股票代码:300949
当前位置:HOME > 奥雅动态 > 奥雅观点
奥雅观点
11/042022阅读量
#观点#

研发专栏
从数据到形态丨以集群智能与动力学模拟为基础的景观形态推演

R&D Column: From Data to Form | Landscape Form Deduction Based on Swarm Intelligence and Dynamic Simulation

2022-11-04

图片

卷首语丨我们时刻关注风景园林学科与事业的可持续发展。2022年5月,我们推出了《研发专栏》,希望以开放、合作、共建、共享的方式,形成积极跨界的创新研发平台。汇聚前瞻科技、学术及研究机构,凝聚优秀研究者与设计师,集聚智慧,共同探索、讨论、分享行业观点及技术。

前言:

数字时代,新数据与新技术的发展让设计流程更加透明化,设计决策更加客观、精准,而依靠数据驱动、算法驱动的循证式设计(EBLA,evidence-based landscape architecture)为提升空间效能构建了新的解决方案。

传统设计流程往往通过提取自然生命体的“图形、功能、色纹、结构”等语言,来构建对未来城市物质空间的组织及安排设想,以表达对项目场地的某种理念及价值诉求。

在景观形态生成研究领域,发展出通过“算法”语言来实现的景观物理空间模拟与构成的工作流程。如群体智能优化算法,通过模拟昆虫、兽群、鸟群和鱼群的群体行为,形成以计算机语言构建的智能算法,进而为景观空间构成、路网布局等维度提供了全新的解题思路。

 

01 研究背景

1.1  数据分析的尺度关系 

大数据背景下,可获取的算据规模不断增加,硬件算力不断提高。因而,在规划设计初期,越来越多的场地特征可被分析,越来越丰富的研究视角可供切入。然而,尺度大、数据多的空间分析难以被使用者、设计师直接感知与借鉴。这给空间数据分析带来了两类困扰:大尺度分析无法拆解到可感知的尺度,小尺度分析以定性统计为主,缺乏与大尺度数据的衔接。因此,本次研究项目中尝试利用较小尺度的生形算法为大尺度分析提供一个端口,进行数据分析的尺度关联。

1.2  从概念到形式的生成逻辑 

传统设计过程常通过概念图解的方式记录场地认知、设计需求及初步构想。紧接着的概念深化,是向具体形式飞跃的组织过程。在这一过程中,表达功能结构、空间关系的概念符号变成可以分辨的空间边界。[1]传统的形态生成逻辑多由设计师选取适合场地氛围的形式语言进行推演。为表现出场地的地域性特征,设计生成中也常常采取提炼本土元素的方式,如传统文化元素、地方建筑形态、或是通过提取自然生命体的“图形、功能、色纹、结构”等语言,来表达对未来城市物质空间的组织及安排设想。

与传统的形态推演逻辑不同,通过一些常见模拟算法的介入,可以利用“概念到形式”这一过程,为空间形态赋予数据分析的理性,也为理性的数据分析赋予人本尺度的形态意义

图片

▲图1:概念到形式的经典推导逻辑
图片来源:《园林景观设计——从概念到形式》

 

02 以模拟自然为基础的生成算法

数字设计为形态生成与调整提供了大量便利,生成式算法的开发也层出不穷。为更方便地衔接大尺度数据分析,研究希望选择解释性更强模拟过程更可控的生成式算法。因此,本次研究主要运用与自然现象、物理过程息息相关的两类算法,逻辑转译更加直观。

2.1  集群智能算法 

集群智能(Swarm Intelligence)指大量智能体通过相互协作而实现相对复杂运动的智能行为,如蚁群、蜂群、鸟群等。以集群智能为代表的多智能体模型被认为是当前模拟仿真领域中最接近人类行为的模型,反映了大量个体经过空间探索与行为互动后形成对外界环境的整体认知,并产生规律性的行为轨迹

克雷格·雷诺兹(Craig Reynolds)认为城市是动态的适应系统,且贯穿着集群智慧。设计者采用算法系统模拟复杂现象,使行为活动因素和空间形态产生互动,这对空间优化具有较大的潜力。[2]

图片

▲图2:集群智能体算法示例

常见的各类集群智能算法具有不同的特点。蚁群算法(Ant System)由Marco Dorigo[3]于1992年提出,通过模拟信息素机制使得粒子更倾向于沿着局部最优解行进,不断迭代得到全局最优解;黏菌算法由Li及Mirjalili教授[4]等于2020年提出,模拟黏菌探索多种食物来源时进行的路径优化。

运用Grasshoper参数化平台的一系列插件,均可进行多智能体模型的建立,从而实现集群智能的模拟。插件Physarealm以黏菌的行为智能为基础,进行多智能体模型的搭建。黏菌智能在路径优化方面的优势非常突出,可以辅助设计师在一系列节点间找到资源高效流动的连接网络。

2.2  动力学模拟 

动力学模拟在建筑设计中的运用有着较长时间的历史且多与结构优化密不可分。早期的动力学模拟使用实体模型在物理实验中进行结构形态的检验与探索,实现力学逻辑清晰,结构形态流畅的建筑形式。其中“逆吊实验法”就是一种最具代表性的探索方式。20世纪初,Antoni.Gaudi便利用“逆吊实验法“设计了令人叹为观止的圣家族大教堂。

图片

▲图3:Frei Otto进行逆吊实验的画面
图片来源:https://www.youtube.com/watch?v=P5hKnOyg43k

图片

▲图4:逆吊实验法研究模型
图片来源:https://mp.weixin.qq.com/s/EddPaRUFJamc3duu0WTXqg

现基于Grasshoper参数化平台的动力学插件Kangaroo,可以对各类物理过程进行模拟,并快捷地进行参数调整与结果预览,进而实现传统物理模拟到数字生形的转译。这一转译路径帮助许多精妙的物理过程得到了数字化的表达,并辅助设计方案的推敲。

图片

▲图5:基于Kangaroo的逆吊实验复现

羊毛算法也正是借助这一路径为各类设计问题的解决提供新思路。

弗雷奥托Frei Otto在1988年首次进行了著名的羊毛实验,将干燥且松弛交错的羊毛浸入到水中并且缓慢提出,从而得到湿润的羊毛。湿润的羊毛由于张力作用吸附在一起,形成了一种叠合的形态。从线性分布特征的角度来看,这一物理过程减少了各节点之间连接路径的总长度,优化了连接路径的空间形态

图片

▲图6:Frei Otto羊毛实验
图片来源:https://scalable-future-cities.tumblr.com/post/3076352619/frei-otto-wool-experiment

利用Kangaroo动力学插件也可以进行这一物理过程的还原,最终在控制节点间形成更具体验性,并由最短路径组成的网络形态。

图片

▲图7:基于Kangaroo的羊毛实验复现

 

03形态推演案例研究

3.1  场地概况 

世界计算·长沙智谷项目位于湖南湘江新区西部,项目总用地面积913亩,东至雷高路,西至望雷大道,北至通号产业园,南至长延路。

场地规划建设成为智慧融合、产业创新的数字科创高地。因此,规划设计需突出逻辑严密的区域分析以及理性推导、感性干预的空间设计,进行场地定位的高效回应。

图片

▲图8:场地区位

3.2  研究路线设计 

图片

▲图9:研究路线图

3.3 形态推演 

科创高地的定位落实到具体空间层面,需要着重考虑人本尺度的各类功能与使用场景,从具体的人群结构与分布入手,完成智慧场景的搭建。因此,本次形态推演以集群智能与动力学模拟为算法基础,以在地调研为认知基础,以前期建筑布局、景观初步构想为运算基础,以人本尺度的分布模拟为切入点,进行场地空间形态生成逻辑的探索。

Step1 节点梳理

对场地中重要的建筑、景观功能节点进行梳理,各类功能节点将作为集群智能算法与动力学模拟的运算基础。

图片

▲图10:建筑功能分布

场地内的建筑功能以产业用房为主,支撑智慧园区的核心生产活动,其余主要为满足参观来访以及员工生活需求的各类辅助建筑。

图片

▲图11:景观意向节点空间分布

场地内现有一定数量的意向景观节点,主要分布在园区建筑围合的中间地带。这类景观节点作为预先确定的因素起着控制整体功能结构的作用。

Step2 人群分析

生形逻辑的核心为羊毛算法,但本次推演研究在其之前增加了人群分析模拟。运用集群智能算法,结合前期在地调研中对场地人群的划分,对现状功能节点进行二次分析。这一环节为生形核心——羊毛算法中控制节点、控制线的生成提供更丰满的支撑。

结合节点梳理中建筑功能的分布,对来访者、参观者、从业者三类园区主要人群的行为起止点进行设定。运用集群智能算法模拟三类人群在场地中的空间分布及行为轨迹。

来访者主要集中于园区内承接展览、接待功能的建筑以及一些前沿技术的产业用房周边。

图片

▲图12:来访者行为模拟结果

参观者则主要分布于各类商业用房及大型接待建筑、高新产业用房周边。

图片

▲图13:参观者行为模拟结果

从业者的分布最为广泛,除园区内的各类产业用房外,在园区东侧的公寓建筑等生活服务建筑周边分布尤其密集。

图片

▲图14:从业者行为模拟结果

集群智能算法模拟得出的粒子群分布特征为各功能节点在羊毛算法中的形态权重设置提供依据,补全了从场地认知到空间模拟的关键一环。

Step3 网络生成

进行羊毛算法的模拟研究时发现,对于节点网络密度的设置会对生形结果产生不同的影响。羊毛算法更倾向于保留初始状态密度更高的网络路径,类似于路网体系中的主次结构,这是本次研究进行形态权重设置的基础。

图片

▲图15:基于Kangaroo的羊毛聚集效应试验

因此,通过对人群分布的统计分析得出各功能节点周边的人群密集程度,最终确定各功能节点的连接值。人群分布更密集的节点,羊毛算法初始状态的连接线数量也会越多,最终的路径结构也就更倾向于突出该节点周边的连接路径。

图片

▲图16:各节点周边来访者人群分布密度

图片

▲图17:各节点周边参观者人群分布密度

图片

▲图18:各节点周边从业者人群分布密度

图片

▲图19:基于节点的人群分布空间统计

综合统计三类人群的分布密度,确定各节点控制线连接数量的权重,最终进行羊毛算法控制网络的生成。

图片

▲图20:羊毛算法控制网络

Step4 生形算法迭代优化

图片

▲图21:基于羊毛算法的生形迭代过程

通过羊毛算法的模拟,控制线、控制网络在引力、斥力的作用下,逐渐生成理想的路径分布形态。

Step5 提取最优路径与空间斑块

图片

▲图22:空间斑块的提取

在新的网络形态下,对路径以及路径所围合的空间斑块进行提取,作为后期人工提取与形态干预的素材。

图片

▲图23:生形范围的聚焦

对于所提取的斑块与路径针对景观设计的重点区域进行筛选,确定进行空间操作的范围。

图片

▲图24:斑块与路径的梳理

结合景观功能、空间需求,对现有斑块及路径进行人工梳理,选取意向的空间路网,并对斑块进行拆分或组合,最终组合形成理想的生成式设计方案平面。

 

04 讨论与展望

以上推演过程完成了从数据到形态、从感性认知到理性生成的转变,为传统设计机制提供了新的思路。早期的数字设计大多是对传统图解思维进行数字表达与可视化。然而,如今通过数字算法与数据分析带来的新的认知视角与评估方法,我们可以对设计内在逻辑形成新的理解。本次形态推演案例研究,便是在数据驱动的循证设计框架下的一次尝试。

当然,设计生成逻辑与数字化的内在补充是双向存在的,脱离物质属性的数字设计是不完整的,仅仅依靠编程语言玩弄形式而缺失艺术审美的设计,只会降低算法本应该处理解决设计问题的作用。无论是科学的定量与理性,还是艺术的定性与感性,其本质是均致力于揭示现象,总结规律。因此,数字设计的潜力不仅在于形态上的突破,也应衔接各类场地信息,促进人本尺度空间体验的进一步提升。

数据驱动、算法驱动的循证设计(EBLA,evidence-based  landscape architecture)最终操作对象仍是与人直接接触的空间要素,分析过程中的各类空间效能指标应该成为人本体验的保障。

 


【参考文献】
[1] 格兰特·W·里德. 园林景观设计——从概念到形式[M]. 1. 中国建筑工业出版社, 2004.
[2] Reynolds C W. Flocks, herds and schools: A distributed behavioral model[J]. ACM SIGGRAPH Computer Graphics, 1987(21).
[3] Dorigo M, Maniezzo V, Colorni A. Ant system: optimization by a colony of cooperating agents[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1996(26).
[4] S. Li, H. Chen, M. Wang et al. Slime mould algorithm: A new method for stochastic optimization[J]. Future Generation Computer Systems, 2020(3).

- END -

最新动态

#上一篇#
#最新发布#
#下一篇#