AIGC基础教学:AI+建筑设计,一场划时代变革的序幕已经拉开

2015年9月,美的集团本着把艺术融入民间的理念,邀请了安藤忠雄设计正在筹建中的美术馆。

在历经长达近120天的设计工作之后,美术馆于同年12月动工。这座具有岭南建筑文化意境的美术馆,后来荣获2020年美国建筑大师奖(Architecture Master Prize)「2020年世界十大博物馆建筑」之一、第九届 Architizer A+ Awards建筑奖,这个建筑就是“和美术馆(HEM)”。

设想一下,安藤忠雄如果将重复、迭代的工作完全交给AI系统,把精力完全集中在需要发挥创意之处,他就能够更高效、更高质量的完成和美术馆这个作品,建筑设计周期从120天大大缩短至60天,且建筑方案更加精细和完善,这样他就能有更多的时间进行创作,为人类社会留下更多优秀的作品。

这并不是一个遥不可及的想象,这些事情其实正在悄然发生:AI正在赋能传统的建筑设计领域,让这一切变成可能。

AI与建筑设计

AI是什么?

AI的全称是Artificial Intelligence,也就是人工智能。

该领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,AI的应用边界也逐步探索到了传统的建筑领域,尤其是建筑设计阶段。

建筑设计阶段,在广义上,是指建筑物在建造之前的所有相关设计工作,包括建筑专业设计(方案、功能布局、声、光、热等),结构专业设计(梁、柱、板、墙、节点、抗震、抗风等)、给排水专业设计,供暖、通风、空调专业设计、电气专业设计等。

既然建筑设计阶段的范围如此广泛,我们不禁思考目前AI在建筑设计阶段中已有哪些应用?未来又有什么可能性?我们今天就进行一些阐述与讨论。

应用探索

当前计算机能力在建筑设计的应用主要分为两种,一是智能化,二是AI 。

建筑领域的智能化设计已经在很多场景中得到应用,其与AI核心的区别在于:前者是内置规则,后者是学习规律。 

AI辅助建筑布局规划

找到建筑空间规划的最优解在建筑专业设计中一直是个重点问题。

计算机通过机器学习对大量的建筑图纸进行训练,在考虑经济性、科学性、舒适性等指标下,能够像经验老道的设计师那样判断建筑布局方案的优劣,实现辅助设计师规划建筑布局。

AI生成彩色总图

色彩在建筑总图上的运用可以配合更好地表达建筑设计方案,用于展示或汇报。

通过AI深度学习算法,计算机可以识别建筑总图地块中多种楼型的复杂组合与排布方式,自动生成与多个楼型适配的景观方案,同时能够快速生成附带景观的多种风格的彩色项目总图。

AI辅助户型生成

满足一定要求的户型有千万种,设计出既满足轮廓又满足参数要求的户型是较为繁琐的事情。

计算机跟进户型的大致轮廓和简单的户型参数,就能快速在户型库(包含海量的户型)中进行AI图形匹配,生成数十种的满足要求户型方案,大大节约了设计师的制图时间。

AI辅助车位排布

对于面积较大或不规则的车库,如何在一定区域内排布出更多的停车位,是一件复杂且耗时的工作。

在计算机识别出停车场的轮廓信息后,利用深度强化学习,实现停车位的自动排布设计,给出多个车位排布方案及对应的车位指标数据,并能够生成停车场设计图。 

AI辅助结构设计优化

结构设计中,在控制成本的同时保证安全的结构优化是需要大量的参考借鉴以及调整修改工作的。

在建筑限制条件下,通过AI对初步结构计算模型进行识别与分析,实现构件截面尺寸智能择优、不同结构体系比对,将衍生出的所有潜在方案进行计算分析,对比后产生最佳方案。让设计师可以在短时间内完成既保证安全又经济合理的结构优化设计方案。

AI辅助机电管线排布

想要建筑内的机电管线做到合理布局一直是个头疼的问题,机电管线的排布需要避免与建筑、结构的碰撞,往往较为复杂,特别是如今建筑智能化的发展,更是大大提升了难度。

利用AI技术自动生成机电管线路径,确保机电管线的路径不和建筑、结构发生碰撞,通过机器学习快速生成所有合理的方案,分析得到有效设计方案。基于设备库中的设备实际参数,结合设计能耗、舒适度指标、空间分区,通过机器学习完成设备的自动选型。 

AI辅助绘图出图

建筑设计的绘图工作往往会耗费设计师大量的时间与精力,使得设计师绘制的图纸上经常会出现问题。

通过建立建筑设计绘图知识库,利用AI技术给出绘图的优化建议,保证图纸质量,快速缩短设计周期。同时基于建筑出图知识库AI推荐出图逻辑与方案,在图纸中自动绘制标准化图框、构件等并进行深化,快速便捷地输出施工图。、

未来展望

在未来,随着建筑设计过程中所涉及的功能、数据、流程都逐步模块化,AI与建筑设计的融合将会越来越广泛、越来越深入,有更多的应用场景。

比如,AI识图能力增强,计算机通过强化学习能够做到给排水、暖通空调、电气的智能设计;通过参数和图纸能够推荐最合适的机电设备,同时给出相应的设计方案。

比如,构建一个庞大的建筑设计知识库,里面不仅有海量的户型库、楼型库,还有各种各样的核心筒库、构件库、机电设备库,以及标准规范库等等。不仅让计算机know what,更要训练计算机know how,这样才最大程度地帮助设计师进行设计。

再比如,有一个能够宏观调度的通用建筑设计引擎,它是一个集感知、决策、认知三位一体的设计AI系统,辅助建筑设计整个过程的智能衍生、人机交互和智能优化,并且普遍适用于设计的各个场景。

再往前一步设想,AI系统会与设计师共线工作,也许会改变建筑设计的工作模式。比如,利用算法去衍生设计方案。也就是说,设计师未来只要通过简单输入,动态调整,就能得到满意的设计方案。通过AI把计算机擅长的重复、低智能、迭代工作发挥到极致,让设计师把更多的时间投入到需要创造、协同的工作上。

未来的建筑设计也能够通过AI把设计数据、设计方法和标准规范串联起来,为建筑设计提供一体联动能力,打通数据壁垒、实现信息的有效传递和共享,让AI赋能建筑设计,促进设计和管理的精细化。

方向及需要解决的问题

据调研,在建筑设计过程中,有27%的工作需要人来创造、沟通、协作,而剩下73%的程序化工作都能够交给计算机。

随着AI在建筑设计领域应用越来越深入,不少重复而繁琐的工作都将交由计算机处理,这必然会大大提升建筑设计师的设计效率,助力设计师把更多的时间专注于需要人类创意、文化融合、人群心理等方面的思考与探究。

然而,目前AI在建筑设计中的应用还不是很广泛和深入,涉及到的原因有设计数据不联通、设计方法与标准规范难串联、操作流程复杂、参数输入繁多、技术学习成本高、二次开发成本高等等。

AI真正要做到普惠广大的设计师群体,必须建立在技术普及化和平民化的条件之上。这是因为,一个技术的诞生,并不能直接解决问题,只有当技术成本能被大众消费得起,操作方式能被大众简单接受时,才能真正对人类社会有用。

最后

今天的分享就到这里了,会不会的,多看!好不好的多赞!也欢迎随时和博主进行交流。

这里为大家提供了总的路线图。它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。如果下面这个学习路线能帮助大家将AI利用到自身工作上去,那么我的使命也就完成了:

以上就是博主介绍的AI籽料,而新时代随着AI流行,如果不更紧AI新时代时代只会被落后,所以我总结了stablediffusionPDF籽料包

 

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名AIGC的正确特征了。

这份完整版的AIGC资料我已经打包好,需要的点击下方二维码,即可前往免费领取!

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/839905.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【ArcGIS微课1000例】0112:沿线(面)按距离或百分比生成点

文章目录 一、沿线生成点工具介绍二、线状案例三、面状案例一、沿线生成点工具介绍 位置:工具箱→数据管理工具→采样→沿线生成点 摘要:沿线或面以固定间隔或百分比创建点要素。 用法:输入要素的属性将保留在输出要素类中。向输出要素类添加新字段 ORIG_FID,并设置为输…

Linux内核 -- 内存分配标志的使用

Linux 内存分配标志详解 背景介绍 在Linux内核中,内存分配是一个核心功能,内存分配器需要根据不同的上下文条件和约束来分配内存。为了灵活控制内存分配行为,内核定义了一系列内存分配标志。gfp_t 是一个枚举类型,这些标志用于指…

Java.lang.InterruptedException被中止异常解决方案

大家好!我是咕噜铁蛋!在Java编程的世界里,java.lang.InterruptedException是一个常见的异常,尤其是在处理多线程和并发任务时。这个异常通常表示一个线程在等待、休眠或其他占用时间不长的操作时被中断。作为一个资深的Java开发者…

Navicat 连接 OceanBase 快速入门 | 社区版

Navicat Premium(16.1.9或更高版本)正式支持 OceanBase全线数据库产品。OceanBase为现代数据架构打造的开源分布式数据库。兼容 MySQL 的单机分布式一体化国产开源数据库,具有原生分布式架构,支持金融级高可用、透明水平扩展、分布…

CCF CAT- 全国算法精英大赛(2024第二场)往届真题练习 2 | 珂学家

前言 这是第二场CCF的练习赛,找找手感,顺便熟悉下赛氪OJ平台。 当前就做了5题,感觉还可以,部分题目质量蛮高的,但是易错。 第1题dp入门题, 第5属于诈骗题,第2和第3挺有难度的,第四…

【杂七杂八】Huawei Gt runner手表系统降级

文章目录 Step1:下载安装修改版华为运动与健康Step2:在APP里进行配置Step3:更新固件(时间会很长) 目前在使用用鸿蒙4 111版本的手表系统,但是感觉睡眠检测和运动心率检测一言难尽,于是想到是否能回退到以前的版本&…

力扣:349. 两个数组的交集

349. 两个数组的交集 给定两个数组 nums1 和 nums2 ,返回 它们的 交集 。输出结果中的每个元素一定是 唯一 的。我们可以 不考虑输出结果的顺序 。 示例 1: 输入:nums1 [1,2,2,1], nums2 [2,2] 输出:[2]示例 2: …

P1638 逛画展

题目描述 博览馆正在展出由世上最佳的 𝑚 位画家所画的图画。 游客在购买门票时必须说明两个数字,𝑎 和 𝑏,代表他要看展览中的第 𝑎 幅至第 𝑏 幅画(包含 𝑎,&#x1…

设计模式14——组合模式

写文章的初心主要是用来帮助自己快速的回忆这个模式该怎么用,主要是下面的UML图可以起到大作用,在你学习过一遍以后可能会遗忘,忘记了不要紧,只要看一眼UML图就能想起来了。同时也请大家多多指教。 组合模式(Composit…

Flutter 中的 DropdownButtonFormField 小部件:全面指南

Flutter 中的 DropdownButtonFormField 小部件:全面指南 在Flutter中,DropdownButtonFormField是一个特殊的表单字段小部件,它结合了下拉选择框(DropdownButton)和表单字段(FormField)的功能。…

LeetCode199二叉树的右视图

题目描述 给定一个二叉树的 根节点 root,想象自己站在它的右侧,按照从顶部到底部的顺序,返回从右侧所能看到的节点值。 解析 这一题的关键其实就是找到怎么去得到当前是哪一层级,可以利用队列对二叉树进行层次遍历,但…

ICRA 2024: NVIDIA 联合多伦多大学、加州大学伯克利分校、苏黎世联邦理工学院等研究人员开发了精细操作的手术机器人

英伟达(NVIDIA)正与学术研究人员合作,研究手术机器人。 NVIDIA 联合多伦多大学、加州大学伯克利分校、苏黎世联邦理工学院和佐治亚理工学院的研究人员开发了 ORBIT-Surgical,一个训练机器人的模拟框架,可以提高手术团…

vue3的api风格

Vue的组件有两种不同的风格:组合式API 和 选项式API 选项式api 选项式API,可以用包含多个选项的对象来描述组件的逻辑,如:data,methods,mounted等。 组合式api setup:是一个标识,告…

我用Mybatis的方式封装了OLAP查询!

背景 相信做数据平台的朋友对OLAP并不陌生,主流的OLAP引擎有Clickhouse,Impala,Starrocks…以及公司二开的OLAP平台,本次要说的OLAP属于最后一种。 最近在做一个BI项目,业务背景很简单,就是一个数据展示平…

图像上下文学习|多模态基础模型中的多镜头情境学习

【原文】众所周知,大型语言模型在小样本上下文学习(ICL)方面非常有效。多模态基础模型的最新进展实现了前所未有的长上下文窗口,为探索其执行 ICL 的能力提供了机会,并提供了更多演示示例。在这项工作中,我…

Docker简单使用

1.简单认识 软件的打包技术,就是将打乱的多个文件打包为一个整体,比如想使用nginx,需要先有一台linux的虚拟机,然后在虚拟机上安装nginx.比如虚拟机大小1G,nginx100M。当有了docker后我们可以下载nginx 的镜像文件&am…

分布式锁1-分布式锁实现的三种方式

分布式锁概念 为什么使用分布式锁 假设有这样一个场景,双十一抢iphone15ProMax手机场景,可以抢多台。操作数据库接口如下: void reduceInventory(Long id,int count) {//1.拿到数量信息Product product mapper.selectById(id);//2.修改数量…

2024.05.24|生信早报【AI测试版】

植物再生领域重大突破 山农大团队发现植物“再生指挥官”REF1:中国科学院院士种康高度评价,认为这一发现对细胞分化与再生领域的基础科学研究和生物技术应用具有重大意义。 生物医药专业园区建设\n- 卫光生命科学园聚焦合成生物学、脑科学&#xff1a…

学习通项目总结:

1.字体大小和按钮的大小不统一导致很难看 2.只是做了基础的功能点没有自己的想法(没有创新) 3.使用了很多的线程不安全的集合,对于线程安全的认识还需要加强 4.对数据库的认识太少了,就只使用了最简单的增删改查,相…

详细介绍一下Votenet的工作原理及流程

Votenet是一种基于深度学习的三维目标检测和实例分割方法,其工作原理主要包括两个步骤:候选框生成和目标分类与分割。 1.候选框生成: 首先,Votenet通过将三维点云数据转化为连续的坐标网格,将三维目标检测问题转化为二…