摘要：目的：隨著城市化進(jìn)程的加快，高度集約化的超高層建筑應(yīng)運(yùn)而生。在超高層建筑設(shè)計(jì)過程中，需要綜合考慮眾多因素，如建筑結(jié)構(gòu)、建筑性能、平面布局等，可利用信息最大化生成對抗網(wǎng)絡(luò)InfoGAN，使機(jī)器自主學(xué)習(xí)和掌握超高層建筑三維形體信息，以豐富建筑師的設(shè)計(jì)思路。方法：文章首先提取典型超高層建筑模型并構(gòu)建高質(zhì)量的數(shù)據(jù)庫，為深度學(xué)習(xí)技術(shù)在超高層建筑設(shè)計(jì)中的應(yīng)用奠定理論和數(shù)據(jù)基礎(chǔ)。隨后利用InfoGAN的可解釋性特征進(jìn)行實(shí)驗(yàn)，生成含三維形體信息的平面圖并進(jìn)行三維重建，最終得到多樣化的自定義設(shè)計(jì)方案。結(jié)果：通過最大化互信息的方式，實(shí)現(xiàn)對無標(biāo)簽數(shù)據(jù)的有效利用，生成具有可解釋特征的樣本。這為設(shè)計(jì)師提供了更多的方向選擇和更大的思考空間，有助于縮短設(shè)計(jì)思考的時(shí)間，提高設(shè)計(jì)效率。結(jié)論：通過基于InfoGAN的建筑形體生成方法，得到更具有可解釋性的建筑形體，能使設(shè)計(jì)師更清晰地理解生成建筑背后的設(shè)計(jì)原理和邏輯。

關(guān)鍵詞：InfoGAN；超高層建筑；形體生成

中圖分類號：TU972 文獻(xiàn)標(biāo)識碼：A 文章編號：1004-9436（2024）09-0-04

0 引言

隨著城市的持續(xù)擴(kuò)張，世界范圍內(nèi)涌現(xiàn)出多個(gè)引人注目的標(biāo)志性超高層建筑，引發(fā)了廣泛的學(xué)術(shù)和公眾討論。二戰(zhàn)結(jié)束后，各國進(jìn)入建設(shè)的新時(shí)代，科學(xué)技術(shù)不斷進(jìn)步，全球人口持續(xù)增長，傳統(tǒng)建筑形式在工作、生活等方面已無法滿足需求，隨著材料和結(jié)構(gòu)的進(jìn)步，超高層建筑逐漸增多［1］。同時(shí)，隨著技術(shù)的迅速發(fā)展，機(jī)器在建筑設(shè)計(jì)中的作用日益凸顯。而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支，其在2006年之后迅速發(fā)展，并取得顯著的成果［2］。這引發(fā)了學(xué)者們對其在建筑領(lǐng)域的應(yīng)用的興趣，為建筑行業(yè)的發(fā)展帶來了新的思路和機(jī)遇。

1 基于人工智能的生成式設(shè)計(jì)相關(guān)研究

由于計(jì)算機(jī)硬件和軟件的限制，早期機(jī)器參與設(shè)計(jì)的嘗試未取得重大突破。20世紀(jì)90年代初，隨著機(jī)器學(xué)習(xí)技術(shù)的出現(xiàn)，建筑設(shè)計(jì)逐步邁向人工智能時(shí)代。通過人工智能技術(shù)，建筑師和規(guī)劃者能夠更準(zhǔn)確地分析數(shù)據(jù)、模擬場景，從而更好地理解用戶需求和空間特征。以往的研究表明，結(jié)合人工智能技術(shù)生成建筑三維形體的方式按輸入數(shù)據(jù)類型可分為4類。

1.1 基于二維圖形的生成式設(shè)計(jì)

基于二維圖形的建筑生成式設(shè)計(jì)是一種利用計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)的自動(dòng)化方法。通過將建筑模型轉(zhuǎn)換為二維圖像并輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，系統(tǒng)能夠生成符合要求的三維建筑設(shè)計(jì)方案。2010年，斯坦福大學(xué)的保羅·梅雷爾等人采用貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)住宅建筑布局的自動(dòng)生成［3］。然而，由于該方法需要大量真實(shí)世界的數(shù)據(jù)，且貝葉斯網(wǎng)絡(luò)無法完全捕捉所有復(fù)雜關(guān)系，生成的布局可能不符合實(shí)際需求。2019年，華南理工大學(xué)的劉宇波等學(xué)者展示了機(jī)器學(xué)習(xí)方法在建筑設(shè)計(jì)領(lǐng)域的應(yīng)用潛力，通過淺層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)柏林自由大學(xué)建筑形體的自動(dòng)生成［4］。

1.2 基于體素的生成式設(shè)計(jì)

基于體素的生成式設(shè)計(jì)指降低建筑模型的精度，應(yīng)用其體素信息至3dCNN、3dGAN的神經(jīng)網(wǎng)絡(luò)，模型經(jīng)訓(xùn)練后可隨機(jī)產(chǎn)生類似的低精度的基于體素的建筑模型。2021年，墨爾本皇家理工大學(xué)的王大宋等學(xué)者提出基于強(qiáng)化學(xué)習(xí)的體素化建筑形體生成方法，通過獎(jiǎng)勵(lì)評價(jià)可以生成復(fù)雜的體素化建筑形體，具有較強(qiáng)的靈活性和實(shí)用性［5］。

1.3 基于控制元素的生成式設(shè)計(jì)

基于控制元素的生成式設(shè)計(jì)是指將建筑模型的控制點(diǎn)或控制線作為原始數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，再將生成的數(shù)據(jù)逆向還原為三維建筑模型的方法。2021年，鄭豪開發(fā)了基于曲線控制點(diǎn)的神經(jīng)網(wǎng)絡(luò)，通過傳統(tǒng)參數(shù)化建模方法建立3D模型數(shù)據(jù)庫，以更高的精度和更快的速度生成建筑幾何圖形。

1.4 基于自然語言的生成式設(shè)計(jì)

基于自然語言的生成式設(shè)計(jì)將處理后的自然語言作為神經(jīng)網(wǎng)絡(luò)輸入，生成符合描述的平面圖，再通過規(guī)則生成三維建筑模型。2020年，賓夕法尼亞大學(xué)的張航提出LAFGM模型，其能預(yù)測接近文本描述的3D形式，但生成結(jié)果仍為平面圖［6］。

1.5 小結(jié)

總體來說，建筑界開始關(guān)注深度學(xué)習(xí)算法與生成設(shè)計(jì)的結(jié)合。但研究集中在利用深度學(xué)習(xí)算法處理圖片、二維戶型平面以及三維維度，以探索智能設(shè)計(jì)的生成和優(yōu)化方法［7］。當(dāng)前的挑戰(zhàn)之一是直接將三維建筑模型信息輸入神經(jīng)網(wǎng)絡(luò)，雖然可以避免信息丟失，但由于硬件限制和數(shù)據(jù)集不足，效果尚不盡如人意。與此相比，基于圖像的神經(jīng)網(wǎng)絡(luò)已相對成熟，但存在控制性和可解釋性不足的問題。因此本文從上述問題出發(fā)，提出一種基于信息最大化生成對抗網(wǎng)絡(luò)的三維形體生成方法。

2 基于InfoGAN的三維形體生成方法

InfoGAN通過最大化互信息來獲得可解釋的特征表示，不需要依賴標(biāo)簽信息，能夠有效解決目標(biāo)信息不足的問題［8］。相較于普通的生成對抗網(wǎng)絡(luò)GAN，InfoGAN在生成器的輸入中引入一個(gè)附加參數(shù)，即未知的隱變量。通過無監(jiān)督學(xué)習(xí)推斷其后驗(yàn)分布，生成具有可解釋特征的樣本。這種引入隱變量的方式賦予生成樣本一定的可控性和可解釋性，為深度學(xué)習(xí)任務(wù)提供更靈活的特征表示方式。

2.1 超高層建筑典型模型建立

通過對超高層建筑的形體信息進(jìn)行調(diào)研，發(fā)現(xiàn)超高層建筑的典型模型需要確定外表皮及內(nèi)部核心筒兩個(gè)層級的信息，各包含形狀和變形手法兩個(gè)方面，并確定形體設(shè)計(jì)參數(shù)的閾值。受建筑結(jié)構(gòu)、功能布局等多方面因素的影響，最終可以得到如表1所示的11種典型超高層建筑形體。

2.2 數(shù)據(jù)集制作

出于對計(jì)算機(jī)性能和多次重復(fù)實(shí)驗(yàn)的考慮，設(shè)定整個(gè)場地輪廓為48 m×48 m，同時(shí)按如下超高層建筑的生成步驟得到總計(jì)28 611個(gè)樣本。

第一，首先將地塊的中心作為外表皮和核心筒的中心，繪制邊長一定的外表皮邊框和核心筒邊框，從而得到底層的平面圖。

第二，其次，根據(jù)設(shè)計(jì)手法，以40 m為間隔，向上依次繪制對應(yīng)建筑類型的每一層外表皮的平面圖。具體來說，若設(shè)計(jì)手法為收縮/放大，須確定在0%～100%范圍內(nèi)的頂面面積占底面面積的百分比；若設(shè)計(jì)手法為扭轉(zhuǎn)，須確定在0°～20°范圍內(nèi)的相鄰兩層間的順時(shí)針旋轉(zhuǎn)角度。

第三，將底層的外表皮邊框和頂層的外表皮邊框進(jìn)行放樣，從而得到一個(gè)320 m高的超高層建筑的外表皮的三維模型。

第四，同理得到核心筒的三維模型，進(jìn)而得到完整的包含外表皮和核心筒的三維模型。

第五，將每一層的平面圖分別繪制在一張48×48像素的圖像中，即將地塊中1 m對應(yīng)1像素，并劃分出48×48個(gè)以1像素為單位的方格。將外表皮邊框和核心筒邊框所在的格子設(shè)置為白色，外表皮邊框和核心筒邊框中間的格子也設(shè)置為白色，剩余設(shè)置為黑色，若平面中的邊框與格子邊框重合，那么將其下方或者右方的格子設(shè)置為白色，即可得到9張含有平面的二值圖。

第六，最后將9張含各層平面的圖片按從左到右、從上到下的順序以3為單位排列組成一張含9層平面的二值圖。

2.3 平面形式生成

智能體經(jīng)過2000代訓(xùn)練后的生成結(jié)果如圖1所示。其中，每一列代表一個(gè)離散的類別，每一行代表輸入的c2取定值、c1取不同連續(xù)值的圖像生成情況。首先觀察不同列，可知圖像被分為11類，與輸入數(shù)據(jù)的種類數(shù)相同，且具體種類情況也符合預(yù)期；其次由上到下觀察同一列不同行，可以看出，核心筒的面積隨著c1的變化呈現(xiàn)出逐漸變小的趨勢，因此可以認(rèn)為c1控制的是核心筒的大小。同時(shí)觀察到頂占底面積范圍的0%～100%中為50%，扭轉(zhuǎn)范圍的0°～20°中角度約為10°，此時(shí)可以估計(jì)出c2約取定值0.5。同理可以得到c2控制的是圖形設(shè)計(jì)手法的屬性的變化，即若是扭轉(zhuǎn)形體則對應(yīng)扭轉(zhuǎn)的角度變化，若是縮放圖形則對應(yīng)頂面面積與底面面積的占比。

2.4 空間形體生成

2.4.1 建筑圖紙預(yù)處理

圖像預(yù)處理是建筑圖紙識別的重要步驟之一，其準(zhǔn)確性和效率直接影響到后續(xù)建模和分析的結(jié)果。為了保留有用的邊界信息并消除噪聲干擾，需要進(jìn)行二值化處理，而選擇合適的閾值對保留有用信息至關(guān)重要。實(shí)踐發(fā)現(xiàn)，平面圖的背景顏色在不同訓(xùn)練階段可能會(huì)有所不同，在訓(xùn)練后期通常趨于穩(wěn)定，灰度值接近128，若直接將128作為閾值可能導(dǎo)致噪聲干擾過多。為了解決閾值選擇的問題，采用OTSU自適應(yīng)閾值算法［9］。

2.4.2 基于ResNet的建筑平面功能識別

平面圖中同時(shí)包含外表皮和核心筒的框線，這構(gòu)成整個(gè)建筑圖紙的框架信息，因此識別建筑不同功能的框線非常重要?？紤]在識別出平面圖中包含的外表皮和核心筒的框線后，利用其作為約束進(jìn)而完成對應(yīng)的三維圖形擬合。而在進(jìn)行外表皮和核心筒框線的分類時(shí)，即使進(jìn)行降噪，但仍有一定的噪點(diǎn)存在，且生成的對象并不是光滑連續(xù)的線條，為實(shí)現(xiàn)自動(dòng)生成，考慮使用ResNet分類模型對這些不同的功能進(jìn)行分類。一般來說，ResNet是用來進(jìn)行圖片分類的，但功能分類與圖片分類存在差異，所以需要采取一定的轉(zhuǎn)化措施，即考慮平面中每一個(gè)點(diǎn)屬于核心筒內(nèi)的點(diǎn)還是外表皮內(nèi)的點(diǎn)。具體來說，對某一張平面圖，將其中某一個(gè)像素改變?yōu)榧t色，可得到144張含有單紅點(diǎn)的圖，再按照紅點(diǎn)出現(xiàn)的位置，將其分類為核心筒內(nèi)的點(diǎn)和外表皮內(nèi)的點(diǎn)，這樣就可以在考慮整體平面信息的同時(shí)對點(diǎn)進(jìn)行分類。

2.4.3 三維形體擬合

最后利用改進(jìn)的Alpha shape算法對外表皮和核心筒的點(diǎn)陣分別進(jìn)行擬合得到擬合圖形，從而得到外表皮和核心筒三維模型。由實(shí)驗(yàn)結(jié)果表2可以看出，降噪后的建筑圖紙建立的點(diǎn)陣圖形狀較為規(guī)整，幾乎沒有偏離整體圖形較大的異常點(diǎn)存在。而由點(diǎn)陣圖經(jīng)改進(jìn)的Alpha Shape算法計(jì)算擬合得到的超高層建筑三維模型在立面上線條過渡圓滑，平面上也能夠反映核心筒和外表皮的圖形，從而實(shí)現(xiàn)精確的三維重建。

3 結(jié)語

本文研究建筑領(lǐng)域內(nèi)基于深度學(xué)習(xí)進(jìn)行建筑平面生成的問題，注意到GAN在應(yīng)用過程無法明確輸入與輸出的關(guān)系，導(dǎo)致生成的對象不受控制，具有不可解釋性，因此提出一種基于InfoGAN的建筑生成方法，結(jié)果表明通過無監(jiān)督學(xué)習(xí)方式得到可解釋的特征表示。同時(shí)本文還針對在建筑領(lǐng)域基于深度學(xué)習(xí)進(jìn)行建筑形體生成的問題，提出一種將三維的建筑形體信息轉(zhuǎn)譯為圖片并利用InfoGAN、基于圖形識別的超高層建筑三維重建技術(shù)進(jìn)行建筑形體生成的方法。該方法將InfoGAN網(wǎng)絡(luò)生成的含有9個(gè)平面信息的建筑圖紙二值化，并利用ResNet分類模型進(jìn)行建筑功能的劃分，最后基于改進(jìn)的Alpha Shape算法實(shí)現(xiàn)由2D到3D的重建。

參考文獻(xiàn)：

［1］ 張俊婉，李磊，陶卓民.全球摩天大樓時(shí)空格局演變及影響因素分析［J］.現(xiàn)代城市研究，2023（6）：75-81.

［2］ 尹寶才，王文通，王立春.深度學(xué)習(xí)研究綜述［J］.北京工業(yè)大學(xué)學(xué)報(bào)，2015，41（1）：48-59.

［3］ 保羅·梅雷爾，埃里克·施庫夫扎，弗拉德倫·科爾圖恩.計(jì)算機(jī)生成的住宅建筑布局［C］//國際計(jì)算機(jī)協(xié)會(huì). 2010年度亞洲計(jì)算機(jī)圖形圖像與交互技術(shù)大會(huì)論文集.首爾：首爾大學(xué)工程學(xué)院，2010：1-12.

［4］ 劉宇波，林文強(qiáng)，鄧巧明，等.基于神經(jīng)網(wǎng)絡(luò)的建筑形態(tài)生成探索：以柏林自由大學(xué)為例［C］//全國高等學(xué)校建筑學(xué)專業(yè)教育指導(dǎo)分委員會(huì)建筑數(shù)字技術(shù)教學(xué)工作委員會(huì).共享·協(xié)同：2019全國建筑院系建筑數(shù)字技術(shù)教學(xué)與研究學(xué)術(shù)研討會(huì)論文集.廣州：華南理工大學(xué)建筑學(xué)院，2019：9.

［5］ 王大宋，羅蘭·斯努克斯.生成設(shè)計(jì)的人工直覺：一種基于強(qiáng)化學(xué)習(xí)的方法［C］//數(shù)字未來執(zhí)行委員會(huì). 2020數(shù)字未來論文集：第二屆計(jì)算設(shè)計(jì)與機(jī)器人制造國際學(xué)術(shù)研討會(huì).上海：同濟(jì)大學(xué)建筑與城市規(guī)劃學(xué)院，2021：189-198.

［6］ 張航.從文本到形態(tài)［C］//國際計(jì)算機(jī)輔助建筑設(shè)計(jì)協(xié)會(huì).第40屆建筑計(jì)算機(jī)輔助設(shè)計(jì)協(xié)會(huì)年會(huì)論文集.上海：同濟(jì)大學(xué)建筑與城市規(guī)劃學(xué)院，2020：238-247.

［7］ 馬辰龍，朱姝妍，王明潔.機(jī)器學(xué)習(xí)技術(shù)在建筑設(shè)計(jì)中的應(yīng)用研究［J］.南方建筑，2021（2）：121-131.

［8］ 程芳芳.基于GAN網(wǎng)絡(luò)的無線信道建模方法研究［D］.大連：大連海事大學(xué)，2022.

［9］ 曹爽.基于OTSU算法的圖像閾值分割技術(shù)［D］.太原：太原理工大學(xué)，2018.

作者簡介：陳闖 （1996—），男，研究方向：建筑技術(shù)科學(xué)。