田园城镇整合策略：多维数据库整理优秀民居户型

时代在变，村宅需求也在改变，传统未必都好，现代也有不足。设计师应提炼传统村宅建设经验，加入适宜技术，以解决村宅复合需求与空间组织的系统性、经典户型的智慧与设计经验融合、传统风貌与现代技术的兼容等问　题（图2）。

图2　研究内容

1.通过对不同地域大量民居进行调查、归类，组建多维开放式数据库

（1）整理传统及现代民居优秀户型：融合其中数千年的生活经验、现代需求和技术，汇集大量优秀案例；按照地域、形态、材料等整理、划分多个维度类型，进行筛选、归类、信息录入，包含类型、形态、功能、面积、朝向、造价、构造、材料、技术等多种参数，分区域、分目标、分类型和分层级研究村宅空间与技术构成，共同形成优秀户型库。

（2）用Matlab建立兼容、弹性、多维的户型数据库：其设置必须做到精细、准确、合理，以便计算机深度学习；响应地域、资源、经济等不同维度的区别，建立多维、开放、可组合的设计策略条目，精心处理数据库的架构设计及系统检索技术；开放性利于内容更新，技术、新材料等按照适宜技术筛选，并录入乡土材料和传统技术，促进其保护和现代化。

2.代入“人”的设计经验

（1）挖掘村宅设计的方法及控制要素：提炼原型和变体，经典民居户型相当于类型学原型，大量各有特色的户型相当于变体；划分控制设计的层级，探究村宅空间与复合功能的控制要素及其关联机制；依据设计原理，将其分为自顶层向下的不同层级。

（2）设计师从不同维度给予评价：融合“人”的经验，在样本库中定义参数和评价体系，录入设计师的加权评价；大量的人工评价为监督机器学习奠定基础（图3）。

（3）村宅常见问题及对策整理录入：按照申请人编撰省级村宅设计导则的经验，针对典型问题提出具体措施，能有效避免错误。

（4）学习规范、成熟方法：学习现有的Grasshopper等生成设计的方法，预先录入面积、尺度、门窗等的设计规范，供机器学习和调用。(www.xing528.com)

将以上要素作为机器学习的初值设置，可大幅度提高准确性。

3.训练AI设计系统

（1）建立监督学习架构：村宅设计看似简单，实则复杂，传统神经网络算法复杂度和模型可调度有限，容易陷入局部最优解陷阱，而且随机初始化初值增加计算难度。

（2）卷积神经网络使深度学习成为可能，村宅设计更适合自顶层向下的有监督学习：对影响设计的空间组织、形态要素、气候经验、材料策略等控制要素进行参数化处理，构建村宅设计参数化模型；机器基于学习得到顶层参数，进一步优化整个多层模型的参数。第一步不是随机得到的，而是通过学习精心设置的结构得到的，因而更接近全局最优，效果更好。

（3）最终形成AI设计系统：基于复杂变量，采用卷积神经网络和深度学习技术，通过大量案例多次卷积、池化，最后使用神经网络和Softmax分类器完成训练。部署深度学习的训练结果，AI遵循建筑设计的一般步骤，按照平面→立面→三维模型→细部的步骤来进行，形成AI设计系统。

图3　设计师从不同维度予以评价

4.构建轻量化“一键式”可视化设计系统

（1）系统轻量化，才适应乡村的智能化水平：村民使用简单的手机app，复杂的计算留给远程云计算；用户通过手机采集现场信息，提交给云端，后台AI完成图像处理和模式识别，推荐方案体系，生成基本布局；服务器调用样本库，智能优选造价、材料、性能、地域性等指标，生成完整方案，推送到手机。

（2）直观的方案呈现，适应乡村的技术水平：三维漫游非常直观，基于WebGL和网页前端技术（HTML5+JavaScript），在手机上实现3D实景漫游。