Supporting architectural design with intelligent and interactive computational tools: an application to the high-performance building facade design

Architectural design is important because it is related to aesthetics and building performances, like energy efficiency, indoor environment quality, etc. Architectural design is also difficult, i.e. complex, since a huge amount of objectives and decision variables are simultaneously taken into account in a “large design space” (the concept in operational research, not physical space). Therefore, the traditional manual design method is inefficient and incompetent, for example, when designing high-performance building facades. There are two main objectives in this thesis: automatically explore the design space of building facades; make this automatic exploration much faster and interactive. The first objective includes two sub-objectives: using optimization algorithms to help architects explore a “design space” of wall material designation; using optimization algorithms to help architects explore a “design space” of fenestration configurations. The second objective includes three sub-objectives: reducing the time consumption caused by using dynamic simulation engines; reducing the time consumption during the post-optimization stage: selecting design choices based on designers’ personal preferences; making the design choice visualization more intuitive and interactive. Five computational experiments are conducted to achieve these two main objectives (five sub-objectives). The first two experiments are aimed for tackling objective 1 and the other three experiments are conducted to achieve objective 2. In the first experiment, to automatically designate wall materials, the author utilizes two different approaches (Python IDE with K-nearest neighbour algorithm, and Grasshopper with an evolutionary algorithm) to algorithmically explore the design space. A usability test is conducted and results show that both these two approaches can drastically increase architects’ work efficiency and help them find relatively optimal design solutions. In the second experiment, the author uses an algorithm to search for fenestration configurations. By coupling parametric modelling (Rhino with Grasshopper), building performance simulation (Energyplus and Daysim), and algorithmic optimization (Strength Pareto Evolutionary Algorithm 2), the design space of fenestration is algorithmically explored. The third experiment is an example of using artificial neural networks to speed up the exploring process. The author uses a neural network to replace Energyplus and Daysim. Moreover, the author develops a Web-APP to intuitively visualize design solutions. This experiment can reduce the exploration time from 2 weeks (used in the second experiment) to 2 seconds. In the fourth experiment, by using Sketch-based Image Retrieval, a computer vision technology, the author enables architects to instantly find his/her most aesthetically-favourable solution, from the solution pool generated by the second experiment. In the fifth experiment, an AR APP is developed to visualize 3D building geometries together with simulation results in an AR environment, enabling users to quickly understand design choices and corresponding building performance. By executing these five experiments, this PhD project contributes to the field of computational architectural design. On one side, it reduces architects’ repetitive work, speeds up the decision-making process, and makes it more reliable. On the other side, it integrates the algorithmic exploring process with architects’ personal preferences, making the decision-making process more integrative and holistic. Experiments conducted herein are in the form of designing building facades, moreover, concepts can be applied to other building design scenarios.

La progettazione architettonica è importante perché è correlata all'estetica e alle prestazioni dell'edificio, come l'efficienza energetica, la qualità dell'ambiente interno, ecc. Anche la progettazione architettonica è difficile, vale a dire complessa, dal momento che una grande quantità di obiettivi e variabili decisionali sono contemporaneamente presi in considerazione in un ampio spazio di progettazione "(il concetto di ricerca operativa, non spazio fisico). Pertanto, il metodo di progettazione manuale tradizionale è inefficiente e incompetente, ad esempio, quando si progettano facciate di edifici ad alte prestazioni. La tesi presenta due obiettivi principali: esplorare automaticamente lo spazio di progettazione delle facciate degli edifici; rendere questa esplorazione automatica molto più veloce e interattiva. Il primo obiettivo include due sotto-obiettivi: utilizzare algoritmi di ottimizzazione per aiutare gli architetti a esplorare uno "spazio di progettazione" nella designazione del materiale per pareti; utilizzando algoritmi di ottimizzazione per aiutare gli architetti a esplorare uno "spazio di progettazione" di configurazioni di fenestrazione. Il secondo obiettivo comprende tre sotto-obiettivi: ridurre il consumo di tempo causato dall'utilizzo di motori di simulazione dinamica; ridurre il consumo di tempo durante la fase di post-ottimizzazione: selezione delle scelte progettuali in base alle preferenze personali dei progettisti; rendendo la visualizzazione della scelta del design più intuitiva e interattiva. Vengono condotti cinque esperimenti computazionali per raggiungere questi due obiettivi principali (cinque sotto-obiettivi). I primi due esperimenti hanno lo scopo di affrontare l'obiettivo 1 e gli altri tre esperimenti sono condotti per raggiungere l'obiettivo 2. Nel primo esperimento, per designare automaticamente i materiali delle pareti, l'autore utilizza due approcci diversi (Python IDE con l'algoritmo K vicino più vicino e Grasshopper con un algoritmo evolutivo) per esplorare algoritmicamente lo spazio di progettazione. Viene condotto un test di usabilità e i risultati mostrano che entrambi questi approcci possono aumentare drasticamente l'efficienza del lavoro degli architetti e aiutarli a trovare soluzioni di progettazione relativamente ottimali. Nel secondo esperimento, l'autore utilizza un algoritmo per cercare le configurazioni di fenestrazione. Abbinando la modellazione parametrica (Rhino con Grasshopper), la simulazione delle prestazioni dell'edificio (Energyplus e Daysim) e l'ottimizzazione algoritmica (Strength Pareto Evolutionary Algorithm 2), lo spazio di progettazione della fenestrazione viene esplorato algoritmicamente. Il terzo esperimento è un esempio dell'utilizzo di reti neurali artificiali per accelerare il processo di esplorazione. L'autore utilizza una rete neurale per sostituire Energyplus e Daysim. Inoltre, l'autore sviluppa una Web-APP per visualizzare in modo intuitivo soluzioni progettuali. Questo esperimento può ridurre il tempo di esplorazione da 2 settimane (utilizzato nel secondo esperimento) a 2 secondi. Nel quarto esperimento, utilizzando Image Retrieval basato su Sketch, una tecnologia di visione artificiale, l'autore consente agli architetti di trovare immediatamente la propria soluzione più favorevole dal punto di vista estetico, dal pool di soluzioni generato dal secondo esperimento. Nel quinto esperimento, viene sviluppata un'APP AR per visualizzare le geometrie degli edifici 3D insieme ai risultati della simulazione in un ambiente AR, consentendo agli utenti di comprendere rapidamente le scelte di progettazione e le corrispondenti prestazioni degli edifici. Eseguendo questi cinque esperimenti, questo progetto di dottorato contribuisce al campo della progettazione architettonica computazionale. Da un lato, riduce il lavoro ripetitivo degli architetti, accelera il processo decisionale e lo rende più affidabile. Dall'altro lato, integra il processo di esplorazione algoritmica con le preferenze personali degli architetti, rendendo il processo decisionale più integrativo e olistico. Gli esperimenti qui condotti sono sotto forma di progettazione di facciate di edifici, inoltre, i concetti possono essere applicati ad altri scenari di progettazione di edifici.