Um método generativo de arquitetura e design urbano por meio de redes neurais artificiais

O aprendizado de máquina, como uma ferramenta computacional para encontrar mapeamentos entre os dados de entrada e saída, tem sido amplamente utilizado nas áreas de engenharia. Pesquisadores aplicaram modelos de aprendizado de máquina para gerar desenhos 2D com pixels ou modelos 3D com voxels, mas a pixelização reduz a precisão das geometrias. Portanto, a fim de aprender e gerar geometrias 3D como modelos vetorizados com maior precisão e velocidade de cálculo mais rápida, desenvolvemos uma rede neural artificial específica, que aprende e gera características de design para as formas dos edifícios. Uma estrutura de dados personalizada com parâmetros de características é construída, atendendo os requisitos da rede neural ao reconstruir superfícies com pontos de controle e adicionar neurônios de entrada adicionais como vetores quantificados para descrever as propriedades do design. A rede neural é inicialmente treinada com dados de design gerados e depois testada ajustando os parâmetros das características. A predição dos dados gerados demonstra a habilidade gerativa básica da rede neural. Além disso, treinada com dados de design coletados de edifícios existentes, a rede neural aprende e infere as características geométricas do design arquitetônico com diferentes parâmetros, fornecendo um método orientado por dados para que os projetistas gerem e analisem formas arquitetônicas.