19、利用机器学习与混合方法进行建筑设计优化

利用机器学习与混合方法进行建筑设计优化

1. 机器学习在建筑形态寻找与评估中的应用

在建筑设计中，找到合适的结构形态是一项关键任务。通过对力场图中的多面体几何形状进行细分，可以生成各种不同的形态，且每个形态的参数集都是独特且可区分的。这种清晰的数据结构使得神经网络能够学习其特征并对形态进行评估。

1.1 偏好测试

为了让测试者更轻松地对 400 种形态进行评分，采用了特殊的评分方式。测试者从 6 种形态中选出相对更喜欢的形态，评分值为 0.33、0.66 或 1，以此来表示其偏好。对于受过良好教育的建筑师来说，整个测试大约需要 10 分钟，平均每组 3 秒。

为了证明机器学习在预测评分方面的可行性，对同一测试者进行了三次测试：
- 第一次测试：测试者需从自己的角度选择最简单的形态。
- 第二次测试：测试者需选择最复杂的形态。
- 第三次测试：测试者根据自己的偏好选择形态。

前两次对比测试的目的是将个人偏好简化到一个更易于通过常识评估的程度。如果机器学习算法在第一个模型中成功为简单形态赋予更高的分数，在第二个模型中为复杂形态赋予更高的分数，那么就证明了其可行性，第三次测试也更具说服力。

1.2 机器学习过程

在收集了三次测试的数据后，使用基于向量的人工神经网络作为框架来学习从形态到分数的映射。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，因为只有线状建模的 3D 表示才能最好地描述多面体形态，而不是实体状建模的 2D 表示。

将数据应用于神经网络学习的步骤如下：
1. 数据转换