Gramazio Kohler Research

Hintergrund
Der architektonische Entwurf ist ein iterativer Prozess, bei dem viele Kriterien und Randbedingungen miteinander kombiniert und optimiert werden. Beim leistungsorientierten Entwurf werden parametrische Entwurfsmodelle erstellt, um viele Entwurfsvarianten zu generieren, zu simulieren und zu bewerten, um Feedbacks für Änderungen am Entwurf zu erhalten. Dabei handelt es sich jedoch in der Regel um einen hierarchischen Prozess, der nicht in der Lage ist, mehrere Zielgrössen gleichzeitig zu berücksichtigen und nur ein kleines Spektrum des Entwurfsraums untersucht. Anstatt die Eingabeparameter so lange zu verändern, bis das Ergebnis bestimmte Zielgrössen erfüllt, stellen wir uns vor, dass maschinell erlernte Modelle des Entwurfsproblems, Instanzen in der Nähe der festgelegten Zielgrössen finden. Auf diese Weise können Architekt*innen bislang nicht betrachtete Bereiche innerhalb des Entwurfsraums und Lösungen entdecken, die zuvor nicht angedacht oder greifbar waren.

Der Ansatz
Dieses Forschungsprojekt behebt diese Unzulänglichkeiten durch die Entwicklung eines Toolkits für den auf maschinellem Lernen basierenden Architekturentwurf. Wir entwickeln AXID: ein Toolkit for AI-eXtended Design und validieren es mit einem generischen Ansatz durch Fallstudien, die auf zwei verschiedenen Entwurfskategorien basieren: Die erste Kategorie befasst sich mit Flächen, die auf Herstellbarkeit (für den 3D-Konturdruck), ihrer Akustik sowie ihrer Umweltverträglichkeit oder ihres Sonnenschutzes bewertet werden, wobei architektonische Anwendungen wie Akustikpaneele und Fassadenpaneele im Vordergrund stehen. Die zweite Kategorie betrifft diskrete Elementbaugruppen, die tragende Strukturen aus Stützen und Trägern umfassen. Diese Kategorie wird auf der Grundlage von baustatisch-konstruktiven oder ökologischen Zielgrössen bewertet. Wir werden zunächst jedes der Entwurfsprobleme in Teilprobleme unterteilen und die Komplexität schrittweise erhöhen, indem wir sukzessive weitere Zielgrössen integrieren oder verschiedene Darstellungen der Entwurfsdaten testen. Während des gesamten Projekts werden wir die synthetischen Datensätze neu definieren und neu generieren und die Problemdefinition auf der Grundlage der Leistung der jeweiligen Modelle für maschinelles Lernen (ML) und der Entdeckung/Erkundung neuer Entwurfsräume anpassen. Dies wird durch parallel entwickelte Entwurfs-Schnittstellen erleichtert, die eine schnelle Interaktion und eine flexible Auswahl von In- und Outputs ermöglichen.

Auswirkungen
Dieser Ansatz ermöglicht generische, wiederverwendbare Schnittstellen und ein quelloffenes und erweiterbares Toolkit auf der Grundlage von ML-Methoden, welche in CAD-Software integriert werden können. Das ultimative Ziel dieses Projekts ist es, die kreativen und analytischen Fähigkeiten des Designers im Entscheidungsprozess durch die Schaffung interaktiver Entwurfsumgebungen zu erweitern und so die computergestützten Entwurfsmethoden in der Architektur zu verbessern.

Verwandte Projekte:

AIXD: AI-eXtended Design

Architectural Design with Conditional Autoencoders: Semiramis Case Study

Credits:

Gramazio Kohler Research, ETH Zürich

In Zusammenarbeit mit: Swiss Data Science Center (Dr. Luis Salamanca Mino, Prof. Dr. Fernando Perez Cruz)
Forschungsprogramm: Swiss Data Science Center (SDSC)
Mitarbeiter: Dr. Aleksandra Apolinarska (Projektleitung), Dr. Romana Rust, Gonzalo Casas, Prof. Matthias Kohler
Beratung: Dr. Kurt Heutschi (Empa), Christian Frick (Rocket Science AG), Jürgen Strauss (Strauss Electroacoustic GmbH), Prof. Dr. Norman Sieroka (University of Bremen)


	Copyright 2024, Gramazio Kohler Research, ETH Zurich, Switzerland


Gramazio Kohler Research Professur für Architektur und Digitale Fabrikation ETH Zürich HIB E 43 Stefano-Franscini Platz 1 / CH-8093 Zürich +41 44 633 49 06		Follow us on: Vimeo \| Instagram