清华大三学妹玩转“建筑学+计算机学”交叉学科演绎参数化辅助设计+AIGC辅助引爆传统建筑设计

文摘   2025-01-31 16:36   安徽  

本次优秀作品为大家分享的是

目前就读于清华大学建筑学大三的

韦紫荷、苗绘同学的作品

基于多源大数据和机器学习的消费视角下北京市文化创意产业园区形式与功能研究——以二热电厂为应用实例》




👀
先来一波高清大图~






选题背景

这次城市综合体的题目很特别,老师希望我们能以人机协同为核心,围绕一个城市现象或问题做一个深入的研究并将研究结果应用于设计。做研究对于建筑学的同学来说其实是很大的挑战,因为过去我们所受到的训练都是循证的设计思维而非研究思维,意味着需要抛弃过去熟悉的设计方法,重新探索一种在新技术赋能下的研究型设计的思路。


本次设计的场地是北京市二热电厂旧厂房,作为城市更新语境下的特殊场所,二热电厂与周围的天宁寺片区已经开始了更新的进程——文化创意园区天宁1号已经在场地周围开始运营并有多种业态商家、企业、机构等进驻。结合场地未来发展的趋势以及老师的建议,我们最终选择研究北京市文化创意园区的形式与功能,并通过对北京市文化创意园区的业态和空间形式的研究来改造本次设计的对象——二热电厂的旧厂房。




北京市文化创意园区的功能研究

研究部分分成功能形式两部分进行,具体可看下面的流程图。


功能部分的研究聚焦于北京市文化创意园区10年内(2014-2023)业态的变化,数据为各园区范围内2014、2018、2023年的POI。为了方便统计,参考已有文献的研究,将POI分为restaurant, self-management, creative amenities 和 recreation四类,其中前两者与文化消费有关,后两个与文化生产相关,并将各园区的数据以河流图以及GIS地图的方式可视化呈现。引入位置熵LQ的概念,计算每个园区在2014、2018、2023年以及2014-2018、2018-2023年段间的Q值以及相对于所有园区和北京市的LQ,通过LQ来衡量园区消费聚集能力,从而判断哪些园区在10年内保持着高消费吸引力。


这张漂亮直观的的园区LQ值可视化图采用QGIS + rhino grasshopper制作,意在直观展现每个园区2014、2018和2023年LQ值的相对大小和其在北京市的地理位置信息。



由桑基图和散点气泡图可见北京市的文化创意园区消费吸引度有趋同的趋势,同时园区在年段内消费聚集能力也在下降。如何提高园区的消费聚集度就成为了园区下个十年应该考虑的重要问题。这也是研究的第二个部分——北京市文化创意园区形式研究——所要探讨的内容。





北京市文化创意园区的形式研究

基于LQ位置熵我们筛选出了81个园区中消费聚集度高于一般水平的园区,并收集这些园区在小红书和微博上的图片。由于本次改造设计关注厂房内的设计,所以我们将目标聚焦于这些高消费聚集度园区室内的空间形式特征,即筛选出符合要求的室内图片作为数据集。


筛选出符合要求的图片后下一步就是识别物体,归纳特征。目前的研究中比较常用且可靠的识别物体的方法为语义分割,在本次研究我们选择了PSPNet机器学习模型。根据我们厂房改造的以结构为主要因素的设计导向要求,我们将PSPNet可识别的物体分成structure(结构), hard(硬装), soft(软装)三类,并将语义分割得出的特征百分比按照上述分类统计。


统计后的下一步我们尝试采用聚类的方法归纳这些园区的特征。在对比k-means和GMM两种聚类方法和k=2,4等不同数目的类后,我们最后采用k=2时k-means的聚类方法来归纳这些园区的特征。


遗憾的是,受限于我们数据集的总量,聚类效果最好的k=2时k-means轮廓系数并不理想,后续如若能扩大数据量再进行聚类的话应该结果更科学合理。



进行语义分割和聚类后,我们得到了消费聚集度高的园区的两类特征,即k-means聚类后的两个聚类中心。通过功能的研究和形式的研究,我们可以预测天宁1号(二热电厂所在场地)未来10年的POI数量和分布以及更有利于提高消费聚集度的空间特征,有了上述两个条件以及二热电厂厂房的结构数据,便集齐了进行设计的形式、功能和结构三要素,至此可以开始应用设计。


二热旧厂房室内改造


在设计部分的两个尺度——中观的体块安排和微观的场景营造——我们分别采用了参数化辅助设计和AIGC辅助具体场景营造的方法。



参数化部分基于rhino+grasshopper,以厂房结构为出发点,根据功能研究中对POI的预测结果分配体块类型和大小,并生成多种满足结构要求的排布方案;引入羊毛算法测量体块连接程度并建立路径,同时人工引入一些路径;最后在每个空间块内设置不同数量的兴趣点、通过pedsim模拟不同数量人流分布情况,以判断最后每个空间中合理的兴趣点数量。



具体场景营造则采用stable diffusion的realisticVision大模型,通过模型线稿控制人视点建筑场景、通过语义分割控制structure, hard, soft的比例,再定义某种目标风格,选用风格的lora模型,从而批量产出具体的室内设计场景。输入Stable diffusion的语义分割特征百分比来自上述的形式研究的聚类结果。



上述的设计方法并非有意得到某种确切风格的建筑设计方案,相反的,我们想要跳出所谓风格的限制、关注更普遍的以结构为主导因素的旧建改造、探索以研究为驱动力的新型建筑设计思路,摆脱过去设计师主导的、经验为依据的建筑设计方法。虽然这个研究可能还存在不少漏洞和可改进之处,但一次踏实而深入的新技术语境下的研究型设计在本科阶段是非常难得的。



结语

完成这个研究的其实是4位大三的同学,两位建筑学的同学和两位计算机相关的同学。有心的读者通过上面的叙述可以理解到在这个学科交叉的研究中,建筑学和计算机的同学彼此进行了高效沟通、理解彼此的工作内容但在实际操作中各有侧重。我们认为这或许才是真正的学科交叉团队的工作方式,而非一个人试图掌握所有技能和知识。


面对不断涌现的新技术,建筑学的同学往往感到焦虑和迷茫。但现在新技术的冲击又与之前的冲击有何不同呢?以积极拥抱的态度坦然接受,把焦虑的时间用来去尝试、学习,或许会在喧嚣的时代里更有定力、更从容。


图文来源 / 韦紫荷、苗绘

文中作品及图片归原作者本人所有

未经允许禁止转载


- END -

关注我们,发现更多精彩☞ 技能提升设计理论国际竞赛作品集


UA设计学堂
Unique Arch-Art︱分享建筑与艺术设计知识
 最新文章