Using deep learning to generate design spaces for architecture

Eckdaten

Typ

Forschung

Land

AT

Letzte Aktivität

März 2023

Website

openalex.org

Beschreibung

Eine Forschungsarbeit, die einen frühen Prototyp eines Entwurfssystems vorstellt, das mittels Deep Learning eigene Entwurfsräume für die Architektur erzeugt. Eingesetzt werden Conditional Variational Autoencoders (CVAE), deren Lösungsraum sich interaktiv über semantische Labels erkunden lässt. Eng an Prinzipien des parametrischen Entwerfens angelehnt, nutzt die Arbeit parametrische Modelle, um den für das Training nötigen Datensatz zu erzeugen, und begegnet so dem Mangel an 3D-Datensätzen. Der CVAE fungiert dabei selbst als parametrisches Werkzeug mit einem größeren, vielfältigeren Lösungsraum. Demonstriert werden Methoden wie Objekt-Morphing, Objekt-Addition und ein rudimentärer 3D-Stiltransfer, erprobt an Beispielen der geometrischen Taxonomie des „Operative Design“.

Relevanz-Score