基于机器学习的早期设计阶段结构设计建议
机器学习
2022-04-19 v1 计算工程、金融与科学
摘要
结构工程知识在早期设计阶段对建筑设计团队可能具有重要意义。然而，建筑师与工程师通常在概念阶段并不协同工作；事实上，结构工程师往往在流程后期才被引入。结果，设计更新更难且更耗时。同时，也错失了由结构反馈引导的更优设计探索的机会。一般而言，设计过程中的迭代发生得越早，在成本效益与知情设计探索方面的收益越大，从而可带来更高质量的创造性成果。为促进早期设计阶段的知情探索，我们建议将基础结构工程任务自动化，并介绍 ApproxiFramer——一个基于机器学习（Machine Learning）的系统，用于从建筑平面草图实时自动生成结构布局。该系统旨在通过向建筑师展示概念阶段可行的结构方案来辅助他们，使其在对结构影响有充分了解的情况下推进设计。在本文中，我们描述了该系统，并评估了在正交、金属、刚性结构领域内概念验证实现的性能。我们训练了一个卷积神经网络（Convolutional Neural Net），使用合成数据集迭代地为草图级建筑平面生成结构设计解决方案，并在预测的柱位置中达到了 2.2% 的平均误差。
引用
@article{arxiv.2107.08567,
title = {Structural Design Recommendations in the Early Design Phase using Machine Learning},
author = {Spyridon Ampanavos and Mehdi Nourbakhsh and Chin-Yi Cheng},
journal= {arXiv preprint arXiv:2107.08567},
year = {2022}
}
备注
CAAD Futures 2021