用户名
密码
(30天内有效)
注册
注册
首页 > 案例资料 >

计算型城市设计:如何生成一千个设计方案得出最优解?

我要收藏
2020-07-23

数据浪潮中的城市研究专题系列:


1 技术革命!现代扬·盖尔如何数字化观测公共空间和生活?

2 指南来啦!数据时代,如何开展公共空间与公共生活研究?


今日推送该系列第三篇:


二十一世纪以来,城市发展速度日益加快,有关城市的议题也愈发多元:人口增长、经济发展、气候变化、社会公正都成为了城市规划与设计中不得不考虑的命题。如何在设计中体现并平衡多种利益与需求是对这一行业的一个严峻的挑战。


传统的城市设计依赖于规划设计师们的专业知识与经验累积,在既有的基础条件之上制作出数种可行的设计方案,从中挑选并进行优化。


然而,囿于人力与精力的限制,设计师们所能够考量的场地条件、可制作出的方案数量、及对方案的评估与判断都不尽完全。


因此,在城市设计愈发复杂且重要的今天,以数据为辅助的计算型城市设计(Computational Urban Design)正在被越来越广泛地使用着。



KPF: Urban Interface

在这一领域,KPF成立于2016年的Urban Interface团队无疑是领军者之一。该团队一直致力于将数据科技应用到城市设计当中,坚持以数据辅助设计,比如量化地研究建筑与城市设计对周围环境的影响,对相关数据的可视化,以及打造互动性的设计平台,从而让更多利益相关者参与到设计过程中。



方法

在2019年的建筑与城市设计模拟研讨会(SimAUD)上,该团队发表了一篇名为《一千份总体设计方案的诞生:计算型城市设计框架》(How to Generate a Thousand Master Plans: A Framework for Computational Urban Design)的文章,详细讨论了计算型城市设计(Computational Urban Design)的方法步骤。


文章指出,虽然计算型设计在建筑领域已经得到了较为广泛的使用,但由于庞大的数据体量与算力和技术的限制,其在街区乃至城市层面的应用仍是一个极大的挑战。这份研究结合了KPF的实践经验,提出了一个较为完整的“计算型城市设计”的方法框架


该框架一共包括四个步骤:

01 条件输入

(Input & Design Space)


02 几何生成

(Procedural Geometry Generation)


03 模型评估

(Performance Evaluation)


04 分析解读

(Analysis and Interpretation)


与传统设计的直线型顺序不同,这四个步骤在计算型城市设计中以一种螺旋前进的方式,通过对数以万计的方案不断地进行评估和迭代,从中产生最优的选项。

1595493364290094.png

▲ 计算型城市设计中四个步骤的螺旋前进关系



 01 条件输入 

(Input & Design Space)


首先,框架的第一步是为模型输入生成条件,定义设计空间。


作者们提出,计算型城市设计所需要输入的数据类型主要有两大类,一类是反应土地用途和建筑密度的栅格数据,需根据当地的规划与要求,在每一格点上反映期望的用途和密度;而另一类是体现街道网络、街区尺寸、形状与方向的矢量数据。


不同的输入条件组合会在下一步中生成不一样的设计结果。例如,作者在文章中进行了示例,他们选取了一块位于多伦多的假想场地,为其设计了六种不同的街道网络和三种绿地的分布方式作为生成条件,同时还输入了场地的整体建筑密度、密度分布(最大密度与最小密度的比值)、以及绿地的面积比例。紧接着,这些包含土地用途和密度的栅格数据被归总到各个街区中,每个街区都可以计算出各土地用途的比例、绿地的面积、以及总体的建筑密度需求。这是进行下一步建筑与地块生成的基础。



 02 几何生成 

(Procedural Geometry Generation)


根据第一步中所计算出的各个街区内用地类型的总量以及建筑密度,第二步就可以为每个街区划分地块。


研究团队利用Grasshopper中的Decoding Spaces工具,在每个街区生成地块。这些地块的尺寸与形状,一方面由其对应的土地用途、建筑密度等决定,另一方面也受到周围的其他元素(如车站、景观等)的影响。


在地块生成之后,需要继续生成建筑的类型与形态。研究者们提到,在设计的初期,设计师们就需要与项目的主体商榷场所内典型的建筑特征与风格,并为不同的密度与用途预设一些可采用的建筑形态。


在多伦多的假想示例中,研究团队为高密度的街区设计了塔楼与裙楼式建筑,中等密度的街区以庭院式建筑为主,而小街区的建筑形态则趋于简单,并设置有后方的退界。


在建筑形态根据生成条件被生成后,输入条件与之相对应的生成模型将会被打包储存,以进行下一步的评估。

1595493388473127.png

▲ 条件输入与几何生成



 03 模型评估 

(Performance Evaluation)


在生成了全部的设计方案后,需要对所有的方案进行各方面的评估,包括环境、经济、交通等。


而在多伦多的假想示例中,团队选取了视野、日照、舒适度、能源产生、视觉兴趣等作为评判标准。


在挑选评估的方向和标准上,团队提出了三点建议:首先,评估的标准需要与利益相关者进行共同商讨,根据他们的目标与需求制定标准;第二,应该尽可能地避免重复测量那些相互之间呈正相关的因素,以节省时间和算力;第三,与第二点相反,评估过程应该格外关注存在负相关的因素,因为这些因素可能会成为后续协商和选择的重心。


由于算力的限制,对城市范围内数百个建筑进行模型评估仍然是一个很大的挑战。也正因如此,不同模型之间的相互比较也就比绝对的评估分值更为重要。使用者们也可以通过降低模型精度,或者是使用近似模型来节省算力。



 04 分析解读 

(Analysis and Interpretation)


最后,如何对不同的设计结果进行比较与解读呢?


模型评估的结果往往十分复杂,有着庞大的数据量以及众多要素,因此难以对其进行解读。然而,作者们认为仍然有一些分析方法与工具,可以从复杂的数据结果中提炼关键的信息,以对设计过程进行辅助。同时,这些方法也能够让城市设计项目中所牵涉到的不同主体与利益相关方共同参与。


筛选与可视化

最为简单有效的结果分析方法就是将其导出到表单中,并根据分值进行排序。这可以让使用者快速地筛选掉各方面表现较差的模型,但很难体现出其中各要素之间的关联与趋势,同时也不利于视觉的呈现与交流。而例如Core Studio制作的Thread以及Urban Interface团队制作的Scout等基于网页的可视化平台,则可以让使用者相对容易地探索、排序、并筛选理想的设计方案,并查看他们的性能对比。

 

Scout为不同专业程度的使用者设计了不同的用户界面。一种包含一个侧边菜单,而用户则可以使用其中的滑动按钮来改变输入条件,并逐个查看其生成的模型。每个模型的评估结果都显示在输入条件的下方。这一页面使非专业人士查看模型变得更加简单与直接,减少了其复杂性。而另一种界面则采用了更为专业的平行坐标图的形式。用户可以通过选择理想的模型性能,而查看符合该标准的设计方案,并在页面上查看这些设计方案的其他评估结果。

1595493413692202.png

▲ 为非专业人士设计的Scount界面


这些工具可以快速地呈现出模型评估结果中的趋势和特征,并且可以让众多非专业人士也参与到设计过程中来。然而,对这些分析工具的简易度与直觉契合程度的要求也对分析的复杂性产生了限制,尤其是对于某些数据中所呈现出的较为特别的趋势与特征,这些分析可能难以将其捕捉并呈现。

1595493437133242.png

▲ 为专业人士设计的Scount界面


相关性分析与性能式设计

在描述性统计工具中,相关性分析可以发掘不同因素之间的关系,并给予视觉上的呈现。而这可以用于探索不同输入条件对输出结果的影响,以及不同输出的结果中不同要素之间的关系。通过相关性分析,使用者就无需通过不断调整输入条件来观察其对最终结果的影响,而仅需要查看其相关性系数来判断关联的程度。而这一方法则可以为性能式设计(performance-based design)提供基础框架。相关性分析也可以经过可视化向团队展示,但并不利于非专业者的理解。

 

聚类分析与设计结构的建立

在对性能式设计进行指导之外,无监督的机器学习则能让数据发声,展示其自身的特点,呈现数据中或强或弱的多元关系。而最常见的无监督学习则是聚类分析。聚类分析可以将数据分成几组,而每组都存在着其各方面数据上的特点,例如某些输入条件的组合往往会生成具有某些特性的模型。而设计师们则可以以这些典型的特征方案来作为设计的基础,从而指导设计前期的工作,或是作为典型方案向相关人员展示。


Scikit Learn中的K-Means算法对计算型设计而言非常简单易用,在现实中也常常得到使用。但该算法也相对简易,因此需要通过几个步骤来保证其分析结果的可靠性。




测试方案

而在基础的数据查阅之外,研究团队还推荐了使用相关性测试,探究输入条件与输出结果,以及输出结果中不同要素之间的关系。相关性分析的结果可以以相关系数矩阵的方式展现。


此外,团队还通过无监督机器学习中的聚类分析,从众多方案中寻找出比较典型的方案特征及其产生的普遍结果,这些特征案例可以为未来的设计方案提供基础的模板和起点。


在文章中,研究者们首先根据建筑密度对模型进行预先分组,在去除离群值后,在每一组内使用Scikit-Learn的K-Means算法进行聚类分析,找出特征和规律。


在多伦多的假想示例中,研究者们发现:低密度的设计往往能带来更好的日照、视野和太阳能的利用,而小型的公园和1.0-2.0的密度分布值往往能在各方面产生比较好的结果。这些后续的分析与解读可以辅助规划设计师对方案进行决策与优化,并为未来的设计工作提供基础。


1595493464565639.png

▲ 示例中的输入条件和评估标准的相关系数矩阵


1595493486898585.png

▲ 示例中聚类分析所发现的10个典型方案及其结果



实践案例1


总体而言,Urban Interface所提出的这一套计算型设计的理论框架已经较为完整,且在数个实际案例中有过小规模的应用。而论其主要的优势,一方面是在场地条件复杂、要求多样的情况中,具有综合考量以及探索所有选项的能力,另一方面还增加了公众参与的渠道与可能性。


在浙江杭州的一个新区建设中,KPF设计团队面临着一个中国特别的问题:在中国,建筑的日照标准要求建筑在冬至也必须享受到至少一小时的日照,而在杭州,这个标准是两小时。这一标准常常使得建筑之间的间距很大,马路过宽,而无法打造出理想的“小街区、窄马路、密路网”的社区。


因此,团队就结合计算型城市设计来寻求解决方法。在条件输入的环节,研究团队结合不同的街区尺寸、街道宽度、和容积率等,生成了共7,400个设计方案,并采取了高楼与庭院相结合的建筑形态。


然后,团队对所有方案中的建筑日照情况进行评估,评估结果在Scout的平行坐标图上得以展示。设计师们,利用这一工具,在平行坐标图上选择他们期望的街道宽度、建筑密度等,从而选出最符合他们要求的方案,从而来指导他们的具体设计。



实践案例2


而在Sidewalk Labs于多伦多已经结束的Quayside社区项目中,团队协助Sidewalk Labs在一个假想场地内设定了各种比较典型的生成条件,也包括一些非常规的、用于演示的方案。


其结果被用于在公共展厅内公开展示。游客和使用者们可以根据他们的需求和喜好调节场地内的各种条件,包括建筑密度、公共空间、街道网络等,从而打造出他们喜爱的建筑环境,并且可以在过程中了解到这些不同的设计要素对最终结果的影响,辅助设计师与公众之间的对话。


例如,一个普通的使用者可能会在使用过程中发现,过大面积的绿地和过低的人口密度,可能会有损于场地的室外舒适度,并降低了能源与资源的使用效率。在未来,对这一平台更加广泛的使用可以让设计师与其他群体更加顺利、平等地进行沟通,设计师们也能用它了解到人们的意愿和需求。


此外,Sidewalk Labs在2019年12月也发布了文章《迈向未来城市设计的第一步》,介绍了其正在自主研发及应用的计算型设计平台,强调可以将地理因素、现行规范、市场环境、以及自然环境因素等相结合,为其滨水项目的规划方案制作提供参考。


不幸的是,随着该项目的终止,我们终究未能见证计算型设计在社区乃至城市层面的落成。


1595493515146695.png

▲ Sidewalk Labs于多伦多Quayside社区项目的公共展厅内摆放的互动式设计平台



机遇与挑战

不得不承认的是,与相对成熟的,以单个建筑为对象的计算型设计不同,城市范围的计算型设计仍然存在着许多问题。


举例来说,城市模型在各方面的评估结果在不同区域内并非是同样而均质化的,评估的方法和结果如何反映城市内部表现的变化,有可能影响到城市设计的总体水平与社会公平。


而在另一方面,作者们也提到,盲目地相信算法也存在着危险,而计算型城市设计也绝不能代表着完全的客观与公平。输入条件的提供和筛选、不同要素之间的权衡均可能涉及多方的利益。


因此,在计算型城市设计中,多方共同的参与和讨论是更加必需的。


研究团队也在最后总结道:虽然计算型城市设计在各个案例中展现出了不俗的能力,它在城市设计中能起到的作用仍然充满不确定性,它对传统设计,乃至最终方案的落实能够产生的影响也仍未可知。


目前来看,计算型城市设计在复杂、漫长而综合的设计过程中只是起到辅助的作用——在涉及多要素的场合中,为设计师们提供参考和帮助。在未来,计算型设计或许可能成为新一代的设计工具,甚至掀起设计方法革命的浪潮,但真正的突破仍在于设计理念的进步与管理机制的优化。




本文转载自微信公众号:城市数据派,如需转载请联系城市数据派。

本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞0