[论文解读] Application of Deep Learning in Generating Desired Design Options: Experiments Using Synthetic Training Dataset

Zohreh Shaghaghian, Wei Yan|arXiv (Cornell University)|Dec 28, 2019

Simulation Techniques and Applications参考文献 19被引用 12

一句话总结

本文提出了一种深度学习框架，通过在合成的2D形状数据集上进行训练，生成定制化的建筑设计方案。该框架首先使用卷积神经网络（CNN）对未见过的形状进行分类，然后采用条件生成对抗网络（cGAN）生成针对空间日光照度利用率（sDA）优化的新窗户/墙体图案，在分类和设计生成任务中均表现出色。

ABSTRACT

Most design methods contain a forward framework, asking for primary specifications of a building to generate an output or assess its performance. However, architects urge for specific objectives though uncertain of the proper design parameters. Deep Learning (DL) algorithms provide an intelligent workflow in which the system can learn from sequential training experiments. This study applies a method using DL algorithms towards generating demanded design options. In this study, an object recognition problem is investigated to initially predict the label of unseen sample images based on training dataset consisting of different types of synthetic 2D shapes; later, a generative DL algorithm is applied to be trained and generate new shapes for given labels. In the next step, the algorithm is trained to generate a window/wall pattern for desired light/shadow performance based on the spatial daylight autonomy (sDA) metrics. The experiments show promising results both in predicting unseen sample shapes and generating new design options.

研究动机与目标

• 解决建筑师在拥有期望性能结果但设计参数不明确时生成设计方案的挑战。
• 开发一种从合成训练数据中学习的深度学习工作流，以生成新颖的、基于性能的建筑形态。
• 评估使用条件生成模型进行建筑设计的可行性，采用空间日光照度利用率（sDA）等指标。
• 通过端到端深度学习，弥合基于性能的设计目标与参数化设计探索之间的差距。

提出的方法

• 在合成的2D形状数据集上训练卷积神经网络（CNN），根据其几何特征对未见过的样本进行分类。
• 训练条件生成对抗网络（cGAN），以生成对应特定标签（如窗户或墙体图案）的新2D形状。
• 将cGAN以目标sDA值为条件，生成满足特定日光照度性能指标的设计方案。
• 训练数据集由具有受控几何变化和空间分布的合成2D形状组成。
• 通过sDA作为定量指标对性能进行评估，以衡量生成设计方案的日光照度性能。
• 通过生成图案与目标性能水平的定性与定量分析对模型进行验证。

实验结果

研究问题

• RQ1 深度学习模型能否准确分类来自合成数据集的未见过的2D形状？
• RQ2 条件生成对抗网络在多大程度上能够生成符合特定日光照度性能目标的新颖建筑图案？
• RQ3 该模型在生成与期望空间日光照度利用率（sDA）水平一致的设计方案方面效果如何？
• RQ4 合成训练数据能否有效支持基于性能的建筑设计方案生成？

主要发现

• CNN在分类合成数据集中未见过的2D形状样本方面表现出高准确率，显示出从训练数据中强大泛化能力。
• 条件生成对抗网络（cGAN）成功基于目标sDA值生成了多样化且视觉上合理的窗户和墙体图案。
• 生成的设计在空间日光照度利用率（sDA）方面表现出可测量的提升，表明其与基于性能的设计目标一致。
• 该框架证明了使用合成数据和深度学习生成基于性能的建筑设计方案的可行性，且无需依赖真实世界的设计数据。