CN109635511A - 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 - Google Patents
一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 Download PDFInfo
- Publication number
- CN109635511A CN109635511A CN201910040056.2A CN201910040056A CN109635511A CN 109635511 A CN109635511 A CN 109635511A CN 201910040056 A CN201910040056 A CN 201910040056A CN 109635511 A CN109635511 A CN 109635511A
- Authority
- CN
- China
- Prior art keywords
- residential areas
- rise residential
- ventilated
- network
- forced
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明提出一种基于条件生成对抗网络的高层居住区强排方案生成设计方法,依据设计任务书构建高层居住区条件生成对抗网络结构模型;生成有监督配对训练下的数据集并调用Python语言调整图片尺寸;对网络进行交替迭代式训练直至达到纳什均衡状态,将拟规划的高层居住区轮廓图片作为输入条件,得到高层居住区强排方案总平面图;调用Python语言获取总平面图的像素灰阶数值,从而构建高层居住区建筑几何模型;通过计算机模拟分析和专家评价方法建立建筑日照、消防性能与城市天际线联合评价体系。本发明可以支撑高层居住区强排设计决策制定,同时通过建筑日照、消防性能与城市天际线分析对高层居住区强排设计方案进行主客观联合评价。
Description
技术领域
本发明属于建筑生成设计技术领域,特别是涉及一种基于条件生成对抗网络的高层居住区强排方案生成设计方法。
背景技术
近年来随着城市化进程的加快与经济发展水平的提高,城市用地规模不断扩大,土地资源稀缺问题日益凸显。城市用地日益紧张导致城市发展从平面逐渐向立体扩张,土地资源集约利用成为必然的趋势。高层居住区是达成集约化建设的有利形式。我国对于高层居住区存在日照、消防等方面的强制条文规定。而且高层建筑由于体量巨大对城市形象影响突出,高层建筑给城市天际线带来的美学影响也是设计中需重点考虑的。可见在高层居住区设计中需在满足日照、消防等客观功能要求与为城市天际线带来主观美学意义的同时最大限度提高容积率。
既有强排设计方法是设计者依据规范要求,结合设计经验确定日照间距,再通过日照模拟分析软件进行检验修正。但高层居住建筑日照阴影相互遮挡严重,根据计算机模拟分析结果进行人工试错调整的方法使得高层居住区强排方案设计效率低下。因此,国内外学者纷纷寻求高层居住区强排方案设计的自动生成方法,其中条件生成对抗网络可在有监督模式下进行深度学习,通过挖掘图像数据并提取特征信息生成接近真实样本的图像,在强排方案生成设计方面有较大潜力。既有研究有利用条件生成对抗网络辅助城市设计决策的探索,但未将其应用于高层居住区强排方案生成设计方面,且生成模型存在精度不足、缺乏主客观联合评价的问题,难以应用其提升强排设计精度。
发明内容
本发明为了突破既有利用条件生成对抗网络展开设计生成模型精度不足的瓶颈,弥补其对生成模型缺少主客观联合评价的缺陷,提出了一种基于条件生成对抗网络的高层居住区强排方案生成设计方法。本发明所述方法可以基于对相似案例的图像识别、数据挖掘制定强排设计决策,提升设计效率与生成模型精度;同时对生成强排设计方案提出了计算机模拟分析和专家评价的评估审核方法,建立准确的建筑日照、消防性能与城市天际线联合评价体系。
本发明是通过以下技术方案实现的,本发明提出一种基于条件生成对抗网络的高层居住区强排方案生成设计方法,具体包括以下步骤:
步骤1、依据设计任务书构建高层居住区条件生成对抗网络结构模型,建立基于U-Net网络架构的高层居住区生成器网络,建立基于PatchGAN网络架构的高层居住区判别器网络,设计高层居住区生成器、判别器网络的损失函数;
步骤2、爬取高层居住区地图数据,根据键值对应关系进行数据分类,获得建筑、道路层级的空间位置点信息,生成有监督配对训练下的数据集并调用Python语言中的OS模块与OpenCV库调整图片尺寸;
步骤3、通过对高层居住区生成器网络与判别器网络进行交替迭代式训练,得到纳什均衡状态下的高层居住区生成器网络权重,将拟规划的高层居住区轮廓图片作为输入条件,得到高层居住区强排方案总平面图;
步骤4、调用Python语言中的Numpy库与OpenCV库,获取高层居住区强排方案总平面图的像素灰阶数值,在参数化建模工具中通过建立像素灰阶数值与网格高度的对应关系,构建高层居住区建筑几何模型;
步骤5、利用计算机模拟分析生成高层居住区强排设计方案的建筑日照与消防性能,从而验证生成强排设计方案是否符合法规要求;通过提取城市矢量数据文件中的转折点信息建立城市尺度几何模型,利用德尔菲法作出城市天际线主观美学评价。
进一步地,所述步骤1具体为:首先,确定网络输入、输出与训练数据集样本;以拟规划的高层居住区轮廓图片为网络的输入条件,以高层居住区强排方案总平面图为网络输出,以相似高层居住区轮廓图片与高层居住区强排方案总平面图为训练数据集样本;其次,构建高层居住区生成器网络,使用U-Net编码器—解码器网络架构,并构建使输入与输出共享底层信息的跳跃连接结构;所述生成器网络包含卷积层作为编码器,反卷积层作为解码器,所述跳跃连接结构改变反卷积层的输入,使其变为与该层对称的卷积层的输出以及前层的输出;然后,构建高层居住区判别器网络,采用卷积网络结构提取图像特征信息,引入PatchGAN网络架构,将高层居住区强排方案总平面图输入至多层卷积层,输出矩阵并计算softmax概率值,即将图像等分判断真假后再取平均值;最后,设计高层居住区生成器与判别器网络的损失函数,在条件生成对抗网络的损失函数基础上采用L1损失函数,提升生成高层居住区强排方案总平面图的精度与真实度。
进一步地,所述生成训练数据集具体为:从城市开源数据平台爬取高层居住区地图数据;根据地理信息数据文件中空间位置点信息的键值对应关系进行数据分类,提取道路层级点数据并连线获得道路轮廓,根据矢量数据文件中建筑转折点坐标信息与层数的对应关系,构建建筑几何模型,并与道路层级合并得到高层居住区几何模型;建立楼栋高度与灰阶数值的对应关系继而生成成组的灰度图片,每组图片包括对应的高层居住区轮廓图片与高层居住区强排方案总平面图;将各组图片处理为相同格式,从而生成训练数据集;所述调整训练数据集图片尺寸具体为:启动Python集成开发环境Anaconda,导入OS模块与OpenCV库,设置数据集转换前后的文件路径,使用imread函数读取高层居住区轮廓图片与高层居住区强排方案总平面图,使用resize函数设置缩放尺寸与选项,将图片等比例缩小至指定尺寸,使用imwrite函数保存缩放后的文件。
进一步地,所述步骤3具体为:对构建完成的高层居住区条件生成对抗网络进行训练,直至网络收敛稳定;每次在训练集中随机选择一组高层居住区轮廓图片与高层居住区强排方案总平面图输入到网络中进行训练;定义Adam优化器,用于优化高层居住区生成器和判别器网络的损失函数;对高层居住区生成器和判别器网络进行交替迭代式训练,前向传递进行损失计算,反向传递更新网络权重,迭代多次最终保存纳什均衡状态下的高层居住区生成器网络权重;将拟规划的高层居住区轮廓图片作为已经训练好的高层居住区生成器网络的输入,通过编码解码过程得到基于该轮廓的高层居住区强排方案总平面图。
进一步地,所述步骤4具体为:启动Python集成开发环境Anaconda,导入Numpy库与OpenCV库,使用imread函数读取生成的高层居住区强排方案总平面图,使用array函数将高层居住区强排方案总平面图转换为数字矩阵,获取图片的像素灰阶数值并导出为文本文件;在参数化建模工具中将高层居住区强排方案总平面图等比例放大至真实尺寸,利用表格信息提取插件读取图片的像素灰阶数值,通过建立像素灰阶数值与网格高度的对应关系构建高层居住区建筑几何模型。
进一步地,所述利用计算机模拟分析生成高层居住区强排设计方案的建筑日照性能具体为:通过气象数据网站获取拟规划高层居住区当地气象数据文件并链接至日照模拟插件中,提取导入气象数据文件中的太阳轨迹信息,设置日照模拟的具体时间、网格尺寸与偏移距离,导入高层居住区建筑几何模型并计算各楼栋日照时间;所述利用计算机模拟分析生成高层居住区强排设计方案的建筑消防性能具体为:计算楼栋之间的防火间距与可容纳消防车道尺寸;将以上模拟分析得到的结果与法规进行比对,从而验证生成强排设计方案是否符合法规要求。
进一步地,所述通过提取城市矢量数据文件中的转折点信息建立城市尺度几何模型,利用德尔菲法作出城市天际线主观美学评价具体为:获取城市矢量数据文件并在地理信息系统软件中打开,添加建筑转折点信息并导出文本文件,利用参数化建模工具中的表格信息提取插件,读取建筑转折点坐标信息与层数信息,从而构建城市尺度几何模型;绘制原有城市天际线与包含高层居住区建筑的新城市天际线图像;建立专家云评价系统,制作调查问卷并将其发送至专家库,将专家意见归纳整理后再次反馈,直至多数专家得出一致意见,从而对生成强排设计方案作出准确的城市天际线美学评价。
本发明与现有技术相比,具有如下优点:
1、本发明在高层居住区条件生成对抗网络中引入条件变量以约束生成过程,在有监督模式下对图像特征编码,通过高层居住区生成器与判别器网络的交替迭代式训练生成接近真实样本的图像,从而辅助强排设计决策制定。与既有人工制定方案相比,本发明避免了重复性与试错性环节,大幅度提高设计效率。
2、本发明通过爬取高层居住区地图数据生成训练数据集,解决了既有利用条件生成对抗网络展开设计中存在的生成模型精度不足、无法进行后续深入设计的问题。
3、本发明设计了生成模型的计算机模拟分析和专家评价环节,解决了既有利用条件生成对抗网络展开设计中对生成模型缺少主客观联合评价的问题。通过客观模拟与主观评价方法建立建筑日照、消防性能与城市天际线联合评价体系,该体系可准确判断方案的可行性。
附图说明
图1为本发明基于条件生成对抗网络的高层居住区强排方案生成设计方法流程图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明依据设计任务书构建高层居住区条件生成对抗网络结构模型;爬取高层居住区地图数据,生成训练数据集并调整图片尺寸;采用交替迭代式方法训练高层居住区条件生成对抗网络,将拟规划的高层居住区轮廓图片作为输入条件,得到高层居住区强排方案总平面图;调用Python语言获取图片的像素灰阶数值,从而构建高层居住区建筑几何模型;通过计算机模拟分析和专家评价方法建立建筑日照、消防性能与城市天际线联合评价体系。
结合图1,本发明提出一种基于条件生成对抗网络的高层居住区强排方案生成设计方法,具体包括以下步骤:
步骤1、依据设计任务书构建高层居住区条件生成对抗网络结构模型,建立基于U-Net网络架构的高层居住区生成器网络,建立基于PatchGAN网络架构的高层居住区判别器网络,设计高层居住区生成器、判别器网络的损失函数;
所述步骤1具体为:首先,确定网络输入、输出与训练数据集样本;以拟规划的高层居住区轮廓图片为网络的输入条件,以高层居住区强排方案总平面图为网络输出,以相似高层居住区轮廓图片与高层居住区强排方案总平面图为训练数据集样本;其次,构建高层居住区生成器网络,使用U-Net编码器—解码器网络架构,并构建使输入与输出共享底层信息的跳跃连接结构;所述生成器网络包含卷积层作为编码器,反卷积层作为解码器,编码器对图像进行特征向量提取,进行下采样操作,解码器对特征向量进行上采样操作,使用卷积操作丰富图像的特征信息;所述跳跃连接结构改变反卷积层的输入,使其变为与该层对称的卷积层的输出以及前层的输出;使用dropout层为高层居住区生成器网络输入随机噪声;然后,构建高层居住区判别器网络,采用卷积网络结构提取图像特征信息,引入PatchGAN网络架构,将高层居住区强排方案总平面图输入至多层卷积层,输出矩阵并计算softmax概率值,即将图像等分判断真假后再取平均值;最后,设计高层居住区生成器与判别器网络的损失函数,在条件生成对抗网络的损失函数基础上采用L1损失函数,提升生成高层居住区强排方案总平面图的精度与真实度。
条件生成对抗网络的损失函数:
LcGAN(G,D)=Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))]
L1损失函数能够提升生成高层居住区强排方案总平面图的精度与真实度:
最终的高层居住区条件生成对抗网络损失函数:
式中,G表示高层居住区生成器网络,D表示高层居住区判别器网络,E[]表示对参数取期望值,x表示拟规划的高层居住区轮廓图片,y表示输出的高层居住区强排方案总平面图,z表示输入的随机噪声,采用dropout代替,λ表示设置的权重值。
步骤2、爬取高层居住区地图数据,根据键值对应关系进行数据分类,获得建筑、道路层级的空间位置点信息,生成有监督配对训练下的数据集并调用Python语言中的OS模块与OpenCV库调整图片尺寸;
所述生成训练数据集具体为:从城市开源数据平台爬取高层居住区地图数据;根据地理信息数据文件中空间位置点信息的键值对应关系进行数据分类,提取道路层级点数据并连线获得道路轮廓,根据矢量数据文件中建筑转折点坐标信息与层数的对应关系,构建建筑几何模型,并与道路层级合并得到高层居住区几何模型;建立楼栋高度与灰阶数值的对应关系继而生成成组的灰度图片,每组图片包括对应的高层居住区轮廓图片与高层居住区强排方案总平面图,每张图片尺寸为1754×1240像素;将各组图片处理为相同格式,从而生成训练数据集;所述调整训练数据集图片尺寸具体为:启动Python集成开发环境Anaconda,导入OS模块与OpenCV库,设置数据集转换前后的文件路径,使用imread函数读取高层居住区轮廓图片与高层居住区强排方案总平面图,使用resize函数设置缩放尺寸与选项,缩放后的图片尺寸为297×210像素,使用imwrite函数保存缩放后的文件。
步骤3、通过对高层居住区生成器网络与判别器网络进行交替迭代式训练,得到纳什均衡状态下的高层居住区生成器网络权重,将拟规划的高层居住区轮廓图片作为输入条件,得到高层居住区强排方案总平面图;
所述步骤3具体为:对构建完成的高层居住区条件生成对抗网络进行训练,直至网络收敛稳定;每次在训练集中随机选择一组高层居住区轮廓图片与高层居住区强排方案总平面图输入到网络中进行训练,共随机选取800组进行训练,其余200组进行测试;定义Adam优化器,用于优化高层居住区生成器和判别器网络的损失函数,学习率为0.0002;对高层居住区生成器和判别器网络进行交替迭代式训练,前向传递进行损失计算,反向传递更新网络权重,迭代多次最终保存纳什均衡状态下的高层居住区生成器网络权重,将拟规划的高层居住区轮廓图片作为已经训练好的高层居住区生成器网络的输入,通过编码解码过程得到基于该轮廓的高层居住区强排方案总平面图。
具体交替迭代式训练流程:将成组的训练图片作为正样本输入到高层居住区判别器中,采用前向传递进行交叉熵损失值计算,采用反向传递更新高层居住区判别器网络权重;将拟规划的高层居住区轮廓图片与高层居住区生成器网络生成的高层居住区强排方案总平面图作为负样本输入到高层居住区判别器网络中,采用前向传递进行交叉熵损失值计算,同时计算生成高层居住区强排方案总平面图与真实高层居住区强排方案总平面图的损失,采用反向传递更新高层居住区生成器网络权重;重复此迭代训练过程,保存达到纳什均衡状态下的高层居住区生成器网络权重。
步骤4、调用Python语言中的Numpy库与OpenCV库,获取高层居住区强排方案总平面图的像素灰阶数值,在参数化建模工具中通过建立像素灰阶数值与网格高度的对应关系,构建高层居住区建筑几何模型;
所述步骤4具体为:启动Python集成开发环境Anaconda,导入Numpy库与OpenCV库,使用imread函数读取生成的高层居住区强排方案总平面图,使用array函数将高层居住区强排方案总平面图转换为数字矩阵,获取图片的像素灰阶数值并导出为文本文件;在参数化建模工具中将高层居住区强排方案总平面图等比例放大至真实尺寸,利用表格信息提取插件读取图片的像素灰阶数值,通过建立像素灰阶数值与网格高度的对应关系构建高层居住区建筑几何模型。
步骤5、利用计算机模拟分析生成高层居住区强排设计方案的建筑日照与消防性能,从而验证生成强排设计方案是否符合法规要求;通过提取城市矢量数据文件中的转折点信息建立城市尺度几何模型,利用德尔菲法作出城市天际线主观美学评价。
所述利用计算机模拟分析生成高层居住区强排设计方案的建筑日照性能具体为:通过气象数据网站获取拟规划高层居住区当地气象数据文件并链接至日照模拟插件中,提取导入气象数据文件中的太阳轨迹信息,设置日照模拟的具体时间、网格尺寸与偏移距离,导入高层居住区建筑几何模型并计算各楼栋日照时间;所述利用计算机模拟分析生成高层居住区强排设计方案的建筑消防性能具体为:计算楼栋之间的防火间距与可容纳消防车道尺寸;将以上模拟分析得到的结果与法规进行比对,从而验证生成强排设计方案是否符合法规要求。
所述通过提取城市矢量数据文件中的转折点信息建立城市尺度几何模型,利用德尔菲法作出城市天际线主观美学评价具体为:获取城市矢量数据文件并在地理信息系统软件中打开,添加建筑转折点信息并导出文本文件,利用参数化建模工具中的表格信息提取插件,读取建筑转折点坐标信息与层数信息,从而构建城市尺度几何模型;绘制原有城市天际线与包含高层居住区建筑的新城市天际线图像;建立专家云评价系统,制作调查问卷并将其发送至专家库,将专家意见归纳整理后再次反馈,直至多数专家(超过三分之二的专家)得出一致意见,从而对生成强排设计方案作出准确的城市天际线美学评价。
以上对本发明所提供的一种基于条件生成对抗网络的高层居住区强排方案生成设计方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于条件生成对抗网络的高层居住区强排方案生成设计方法,其特征在于:具体包括以下步骤:
步骤1、依据设计任务书构建高层居住区条件生成对抗网络结构模型,建立基于U-Net网络架构的高层居住区生成器网络,建立基于PatchGAN网络架构的高层居住区判别器网络,设计高层居住区生成器、判别器网络的损失函数;
步骤2、爬取高层居住区地图数据,根据键值对应关系进行数据分类,获得建筑、道路层级的空间位置点信息,生成有监督配对训练下的数据集并调用Python语言中的OS模块与OpenCV库调整图片尺寸;
步骤3、通过对高层居住区生成器网络与判别器网络进行交替迭代式训练,得到纳什均衡状态下的高层居住区生成器网络权重,将拟规划的高层居住区轮廓图片作为输入条件,得到高层居住区强排方案总平面图;
步骤4、调用Python语言中的Numpy库与OpenCV库,获取高层居住区强排方案总平面图的像素灰阶数值,在参数化建模工具中通过建立像素灰阶数值与网格高度的对应关系,构建高层居住区建筑几何模型;
步骤5、利用计算机模拟分析生成高层居住区强排设计方案的建筑日照与消防性能,从而验证生成强排设计方案是否符合法规要求;通过提取城市矢量数据文件中的转折点信息建立城市尺度几何模型,利用德尔菲法作出城市天际线主观美学评价。
2.根据权利要求1所述的方法,其特征在于:所述步骤1具体为:首先,确定网络输入、输出与训练数据集样本;以拟规划的高层居住区轮廓图片为网络的输入条件,以高层居住区强排方案总平面图为网络输出,以相似高层居住区轮廓图片与高层居住区强排方案总平面图为训练数据集样本;其次,构建高层居住区生成器网络,使用U-Net编码器—解码器网络架构,并构建使输入与输出共享底层信息的跳跃连接结构;所述生成器网络包含卷积层作为编码器,反卷积层作为解码器,所述跳跃连接结构改变反卷积层的输入,使其变为与该层对称的卷积层的输出以及前层的输出;然后,构建高层居住区判别器网络,采用卷积网络结构提取图像特征信息,引入PatchGAN网络架构,将高层居住区强排方案总平面图输入至多层卷积层,输出矩阵并计算softmax概率值,即将图像等分判断真假后再取平均值;最后,设计高层居住区生成器与判别器网络的损失函数,在条件生成对抗网络的损失函数基础上采用L1损失函数,提升生成高层居住区强排方案总平面图的精度与真实度。
3.根据权利要求2所述的方法,其特征在于:所述生成训练数据集流程具体为:从城市开源数据平台爬取高层居住区地图数据;根据地理信息数据文件中空间位置点信息的键值对应关系进行数据分类,提取道路层级点数据并连线获得道路轮廓,根据矢量数据文件中建筑转折点坐标信息与层数的对应关系,构建建筑几何模型,并与道路层级合并得到高层居住区几何模型;建立楼栋高度与灰阶数值的对应关系继而生成成组的灰度图片,每组图片包括对应的高层居住区轮廓图片与高层居住区强排方案总平面图;将各组图片按相同比例导出,从而生成训练数据集;所述调整训练数据集图片尺寸具体为:启动Python集成开发环境Anaconda,导入OS模块与OpenCV库,设置数据集转换前后的文件路径,使用imread函数读取高层居住区轮廓图片与高层居住区强排方案总平面图,使用resize函数设置缩放尺寸与选项,将图片等比例缩小至指定尺寸,使用imwrite函数保存缩放后的文件。
4.根据权利要求2所述的方法,其特征在于:所述步骤3具体为:对构建完成的高层居住区条件生成对抗网络进行训练,直至网络收敛稳定;每次在训练集中随机选择一组高层居住区轮廓图片与高层居住区强排方案总平面图输入到网络中进行训练;定义Adam优化器,用于优化高层居住区生成器和判别器网络的损失函数;对高层居住区生成器和判别器网络进行交替迭代式训练,前向传递进行损失计算,反向传递更新网络权重,迭代多次最终保存纳什均衡状态下的高层居住区生成器网络权重;将拟规划的高层居住区轮廓图片作为已经训练好的高层居住区生成器网络的输入,通过编码解码过程得到基于该轮廓的高层居住区强排方案总平面图。
5.根据权利要求1所述的方法,其特征在于:所述步骤4具体为:启动Python集成开发环境Anaconda,导入Numpy库与OpenCV库,使用imread函数读取生成的高层居住区强排方案总平面图,使用array函数将高层居住区强排方案总平面图转换为数字矩阵,获取图片的像素灰阶数值并导出为文本文件;在参数化建模工具中将高层居住区强排方案总平面图等比例放大至真实尺寸,利用表格信息提取插件读取图片的像素灰阶数值,通过建立像素灰阶数值与网格高度的对应关系构建高层居住区建筑几何模型。
6.根据权利要求1所述的方法,其特征在于:所述利用计算机模拟分析生成高层居住区强排设计方案的建筑日照性能具体为:通过气象数据网站获取拟规划高层居住区当地气象数据文件并链接至日照模拟插件中,提取导入气象数据文件中的太阳轨迹信息,设置日照模拟的具体时间、网格尺寸与偏移距离,导入高层居住区建筑几何模型并计算各楼栋日照时间;所述利用计算机模拟分析生成高层居住区强排设计方案的建筑消防性能具体为:计算楼栋之间的防火间距与可容纳消防车道尺寸;将以上模拟分析得到的结果与法规进行比对,从而验证生成强排设计方案是否符合法规要求。
7.根据权利要求1所述的方法,其特征在于:所述通过提取城市矢量数据文件中的转折点信息建立城市尺度几何模型,利用德尔菲法作出城市天际线主观美学评价具体为:获取城市矢量数据文件并在地理信息系统软件中打开,添加建筑转折点信息并导出文本文件,利用参数化建模工具中的表格信息提取插件,读取建筑转折点坐标信息与层数信息,从而构建城市尺度几何模型;绘制原有城市天际线与包含高层居住区建筑的新城市天际线图像;建立专家云评价系统,制作调查问卷并将其发送至专家库,将专家意见归纳整理后再次反馈,直至多数专家得出一致意见,从而对生成强排设计方案作出准确的城市天际线美学评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040056.2A CN109635511B (zh) | 2019-01-16 | 2019-01-16 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040056.2A CN109635511B (zh) | 2019-01-16 | 2019-01-16 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635511A true CN109635511A (zh) | 2019-04-16 |
CN109635511B CN109635511B (zh) | 2020-08-07 |
Family
ID=66061029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910040056.2A Active CN109635511B (zh) | 2019-01-16 | 2019-01-16 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635511B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033203A (zh) * | 2019-04-23 | 2019-07-19 | 重庆市勘测院 | 基于城市实景长卷和三维模型投影的天际线评价方法 |
CN110428473A (zh) * | 2019-06-18 | 2019-11-08 | 南昌大学 | 一种基于辅助变量的对抗生成网络的彩色图像灰度化方法 |
CN110737995A (zh) * | 2019-10-24 | 2020-01-31 | 广东博智林机器人有限公司 | 一种基于gan的建筑房屋日照时长预测方法、装置和设备 |
CN110765521A (zh) * | 2019-10-11 | 2020-02-07 | 万翼科技有限公司 | 基于人工智能和bim的强排方法及系统 |
CN111581929A (zh) * | 2020-04-22 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 基于表格的文本生成方法及相关装置 |
CN111724299A (zh) * | 2020-05-21 | 2020-09-29 | 同济大学 | 一种基于深度学习的超现实主义绘画图像风格迁移方法 |
CN112580864A (zh) * | 2020-12-14 | 2021-03-30 | 哈尔滨工业大学 | 结合多元数据应用价值提升的村镇生活垃圾产量预测系统 |
WO2021238113A1 (zh) * | 2020-05-25 | 2021-12-02 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
CN113779675A (zh) * | 2021-09-02 | 2021-12-10 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
WO2022047960A1 (zh) * | 2020-09-04 | 2022-03-10 | 东南大学 | 一种基于人工智能的商业街区建筑体块生成的方法 |
CN114491773A (zh) * | 2022-03-31 | 2022-05-13 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
CN114880740A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
CN114925416A (zh) * | 2022-04-25 | 2022-08-19 | 清华大学 | 一种基于数据转换的建筑结构生成方法及装置 |
CN116128310A (zh) * | 2023-04-13 | 2023-05-16 | 广东广宇科技发展有限公司 | 一种用于古文物建筑的消防安全评估方法 |
WO2023220494A1 (en) * | 2022-03-04 | 2023-11-16 | Chancellor Jeffery C | System and method for ai based spacecraft shielding design |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325010A (zh) * | 2013-06-04 | 2013-09-25 | 东南大学 | 基于因子综合评价的城市整体高度控制分区方法 |
CN103336894A (zh) * | 2013-06-14 | 2013-10-02 | 东南大学 | 一种城市容积率自动分区方法 |
CN107016221A (zh) * | 2017-05-26 | 2017-08-04 | 吴志强 | 一种基于城市智能模型的辅助设计方法 |
-
2019
- 2019-01-16 CN CN201910040056.2A patent/CN109635511B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325010A (zh) * | 2013-06-04 | 2013-09-25 | 东南大学 | 基于因子综合评价的城市整体高度控制分区方法 |
CN103336894A (zh) * | 2013-06-14 | 2013-10-02 | 东南大学 | 一种城市容积率自动分区方法 |
CN107016221A (zh) * | 2017-05-26 | 2017-08-04 | 吴志强 | 一种基于城市智能模型的辅助设计方法 |
Non-Patent Citations (4)
Title |
---|
WENXIN HUANG 等: "Architectural drawings recognition and generation through machine learning", 《THE 38TH ANNUAL CONFERENCE OF THE ASSOCIATION FOR COMPUTER AIDED DESIGN IN ARCHITECTURE(ACADIA2018)》 * |
孙澄宇 等: "面向应用的深度神经网络图说", 《时代建筑》 * |
宋靖华 等: "基于生成式设计的居住区生成强排方案研究", 《2018年全国建筑院系建筑数字技术教学与研究学术研讨会》 * |
张辉 等: "基于遗传算法的建筑性能设计优化分析——以居住建筑为例", 《2018国际绿色建筑与建筑节能大会论文集》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033203A (zh) * | 2019-04-23 | 2019-07-19 | 重庆市勘测院 | 基于城市实景长卷和三维模型投影的天际线评价方法 |
CN110033203B (zh) * | 2019-04-23 | 2023-05-05 | 重庆市勘测院 | 基于城市实景长卷和三维模型投影的天际线评价方法 |
CN110428473A (zh) * | 2019-06-18 | 2019-11-08 | 南昌大学 | 一种基于辅助变量的对抗生成网络的彩色图像灰度化方法 |
CN110428473B (zh) * | 2019-06-18 | 2022-06-14 | 南昌大学 | 一种基于辅助变量的对抗生成网络的彩色图像灰度化方法 |
CN110765521A (zh) * | 2019-10-11 | 2020-02-07 | 万翼科技有限公司 | 基于人工智能和bim的强排方法及系统 |
CN110737995A (zh) * | 2019-10-24 | 2020-01-31 | 广东博智林机器人有限公司 | 一种基于gan的建筑房屋日照时长预测方法、装置和设备 |
CN111581929A (zh) * | 2020-04-22 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 基于表格的文本生成方法及相关装置 |
CN111724299A (zh) * | 2020-05-21 | 2020-09-29 | 同济大学 | 一种基于深度学习的超现实主义绘画图像风格迁移方法 |
CN111724299B (zh) * | 2020-05-21 | 2023-08-08 | 同济大学 | 一种基于深度学习的超现实主义绘画图像风格迁移方法 |
WO2021238113A1 (zh) * | 2020-05-25 | 2021-12-02 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
WO2022047960A1 (zh) * | 2020-09-04 | 2022-03-10 | 东南大学 | 一种基于人工智能的商业街区建筑体块生成的方法 |
CN112580864A (zh) * | 2020-12-14 | 2021-03-30 | 哈尔滨工业大学 | 结合多元数据应用价值提升的村镇生活垃圾产量预测系统 |
CN113779675A (zh) * | 2021-09-02 | 2021-12-10 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
WO2023220494A1 (en) * | 2022-03-04 | 2023-11-16 | Chancellor Jeffery C | System and method for ai based spacecraft shielding design |
CN114491773A (zh) * | 2022-03-31 | 2022-05-13 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
CN114491773B (zh) * | 2022-03-31 | 2022-07-05 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
CN114925416B (zh) * | 2022-04-25 | 2022-12-23 | 清华大学 | 一种基于数据转换的建筑结构生成方法及装置 |
CN114880740B (zh) * | 2022-04-25 | 2023-03-03 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
CN114925416A (zh) * | 2022-04-25 | 2022-08-19 | 清华大学 | 一种基于数据转换的建筑结构生成方法及装置 |
CN114880740A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
CN116128310A (zh) * | 2023-04-13 | 2023-05-16 | 广东广宇科技发展有限公司 | 一种用于古文物建筑的消防安全评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109635511B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635511A (zh) | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 | |
CN110619282A (zh) | 一种无人机正射影像建筑物自动提取方法 | |
US20220309201A1 (en) | Artificial-intelligence-assisted method for providing urban design form and layout with improved wind environment | |
CN109949214A (zh) | 一种图像风格迁移方法及系统 | |
CN106295199B (zh) | 基于自动编码器和多目标优化的自动历史拟合方法及系统 | |
CN110458048A (zh) | 顾及城镇格局特征的人口分布时空演变与认知 | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
CN104992068B (zh) | 一种表层土壤氮素分布的预测方法 | |
CN109472390A (zh) | 基于机器学习的规划方案智能生成方法及系统 | |
CN108230278A (zh) | 一种基于生成对抗网络的图像去雨滴方法 | |
CN110135354A (zh) | 一种基于实景三维模型的变化检测方法 | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN110992473A (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
CN114840900B (zh) | 一种基于i-GBDT技术的衍生式BIM构件自动生成方法 | |
CN116187210B (zh) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 | |
CN110349087A (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
CN105654136A (zh) | 一种基于深度学习的大规模遥感影像目标自动识别方法 | |
CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
CN109783629A (zh) | 一种融合全局事件关系信息的微博客事件谣言检测方法 | |
CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
CN115169543A (zh) | 一种基于迁移学习的短期光伏功率预测方法及系统 | |
Li et al. | Tourism information data processing method based on multi-source data fusion | |
Ying et al. | An intelligent planning method to optimize high-density residential layouts considering the influence of wind environments | |
CN107391794A (zh) | 一种台风连续立体风场反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |