19、利用机器学习与混合方法的建筑形态寻找与拓扑优化

利用机器学习与混合方法的建筑形态寻找与拓扑优化

利用机器学习进行形态寻找与评估

在建筑设计中，为了让测试者更高效地对形态进行评分，采用了一种特殊的评分方式。测试者从6个形态中挑选出相对喜欢的形态，以0.33、0.66或1来表示其偏好程度。对于一位受过良好教育的建筑师来说，完成400个形态的评分大约需要10分钟，平均每批3秒。

为了证明机器学习在预测评分方面的可行性，会对同一测试者进行三次测试：
1. 第一次测试 ：测试者需从自己的角度挑选最简单的形态。
2. 第二次测试 ：测试者需挑选最复杂的形态。这两次对比测试的目的是将个人偏好简化到一个更容易通过常识评估的程度。
3. 第三次测试 ：测试者根据自己的偏好挑选形态。如果机器学习算法在第一个模型中成功给简单形态更高的分数，在第二个模型中给复杂形态更高的分数，那么就证明了其可行性，第三次测试也就更具说服力。

机器学习过程

在收集完三次测试的数据后，采用基于向量的人工神经网络这一机器学习算法来学习从形态到分数的映射，找出基于偏好测试对形态进行评分的规则。其他神经网络，如基于像素的CNN和基于体素的3D CNN，不太适合学习多面体形态，因为只有线状模型的3D呈现才能最好地描述多面体形态，而不是实体状模型的2D呈现。

将神经网络应用于数据学习时，具体步骤如下：
1. 数据转换 ：将数据按照结构化格式进行转换，以便计算机能够数字化理解。构建基于3DGS的多面体形态所需的必要数据包括原始边界四面体和迭代细分规则