需

重复建模，笔者综合应用建筑信息建模、参数化编程和遗传优化搜索技术，针对

严寒地区办公建筑形态与能耗映射建模问题，研发了可自动展开训练数据生成，

无需重复建模的神经网络训练数据参数化生成模型。

2.3人工智能语境下的性能导向决策支持

性能导向决策支持是基于建筑性能优化设计目标，通过数据、模型和策略反馈，支撑设计者完成设计决策制定的过程。数据挖掘、联机分析处理、优化搜索

等均属于决策支持技术。建筑计算性设计的自组织与自适应流程特征要求决策支

持过程需权衡建筑多性能目标要求。近年来，多目标进化搜索和深度学习建模等

人工智能技术逐步应用于建筑计算性设计的性能导向决策支持研究中，衍生出多

目标优化决策支持和深度学习决策支持两方面研究热点。多目标优化决策支持研

究基于HypE、NSGA-II、SPEA2等优化算法，展开建筑多性能目标导向下的建筑计

算性设计方案迭代生成与优化，能以建筑能耗、天然采光、热舒适、造价等性能

为优化设计目标，展开性能导向下的建筑形态、空间、构造等设计决策支持。多

目标优化决策支持不仅可显著扩展建筑师对设计可能性的探索范围，还能有效权

衡建筑制冷与照明能耗，实现负相技术工具，可整合多目标优化算法与人工神经网络模型，以人工神经网络模型计算优化设计目标适应度，实现多目标优

化算法与人工神经网络模型的协同计算，显著提高多目标优化决策支持效率。

结论：

工程实践需求与科学进步共同催生了建筑计算性设计，并在人工智能语境下

呈现出蓬勃的生命力，成为解决当代复杂工程设计问题的重要建筑设计思想和方