基于拓扑优化及集群智能的计算设计与智能建造的分析和探索

2023-01-16严鑫鲍鼎文

建筑技艺 2022年9期

严鑫鲍鼎文

以有限元方法（Finite Element Method）、计算流体力学（Computational Fluid Dynamics）等为代表的计算机辅助设计技术，凭借精准和快速的数据反馈，成为分析、评估建筑设计成果的重要手段。定量分析的模拟计算能够及时、精准地反馈方案变更中的结构、声、光、热、风等性能变化。该类计算软件在复杂项目的设计与施工中起到了重要作用，多被应用于对既有建筑形态的分析与修正，较少应用于方案设计阶段。

另一方面，随着数字建筑理论的发展，基于生物形态模式的找形技术逐渐从先锋派设计走向实践。集群智能算法（Swarm Intelligence）是一种复杂性形式模拟逻辑，起源于鸟群、虫群、人类社会网格及城市运行系统[1]。凭借其简洁的逻辑架构、优秀的可移植性和广泛的应用前景，逐渐应用于建筑设计。通过该算法，建筑师可以将自然界中生物的行为逻辑应用于建筑，从而使生物性环境应对策略得以在智能建筑中展现。然而，此方法仍然处于试验阶段，在实践中这种动态的设计逻辑往往因为无法获得来自建筑自身和环境的数据反馈，而难以固定为最终的设计方案。

在这样的语境下，将性能数据作用于多智能体，用以实现基于性能数据驱动的仿生计算性建筑设计，将有利于突破上述困境，为建筑设计提供新的思路。由于这一设计方法的造型复杂性和多样性，建筑师们开始引入多种数控建造手段，并利用建筑信息模型BIM系统进行管理和制造建筑预制件。计算性设计方法和先进的数控制造工艺将逐渐更新建筑设计模式，并更精准地利用数据加强建筑的性能。

1 结构性能的数据驱动设计

1.1 建筑计算模型与性能数据反馈

自20世纪60年代，有限元方法、计算流体力学等计算机辅助设计方法逐步应用于工程领域。通过计算机图形学与相关科学理论，我们可以在复杂建筑几何模型与建筑性能分析之间建立起相互关联的路径，从而实现对于建筑性能的定量反馈。这条路径的总体逻辑可以分为模型离散化、设定输入参数与计算模拟分析三个步骤。

首先，在建筑师根据设计意图得到概念几何模型之后，应用计算机图形技术，将复杂形态离散成较为规则的单元体，得到计算分析模型。其中相邻单元之间共用相同的节点，实现性能数据的传导。针对不同的分析对象，可以选择不同类型的单元体进行模型离散，例如仅受轴向力的杆单元（对应桁架结构体系）和考虑弯矩的梁单元（对应梁柱结构体系）较为常见，覆于曲面表面的壳单元和充满连续体内部的实体单元，则适用于较为复杂的三维模型。继而，需要根据实际情况设定模型属性系数（材料属性）与环境条件参量（边界条件），进入计算分析模拟流程。通过离散化，原本复杂的几何模型带来的分析难点，可以被大量相对简单的理论数值计算近似替代，建筑师再通过性能数据反馈，修改方案直至达到要求。

这样的工作流程本质上遵循了“后理性几何”（Post-rationalized Geometries）的工作范式[2]，将既有的自由形式优化为合理的替代模型。其优点在于各专业之间的关联依靠性相对较弱，可以独立开展工作，但这种独立性却造成了建筑方案推敲过程中大量的重复循环修改。同时，由于缺乏对建筑各方面性能数据的总体调控，线性的工作流程不可避免地损失了一部分形态解决方案的可能性。随着数字建筑理论与技术的发展，一些以“先理性几何”（Pre-rationalized Geometries）[2]为目标的建筑形态生成方式逐渐被建筑师和学者们所关注。这些方法以性能数据作为基础，通过相关理论和程序算法将“几何模型—性能分析—手工修改”的单向线性模式变为“几何模型—性能分析—计算机重建”的双向循环生成模式，实现了建筑形态修正与建筑性能评价之间的高效联动，便于找寻能够同时满足各种需求的建筑形态“优选解”。

1.2 性能数据驱动的建筑形态设计

结构对建筑形态影响显著，其找形方法一直受到建筑师和结构工程师的关注。近20年来，越来越多的学者开始关注基于有限元分析数据的定量结构找形算法。相较于以图解静力学为代表的定性方法，基于性能数据的方法不仅可以考虑真实材料的耐受与破坏特性及更多的结构连接关系，更便于突破既有的结构体系，找到适合于特定情形的新型高效结构方式。由皇家墨尔本理工大学（RMIT University）的谢亿民院士团队首创的渐进结构优化法（Evolutionary Structural Optimization,ESO）[3]和双向渐进结构优化法（Bidirectional Evolutionary Structural Optimization,BESO）[4]正是在每次迭代中，以基于模型单元的结构性能数据计算灵敏度（如应变能密度）的相对大小为标准，决定结构单元是否应该被删除或增加。这种对结构局部进行逐步演化的方式，也在某种程度上解释了自然界进化的规律，基于拓扑优化的苹果、植物形态演化示意图能够展示苹果的形态演化[3]以及植物根茎结构的形态模拟[5]。BESO方法同样可应用于对建成建筑的结构分析，例如马克·贝瑞（Mark Burry）与谢亿民院士对高迪的圣家族教堂树形结构的分析[6]以及严鑫与鲍鼎文关于罗马小体育馆壳结构的分析[7]。通过BESO算法及其插件Ameba，建筑师可以将真实的力学行为引入方案设计，生成新的形态，如在笔者参与指导的DigitalFUTURES工作营的学生作业中，对中国古建筑及埃菲尔铁塔的新结构设计（图1）。在实践项目中，建筑师可以根据结构荷载规范，对斜塔施加重力、楼板活荷载、风荷载、雪荷载等多重作用，在以上性能数据驱动下生成的BESO拓扑优化结构符合复杂的工况要求（图2），这是定性的找形算法所不能比拟的。2004年建成的位于高槻市（Takatsuki City）的芥川河畔项目（Akutagawa River Side）是首个应用ESO方法进行结构优化找形的实际项目[8]（图3）。

日本著名工程师佐佐木睦朗（Mutsuro Sasaki）曾通过原创的敏度分析法（Sensitivity Analysis Method）和拓展渐进结构优化法（Extended ESO Method）与伊东丰雄（Toyo Ito）、SANAA、矶崎新（Arata Isozaki）等建筑师创作过形态新颖、结构合理的建筑作品。其中，敏度分析法适用于对建筑设计的曲面进行微调，以满足一定的结构合理性，如北方町社区中心（Kitagata Community Center）（图4）、福冈岛城中心公园（The Island City Central Park Gringrin）、冥想之森市营殡仪馆（Kakamigahara Crematorium）、劳力士学习中心（Rolex Learning Center）等；拓展渐进结构优化法则是在预先设定的条件下自动生成合理的结构，其过程与标准的结构拓扑优化无异，如卡塔尔国家会展中心（Qatar National Convention Center）（图5）、上海证大喜马拉雅中心（Shanghai Zendai Himalayan Art Center）等。

除大跨建筑，拓扑优化技术还可用于高层建筑设计。与大跨建筑主要应对重力问题不同，高层建筑结构所应对的主要问题来自于高空空气流动带来的横向荷载。应用基于性能数据的驱动设计方法，风力只会改变计算模型中的荷载条件，这有助于简化高层建筑形态与结构设计流程。SOM建筑事务所曾专门探讨过拓扑优化在高层建筑中的设计应用，如在深圳中信金融中心项目中，工程师通过拓扑优化得到了不同阶数斜交网格的最优布置方案，并基于建筑采光、施工等需求对其进行修正，得到最终结果[9]。Zaha Hadid建筑事务所也就超高层建筑结构的一体化进行过数据分析找形，例如迈阿密的千号馆（One Thousand Museum）公寓。

1 基于BESO 的埃菲尔铁塔新形式探索

2 多工况斜塔拓扑优化结果

3 芥川河畔项目

4 北方町社区中心

5 卡塔尔国家会展中心

1.3 性能数据驱动的建筑构件优化

性能数据驱动的生成设计方法，在更小的尺度上依然扮演着重要角色。实际项目中，局部建筑构件需要在满足结构性能的同时节省材料，达到简洁美观的效果。精细化的性能分析数据，可以更加精准地满足特定的功能需求和个性化的选择。近年来，无梁楼板一直是国际轻量化结构研究的热点。通过有限元分析，可以得到受力状态下楼板力的分布情况，从而通过拓扑优化或应力线提取等方式获得楼板加强部分。

苏黎世联邦理工学院（ETH）BRG研究组曾根据有限元分析得到的主应力线，确定楼板加强肋的位置和形态[10]（图6）。数字建筑技术组（DBT）和丹麦的奥胡斯建筑学院分别通过拓扑优化技术对楼板进行了优化。XtreeE研究组[11]与创盟国际[12]分别基于拓扑优化对柱子和桥进行了结构性能设计（图7）。皇家墨尔本理工大学与香港中文大学合作的智慧节点（Smart Node）对亭子木结构中的连接节点进行了优化，在满足任意角度连接的同时满足力学需求[13]（图8）。与此同时，Zaha Hadid建筑事务所、Joris Laarman实验室、谢亿民科技将这一工作方式引入了家具、装置及艺术品设计[14]（图9）。

2 基于仿生集群智能算法的建筑设计和智能建造

2.1 仿生集群形态生成

复杂性理论的出现改变了我们对形式生成的理解。形式的概念化已经从宏观层面转移到关注形式生成的底层复杂系统的运行层面[15]。集群智能算法基于从生物界抽象出的规则，形成具有集群智能的媒介系统，为建筑师提供了一种更动态、全面的建筑形态自组织生形研究方法。

2.2 建筑学中的集群智能找形

建筑学界一直关注着自然和生物形态模拟，近10年，Kokkugia和Biothing等新兴建筑事务所着重探索集群逻辑的形态生成潜力，利用多智能体算法生成新的建筑形态。在实验性的实践领域中，基于集群的建筑设计研究不断涌现，哥伦比亚大学建筑学院（GSAPP）、英国建筑联盟学校（AA）、伦敦大学学院（UCL）、南加州建筑学院（Sci-Arc）、宾夕法尼亚大学（UPenn）和皇家墨尔本理工大学等建筑院校以及阿丽莎·安底拉斯克（Alisa Andrasek）、尼尔·里奇（Neil Leach）、罗伯特·斯多特-史密斯（Robert Stuart-Smith）和罗兰德·斯努克斯（Roland Snooks）等先锋建筑师通过设计实践，推动了集群智能及多智能体算法的运算生形。其中Kokkugia创始人、皇家墨尔本理工大学副教授罗兰德·斯努克斯一直关注基于行为设计的形式研究，通过多智能体算法进行运算生形的设计方法，将算法设计、机器学习、自动化建造、先进材料等研究方向紧密关联、生成设计（图10）。斯努克斯教授同时提出使用有限元结构分析方式延展结构集群智能的概念，通过为多智能体赋予结构行为，建立面向整体结构的全局评估系统，得到实时反馈。这为笔者关于结构性能数据驱动下集群智能计算设计方法的探索带来了灵感。

2.3 机械臂大尺度3D打印制造技术

随着工业4.0时代的到来，机器人建造在当今建筑行业扮演着重要角色。基于工业机器人的数字加工模拟和针对不同建筑材料定制化的工具设计，在大规模生产中，工厂可以经济高效地制造非单一的建筑预制构件[16]。目前对于这一领域的探索逐渐被国际知名建筑院校和学院派先锋建筑师所关注，如德国斯图加特大学的阿希姆·门格斯（Achim Menges）带领的计算设计学院（ICD）、瑞士苏黎世联邦理工学院的法比奥·格拉马齐奥（Fabio Gramazio）、马蒂亚斯·科勒（Matthias Kohler）创立的“格拉马齐奥与科勒”机器人建筑研究中心、中国同济大学建筑与城规学院袁烽教授领导的数字设计研究中心和一造科技（FabUnion）、澳大利亚皇家墨尔本理工大学建筑与城市设计学院罗兰德·斯努克斯创立的建筑机器人实验室等均为这一领域的前沿研究机构。为实现其仿生集群智能设计的形态，罗兰德·斯努克斯在实验室内配备了多种技术进行机器建造，目前主要聚焦于聚合物、陶瓷和金属的3D打印研究工作，以实现大规模、大尺度、定制化建筑构件的增材制造（图11）。实验室专注于探索具有前沿价值的试验项目及大尺度的原型研发，从而更好地确立研究架构的发展潜力及建筑实践的延伸意义，例如其为莫纳什大学SensiLab设计制造的室内隔墙和为维多利亚国家美术馆（National Gallery of Victoria）设计制造的三年展“浮冰”艺术装置（图12）。

6 ETH BRG 研究组的预应力楼板

7 XtreeE 研究组的树形柱

8 RMIT 大学的亭子

9 谢亿民科技设计的椅子

10 罗兰德·斯努克斯设计的Kazakhstan Symbol 作品

11 RMIT 机械臂大尺度3D 打印实验室

2.4 增强现实全息数字建造技术

由皇家墨尔本理工大学建筑与城市设计学院讲师Gwyllim Jahn和Cameron Newnham创立的增强现实全息数字建造技术的科技公司Fologram，近年发展迅速。Fologram通过Hololens等增强现实眼镜，将三维模型转化为全尺寸施工指南（图13）。这一程序致力于在作业空间里叠加数字化指导，辅助需要测量、验证和针对性管理的复杂项目建造，实现对施工过程中砌筑工作的逐步指导。应用Fologram，已有建筑师设计制造了复杂的构筑物和艺术装置，例如爱沙尼亚第五届塔林建筑双年展中，由集群智能算法设计而成的“蒸汽朋克”展亭项目（图14）。

3 结语

综上，在过去10年间，建筑性能数据驱动设计与仿生集群优化形态生成已从前沿理论发展至实践阶段。本文基于皇家墨尔本理工大学对这两项数字技术发展现状的梳理，提出了基于性能数据驱动的仿生集群计算设计方法。其中，由理性的性能模拟分析得来的数据以向量的形式作用于集群智能体的行为，配合感性的人为控制因素，衍生成多样的建筑形态“优选解”。这样的过程实现了“几何模型—性能分析—计算机重建”的双向循环生成模式，形成了集理性分析与感性生成于一体的高效、开放的计算设计框架。

同时，可以通过引入数控建造手段，实现这两类生成式算法产生的复杂多变的建筑形态。生成过程中得到的关于建筑各方面性能丰富而全面的数据信息，在后续的建筑信息模型BIM系统管理和建筑预制件制造过程中将发挥巨大作用。这些数据将确保诸如机械臂大尺度建造、增强现实全息数字等技术，能够在后续的建筑工业中顺利实现。从计算性设计到数控制造工艺的完整数据链将逐渐更新建筑设计的模式，从而更加精准合理地为未来建筑赋能。