УДК 72.

01
И.Э.МОХОВ, студент 4 курса, бакалавриат
Руководитель Ж.Э.УМОРИНА, доцент каф.ОАП УрГАХУ

ГЕНЕРАЦИЯ И ОПТИМИЗАЦИЯ КОНСТРУКЦИИ

ПЕРЕКРЫТИЯ ФУНИКУЛЕРНОЙ АРКИ С ПОМОЩЬЮ 3DGS

ФГБОУ ВО «Уральский Государственный Архитектурно-

Художественный Университет». Россия, 620075 г. Екатеринбург, ул. Карла
Либкнехта, 23. Телефон +7 (343) 371 33 69 umorina87@yandex.ru

Ключевые слова: генеративное проектирование, конструкции в

архитектуре, арочное перекрытие

В этой статье рассматривается метод генеративного

проектирования для создания и оптимизации конструкции арочного
перекрытия с элементами фуникулера. Этот метод бросает вызов
устаревшей системе колонн, которая использовалась более века. Вводя план
этажа с расположением колонн, дизайнеры могут создавать различные
опорные конструкции фуникулера, расширяя выбор конструкций
перекрытий за пределы простых колонн и балок и способствуя созданию
архитектурных пространств с более разнообразными элементами дизайна.
Применяя методы машинного обучения (искусственные нейронные сети) для
оценки и оптимизации структурных характеристик и конструктивных
возможностей фуникулера определяются оптимальные решения. Для
достижения этой цели, модель машинного обучения обучается и
используется в качестве быстрой оценки, чтобы помочь эволюционному
алгоритму найти оптимальные проекты. Этот междисциплинарный метод
сочетает в себе информатику и структурный дизайн, обеспечивая гибкий
выбор дизайна для создания конструкций перекрытия.

Рис. 1 Различные структурные формы, порожденные графической статикой

Рис. 2 История бетонной конструкции крыши. Изображение предоставлено
дизайнерами: а) Риверсайдская церковь; б) Ланифисио Гатти; в) Палаццо дель Лаворо; г)
дизайн пола от Block Research Group; д) Лекционный зал зоологии Фрайбургского
университета; е) Дфаб Хаус.

С развитием методов вычислительного проектирования появляется

новая возможность: фуникулерная арка может заменить колонны и балки.
Последние разработки и исследования в области фуникулерных арочных
конструкций от Рафаэля Гуаставино, дизайн перекрытий от Филиппа Блока
(Adriaenssens, Block et al. 2014), и железобетона от Луиджи Нерви привнесли
новую эстетику и возможности более экономичных структурных систем (рис.
2).
Графическая статика
При проектировании конструкции фуникулерной арки широко
используется графический метод статики для оценки и создания силы и
формы. Графическая статика (2D/3D) — это метод проектирования и анализа
конструкций, основанный на геометрии. История графической статики
восходит к эллинистической эпохе, когда Архимед использовал
алгебраические формулы и иллюстрации, чтобы объяснить в своей книге "О
равновесии плоскостей плоскости, что вес объекта обратно пропорционален
расстоянию в условиях равновесия по закону рычаги. Эпоха Возрождения
положила начало современной механике. Галилео Галилей, Роберт Гук и
Исаак Ньютон внесли большой вклад в научное развитие механики.
Специфическая для графической статики, механика содержит три важных
фактора: Силы представлены в виде векторов, силы могут быть составлены и
разложены, и баланс сил может быть достигнуто в условиях равновесия.
Вычислительное решение трехмерной графической статики помогает
дизайнерам генерировать трехмерные многогранные формы путем
манипулирования диаграммами сил с заданными граничными условиями.
При нахождении формы в 3D графической статике, правила преобразования
правила преобразования от диаграмм сил к диаграммам форм работают
точно так же так же, как и в 2D.

Рис. 3 Фуникулер 2D и 3D решения и соответствующие им силовые диаграммы

На рис. 3 показано сравнение 2D и 3D графической статики, где
рисунки b) и d) — это диаграммы сил, а рисунки a) и c) - диаграммы форм.
Каждая приложенная нагрузка "Fi" на диаграмме сил представляет собой
соответствующую силу нагрузки "Fi" на диаграмме формы, причем две
перпендикулярны друг другу. Каждая внешняя опорная сила "Fei" на
диаграмме сил приводит к появлению структурного ei" на диаграмме форм,
которая показывает соответствующую форму диаграммы сил. Но разница
заключается в следующем, в 2D графической статике силы рисуются в виде
линий, в то время как, в трехмерной графической статике силы изображаются
в виде плоских поверхности, поэтому силы и соответствующие формы в 3D
графической статике имеют на одно измерение больше, чем силы и форм в
двухмерной графической статике эстетическая тенденция (Turlock and
Steinfeld 2019).
Модель машинного обучения может быть обучена для
классифицирования изображения геометрий на основе эстетических
наклонностей архитектора (Turlock and Steinfeld 2019). Примеры
фуникулерных структур переводятся в черно-белые и белые пространственно
различимые изображения, которые затем используются для обучения
конволюционной нейронной сети (CNN). Авторы случайным образом
генерируют большое количество структурных моделей, сплющивают их в
изображения, а затем спрашивают добровольцев, считают ли они считают ли
они эти изображения красивыми. С помощью этого метода обученная CNN
может узнать эстетические показатели в смысле архитектуры на основе
ответов добровольцев. В сочетании с традиционными показателями оценки
структуры, программа может найти решение, которое оценивается как
одновременно красивым и структурно устойчивым. Чтобы
перепроектировать пространство с помощью системы Maison Domino в
фуникулерные формы, необходимо определить топологию, включая
графовые отношения (связность) между каждой колонной. Для любых
поэтажных планов с колоннами в любом положении, прямые линии могут
быть проведены между парами колонн, представляя собой основные
структурные элементы. После того, как будет проведена хотя бы одна линия,
соединяющая каждый столбец, и ни одна линия не пересекается, топология
является законной, и полный граф показывает начальные структурные члены.

Рис. 4 Решение фуникулера для двумерной конструкции домино. а) плоская

структура. б) конструкция арки и ее силовая диаграмма. в) раздвижная арочная
конструкция и ее силовая диаграмма.

Рис. 5 Решение фуникулера для трехмерной конструкции домино. а) плоская

структура. б) конструкция арки и ее силовая диаграмма. в) раздвижная арочная
конструкция и ее силовая диаграмма.

Рис. 4 и 5 объясняют логику построения сил, которые могут

генерировать более эффективный и экологичный фуникулерный вариант из
обычного модуля домино как силы и дуальные диаграммы форм. Как
показано на рисунке 5, в фуникулере альтернатива, соединение между двумя
колоннами восстанавливается с помощью фуникулерной арки путем
конструирования агрегируемой 3D диаграммы сил. Подразделение общей
приложенной нагрузку и сведение разделенных граней к различным точкам
на диаграмме сил позволяет создать дополнительные пути нагрузки в форме,
и через них приложенные нагрузки передаются на основные конструкции.
 Рис. 6 Получение решения фуникулера из простой схемы (с 4 столбцами).

Рис. 7 Получение решения фуникулера из простой схемы (с 2 колоннами и 2

стенами).

На рис. 6-8 показаны шаги для создания структур перекрытий с

фуникулером из 2D макетов. Первым шагом является определение связей
между вертикальными структурными элементами и создание карты связей.
На основе карты связности можно определить границу силы границу,
которая показывает, как приложенная нагрузка распределяется на каждый
элемент конструкции. 3D диаграмма сил затем создается для каждой силовой
границы. Диаграммы сил могут быть объединены для создания
результирующей формы. Далее, как показано в различных топологиях для
макетов с колоннами и стенами, геометрия ограничений может также влиять
на карту связности и распределение сил.

Рис. 8 Сравнение экономии материала.

После обучения на сгенерированных образцах, нейронная сеть

способна действовать как агент оценки, чтобы дать обратную связь в
реальном времени по значениям двух критериев. Под под руководством
нейросетевой модели, формы с лучшими структурными характеристиками и
меньшим расходом материала (рис. 8).
Архитектурное пространство, структурированное с помощью системы
Maison Domino может быть перепроектировано с использованием
фуникулерной структуры созданной методом графической статики.
Топология и правила деления контролируют генерацию диаграммы сил;
поэтому фуникулярные формы также генерируются как двойная геометрия.
Обученная нейросетевая модель может находить формы с помощью
заданными пользователем оценочными метриками. Машинное обучение
модель обучается и используется в качестве быстрого оценщика, чтобы
помочь эволюционному алгоритму находить оптимальные конструкции. Этот
метод охватывает междисциплинарную границу информатики науки и
структурного проектирования, обеспечивая гибкий выбор для создания
конструкций перекрытий.
Библиографический список
1. Adriaenssens, S., P. Block, D. Veenendaal and C. Williams (2014).
Shell structures for architecture: form finding and optimization, Routledge.
2. Akbarzadeh, M. (2016). 3D Graphical Statics Using Reciprocal
Polyhedral Diagrams. PhD, ETH Zruich.
3. Akbarzadeh, M., T. Van Mele and P. Block (2015). "On the
equilibrium of funicular polyhedral frames and convex polyhedral force diagrams."
Computer-Aided Design 63: 118-128
4. Anderson, S. (1984). "Architectural research programmes in the work
of Le Corbusier." Design Studies 5(3): 151-158
5. Zheng, H. (2019). Form Finding and Evaluating through Machine
Learning. Proceedings of the 1st International Conference on Computational
Design and Robotic Fabrication (CDRF) 2019. Shanghai, China
6. Patrik Schumacher. Parametricism - A New Global Style for
Architecture and Urban Design, published in: AD Architectural Design - Digital
Cities, Vol 79, No 4, July/August 2009
7. The Progress of Geometry as Design Resource. Patrik Schumacher,
London 2018
8. Greg Lynn, Blobs, Journal of Philosophy and Visual Arts, 1995,
Reprinted in: Greg Lynn, Folds, Bodies and Blobs – Collected Essays, Bruxelles
1998, p.164

Статья публикуется впервые.

10.04.2022
Мохов И.Э.