基于物理风洞与神经网络算法的建筑群体形态生成设计方法研究
发布时间：2020-03-06
摘 要 近年来，随着我国城市高层、高密度建筑群的发展，城市通风、热岛效应、空气污染以及行人热舒适度等已经成为研究城市高层建筑群体设计的重要课题。同时，环境性能化模拟与实验工具的不断发展，针对城市风环境影响进行初期概念设计决策的作用愈加凸显。本文首先介绍了以物理风洞为模拟工具的实验平台，包括数据采集、性能可视化设计方法探索;然后开发了一套针对高密度城市高层建筑群体的机械生形装置，打通建筑几何生成与城市风环境数据参数的关联;在此基础上，提出了一种将神经网络算法应用于高层建筑群场景的建筑几何生成设计优化算法。由此，实现城市设计导向的、基于城市高密度风环境性能化的、高层建筑形体预测与生成方法研究。
关键词 物理风洞;神经网络算法;动态模型;城市高层建筑;环境性能化生形
0 引 言
随着我国城市化进程的发展，高层建筑因其集约性和综合性而快速激增，由此造成的高密度城市空间加剧了城市气候的恶化，城市通风、热岛效 应、空气污染和行人舒适度等风热环境问题尤为显著。这些丰富的高层建筑形式具有“艺术美学” 与“技术美学”两种价值体系，更多考虑几何美学或结构工程[1]，对于高密度城市环境性能的关注与优化却更多滞后在设计后期，环境模拟与评价更像是事后验证而非早期形体决策的依据。事实上，设计阶段的环境评价对城市的最终品质能产生更加直接和深远的影响[2]。因此，重新思考建筑形态与城市气候的关系，特别是群体形态与城市风场的内在逻辑，探求在设计初期以风环境优化为驱动的设计方法尤为重要。
社会算力作为文明的度量[3]，数字技术变革了设计媒介，也催发着设计思维的转变。人与机器、物理现实与网络空间之间的互动逐渐成为数字文化的核心[4]。上世纪中期提出的“人机协同”[5]和倡导设计科学的“乌尔姆哲学”[6]，在数据和算力大幅提升的今天仍具有预言式的意义。从CAD和 CAAD的诞生，到性能模拟与生成设计在概念设计阶段的整合[7]，再到小库人工智能城市设计，设计决策的成因正从经验和直觉转向数据和分析[8]。人工智能作为后互联网时代的发展方向，塑造着技术社会新范式[9];而在建筑形式和被动系统、主动系统的历史层级关系中，形式至上的设计原则正在回归[10-11]。可以说，建筑师作为社会空间艺术和可持续建成环境的创造者，实现机器的智能理性与设计的自由意志的完美结合，是每一个心怀瓦格纳式情怀者的梦想。
格雷戈·林恩曾描述了建筑与场地之间的风、重力等环境要素是以场的形式起作用的内在规则与联系[12]，而机器学习作为人工智能的重要领域，能从训练数据中自动进步，从经验中自主学习[13]。因此，本研究旨在探讨以物理风洞和动态模型为实验平台的环境性能化建筑设计方法中，采用机器学习中的神经网络算法、跳过数字模拟去发掘这种内在规则的可能，做出有利于城市风环境的高层建筑群体形态决策。
1 环境性能物理模拟工具的回归
1.1 环境性能化生成设计的瓶颈
随着性能化模拟工具的不断发展，以往“试错式”的被动设计方法正逐渐被逻辑化的生成设计取代。由于设计初期阶段的正确决策很大程度上影响未来的能量消耗，环境性能模拟应从分析工具转向“前置性”的生成工具[14-15]。然而目前大量性能模拟工具受制于模型细节程度和模拟时长的博弈，难以在设计初期带来及时的反馈[16-17]，这种“后评价”的范式无法满足建筑师对于环境性能化设计的追求[18]。
参数化软件实现了建筑模型的迭代更新，基于Rhino+Grasshopper 平台，以Ladybug、Honeybee、Geco、Butterfly、 Dragonfly等为代表的气候分析、能耗模拟及可视化插件，弥补了方案设计阶段建模平台与能耗模拟平台之间的断口[15,19]，避免了传统的性能模拟流程中二次建模与模型格式转换等可能出现的错误和时间精力的浪费;同时，结合Galapogos插件的遗传算法与退火算法模块，还可自动调整模型进行方案优化[20]，实现建筑的环境性能化生成。然而，以G e c o 的日照计 算 组件连 接 Galapagos进行高层住宅自动布局为例，每次实验花费至少10小时以上[20]。这种方法以数值模拟为基础，本质是迭代遗传，即对第一代随机产生的形体解进行模拟，从中挑选最优解进行下一代的模拟，大量依赖计算机算力，每一代个体的模拟都需要大量耗时，因此实验效率是一个亟待提高的问题。可以说，目前这种基于数字模拟工具的迭代式生成方法，实际上只是在有限的随机解中择优，并非从环境性能到方案形体的逆向求解。
1.2 物理风洞的实时性与可感知性
数字技术衍生的虚拟界面使真实的空间和物质感受愈显珍贵，而采用物理测量工具对城市环境进行评价亦具有较高的可靠度[21]。随着传感、人机交 互、三维识别、增强现实等数字技术的发展，许多先锋研究者开始将目光重新聚焦到物理实验，开发各种定制型实验平台去探究物理现象的真实性[14]，为设计初期的环境模拟另辟蹊径。
物理风洞起源于18世纪60年代，近年来在建筑界的创新型定制成为一种复兴式的探索[14]，基于智能互动平台的风洞(图 1)以方案初期形体生成设计为导向，具有操作简单、成本可控、流场稳定等优势。烟雾可视化和冲刷实验等可视化方法能直观描绘风的加速、转向、湍流等现象(图2)，辅助建筑师真实地感知和分析建筑的风环境性能[14];同时，风压传感器和风速传感器又能将风场信息实时转化为数据，并传输至参数化软件中生成风场图解从而辅助设计决策。这种可感知性和环境数据获取的实时性，使风环境模拟从后置的设计验证转向前端的设计探索[22]。
2 “风洞城市”动态模型设计
高层建筑因其高度和体量，直接决定了城市空间形态。在同样的边界风速作用下，城市空间形态又很大程度地决定了城市通风[21] 。高密度城市空间容易导致风的滞留和局部漩涡，城市通风和自净能力下降;高层风、转角风等局部强风又会影响行人舒适和安全;建筑群的分布、排列形式会明显改变来流走向[23]。因此，通过对建筑群体形态和布局的调整，可在一定程度上与周边气流运动轨迹产生互动，对其风环境产生积极的反馈。“风洞城市”生形装置(图 3)便旨在探讨高密度城市中的高层建筑群体形态如何通过风洞实验进行优化，削弱高层建筑对建成后环境的消极影响。
2.1 高层建筑群体形态的风环境优化策略
随着“性能化设计”范式的提出，基于风环境性能的高层建筑形态认知与定量生成已成为建设宜居城市的重要方法。高层高密度城市区域特有的空间形态，决定了其通风模式不同于其他形态的城市区域。其中，上下风向建筑群体之间的气流运动以飞掠气流为主，因此区域通风依赖于开放空间形成的城市风道[24]。在风洞生形实验中，风道设计主要通过调整建筑布局以及单体建筑的朝向和具体形式来引导和改善通风。
一方面，在区域的主导风向上，高层建筑的朝向及布局宜交错分布，且建筑间须保留足够空间以防止狭管效应;前后排高层建筑应交错排列，减少前排建筑对风的阻挡，并在主风道上适当设置广场、连接街区空旷区域，以确保主风道的盛行风可贯通区域各角落，减少风影区的范围;建筑组合宜采用渐进式的高度分布，有利于减少风速突变;在保证日照达到标准的前提下，建筑朝向扭转适当的角度，节约用地的同时又能优化风环境[25]。
另一方面，区域中各单体建筑的形式也直接影响其周围的风场特性。建筑的高度、平面布局、立面形态、开窗方式、洞口大小及建筑与来流风向之间的夹角等因素，都可能影响建筑周围的风环境。团队的前期研究发现，风速波动随几何平面边数的增大而减小，且沿高度上的扭转和缩放将引导风的流向，立面的缩进可弱化下沉风对行人的冲击[26]，通过在建筑形体中设置“贯穿通风孔”也能弱化强风对建筑正面的冲击[27]，减小风影区范围，促进空气流动，优化行人舒适度。
据 此，研 究 总 结出几 种 常用的高层建筑风环境性能优化的形体策略，包括扭曲、退台、立面缩进、体量贯通、底层架空等(图4)。在CAADRIA 2018国际工作营第七组“结合物理风洞与动态模型的环境性能化城市与建筑自生形设计”中，团队以亚热带地区某城市高密度中心区为试验场地，开发了一套基于物理风洞的高层建筑群体形态生成装置(图5)。地块内以超高层建筑为主，最高建筑高度为300 m，地块东侧为住宅区，西侧为高层公共建筑，商业形态以山地形式的景观型综合体呈现，有利于弱化高密度地区的局部强风。由于亚热带高密度地区主要考虑通风需求，而实际项目中的建筑布局往往更多受制于日照要求，因此，本实验首先采用优化通风的建筑群布局手法、在日照初步确定群体布局的情况下，通过改变建筑的形态与朝向，即住宅群体采用底层架空策略，公共建筑分别采用扭曲、立面缩进、体量贯通的优化策略(图6)，通过风洞实验优化各建筑朝向与风向的夹角，最后确定其具体形式，达到对地块整体风环境的优化控制。
2.2 高密度高层建筑群的动态模型设计
基于旋转、平移、升降三种机械传动机制，“风洞城市“生形装置选取立面扭曲、立面缩进、体量贯通、旋转镂空、底层架空五种利于城市通风的高层建筑形体优化策略(图7)，进行动态模型的机械系统设计(图8)和相应的控制程序编写。团队将 6个不同形式及变形机制的模型主体部分置于风洞内，机械传动装置外置于风洞底板下，预留出机械传动装置与传感器的安装孔位，并进行密封处理。在动态模型的变化过程中，Arduino开源电子平台作为连接机械装置与参数化软件的桥梁，通过程序直接控制不同舵机的参数，利用舵机作为主动件通过齿轮的啮合带动从动件进行运动，从动件通过形态的设计可将运动方向和速度等转换成预期的形体变化模式，使各建筑模型的朝向、立面镂空的大小、扭曲或缩进的外部形态以及架空的高度等得以实现连续性的变化和量化控制(图4)。例如，采用立面缩进形式的建筑模型由两个舵机控制其变化，两个舵机分别控制整体旋转角度和立面缩进的最大直径。其中，每套机械装置均采用标准化设计，可根据不同的设计方案灵活改变其在风洞试验段底板上的位置，搭配不同的建筑形体(即建筑模型主体部分)，实现物理工具的永续利用。舵机的数量在整个结构中起到了增加运动多样性的作用，产生更丰富的形体变化。
“风洞城市”生形装置的设计，意义在于其所开发的多维运动机制，模拟了多种导风的形体动态变化。多维运动机制的不同组合，除了能产生建筑单体的朝向及形态的多种变化，也为建筑的布局提供动态变化的可能。“模型”不是范式，它可以被定义为仅是设计的一个技术，但当它成为思维的一种方式，就成为一部“抽象的机器”[28]。从基于预想的静态模型的结构到基于代码和计算生成的设计过程的逐渐转变[29]，交互编程技术为动态模型带来区别于传统模型的新定义，在于其所具有的非确定性的模式和可转换的性质，具有瞬时产生大量不同的形体数据的可能，满足了机器学习对海量样本数据的需求，打通建筑几何生成与城市风环境的关联。
3 设计导向的风环境性能化高层建筑群体形态生成方法
正如高德纳评论《生命游戏》时所说，所有规则都是确定性的，但游戏的过程却给人胜利的感觉[30]。这种再创作的快感源自于自由意志，而设计的价值也往往在不确定性中得以体现[31]。在基于物理风洞与神经网络算法的环境性能化生形流程中，人的意识，即设计师思维，体现在形体优化策略的选择与形体变化区间的制定、传感器测点的排布、评价体系中不同的权重设定、以及最终结果的选择和后续优化创作。
3.1 高密度城市风环境性能评价方法
实现良好的城市风环境的前提条件是能够在城市设计中对风环境进行科学合理、切实可行的评价。算法作为一种分析和生成的工具[32]，可以对实验获取的环境数据进行评价，转化为符合设计师意志的环境性能评分。由于高层建筑相比多层更容易形成强烈的下冲气流，其周边地面风速是低层建筑的4倍，行人舒适度大受影响[26]，而高层高密度城市中心区作为人流活动密集的区域，更应关注行人尺度的风环境。因此，本实验以风速传感器在人行高度1.5 m处测得风速作为风环境评价的基础数据。
建筑在特定场地中对周边环境的影响不尽相同，因此风洞实验中的传感器测点排布需要设计师的自主选择，对建筑周边各点的功能要素、人群对象等社会属性和对风环境控制的重要程度进行综合判断排序。以风环境评价中常见的三个标准—— 舒 适温 度的偏差 值Ec、测点风速的离散值Ed和产生不舒适风速值的概率Eu来评价实验中所产生的有效数据，我们可以设定不同测点在方案X的整体环境性能得分 E(X)=aEc+bEd+cEu所占的权重以及对不同环境评价指标的权重，如各测点重要度差异较小时环境数据评价的权重可设为：a=70%、b=15%，c=15%;而当评价主要考虑周围气流的匀质性时，评价权重为： a=60%、b=30%，c=10%[33]。
3.2 城市高层建筑群体形态生成流程
为了充分利用“信息时代”的“大数据”，目前需要被设计的不是新颖的建筑形式，而是一套为建筑学而设的，基于信息的全新工作方法[34]。结合神经网络的生形系统则包括四个部分：形态优化策略、机械动态系统、模拟评价系统和智能预测系统，其中参数逻辑可以描述为“几何参数组—机械参数组—环境参数组”的数据循环流程。
首先，由设 计 师根 据 设 计 理 念及 所处的气候分区，结合城市高密度区的高层建筑群体形态设计策略，确定基本的建筑群体布局、建筑平面形式及理想的建筑高度，并为每个高层建筑选择与其自身功能等其他因素相适应的、风环境形体优化策略，如扭曲、立面缩进等。
然后，开始进行建筑群体布局即各建筑朝向的组合优化。在程序中将城市生形装置的各模型运动模式设置为整体旋转，即各个机械装置中只有控制朝向的舵机进行运动变化，设计师定义地块内各建筑的朝向起始点以及朝向变化范围和单位时间内的变化量，如以0°即正南向为起始点，变化范围为东西向各0~30°，每隔1 s建筑A的朝向转动5°;而当该建筑朝向需要受严格限制时，可将其变化范围定义为0。程序对所有建筑在各自变化区间的朝向可能进行排列组合，每隔1 s转动产生一组不同朝向的建筑群体方案，并在风洞中利用风速传感器测速。每次转动都可通过Arduino平台记录相应的旋转角度及对应的风环境数据，并经过风环境评价程序计算分析，得到一个群体朝向组合与风环境性能的数据库，从中选取环境性能得分最优的朝向组合。
接着，在各建筑朝向确定后，实验进入单体形态的组合优化阶段。与建筑群体朝向组合优化的原理相同，设计师可对不同建筑定义各自的变化区间，如扭曲形式建筑的扭曲度、立面贯通孔洞的最大直径等，程序自动将其变化区间转译为控制机械装置的舵机参量区间。程序根据各建筑的变化区间，为单个建筑所有可能的形态进行排列组合得到多种建筑群体形态组合方案。同样经由风洞测速和评价程序的比较筛选，得到风环境最优的建筑群体形态。由于建筑群体形态由多个建筑共同决定，最优风环境的产生存在多种形态组合的可能。因此，通过设计师对建筑群体内各建筑形体优化顺序的制定也能缩小形态组合的解域。
最后，程序根据最优风环境的比较筛选，从群体 朝向组合、形态组合与风环境性能的数据库中选取最优组合方案，通过 Arduino平台使机械模型重新返回到最优组合方案的对应状态，进行风洞再验证。采用该生形方法的“风洞城市”实验照片如图9所示。
基于物理风洞与神经网络算法的建筑群体形态生成设计方法研究相关期刊推荐：《世界建筑导报》(双月刊)创刊于1985年，在海内外读者的关怀和支持下，已出版了74期，以及各种形式的专刊、合订本和建筑书籍。已出版的专集中包括新西兰艾菲尔德、印度柯里亚、美国迈克尔.格雷斯、西萨.佩里、意大利奥多.罗西、英国罗杰斯、泰瑞.法莱尔、奥地利威尔海姆.霍兹鲍耶，以及美国SOM、SWA、HOK、加拿大B+H、香港许李严等建筑师事务所的建筑设计作品。
