孫 澄，叢欣宇，韓昀松

(1.哈爾濱工業(yè)大學(xué) 建筑學(xué)院，哈爾濱 150001； 2.寒地城鄉(xiāng)人居環(huán)境科學(xué)與技術(shù)工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室哈爾濱工業(yè)大學(xué))，哈爾濱 150001)

隨著城市化進(jìn)程的加快與經(jīng)濟(jì)發(fā)展水平的提高，城市用地規(guī)模不斷擴(kuò)大，土地資源稀缺問(wèn)題日益凸顯，土地資源集約利用成為必然的趨勢(shì).居住區(qū)強(qiáng)排方案是指在滿足地塊的規(guī)劃指標(biāo)和相關(guān)規(guī)范的前提下，以經(jīng)濟(jì)利益最大化進(jìn)行設(shè)計(jì)的住宅小區(qū)規(guī)劃方案，是項(xiàng)目可行性測(cè)算的基礎(chǔ).既有居住區(qū)強(qiáng)排方案設(shè)計(jì)需經(jīng)過(guò)土地分析、單體選型、日照間距確定、容積率測(cè)算、產(chǎn)品分布分析等步驟[1].在高密度居住區(qū)中，建筑日照陰影相互遮擋嚴(yán)重，根據(jù)日照模擬分析結(jié)果進(jìn)行人工試錯(cuò)調(diào)整的強(qiáng)排設(shè)計(jì)方法使得居住區(qū)強(qiáng)排方案設(shè)計(jì)效率低下，且限于建筑設(shè)計(jì)周期，亟需更加智能、高效的居住區(qū)強(qiáng)排設(shè)計(jì)方法.國(guó)內(nèi)外學(xué)者圍繞居住區(qū)強(qiáng)排方案設(shè)計(jì)展開了廣泛研究，深度學(xué)習(xí)技術(shù)的突破性發(fā)展為其提供了新的思路.深度學(xué)習(xí)是一種能夠模擬出人腦的神經(jīng)結(jié)構(gòu)的機(jī)器學(xué)習(xí)方法.它可以自行抽取特征中有價(jià)值的信息進(jìn)行自身調(diào)優(yōu)與訓(xùn)練，并通過(guò)訓(xùn)練去擬合輸入從而得到一個(gè)合理的模型結(jié)構(gòu)，在生成設(shè)計(jì)方面有較大潛力.居住區(qū)強(qiáng)排方案中建筑排布的規(guī)則主要受制于間距、日照等規(guī)范的限制，其排布過(guò)程更像是對(duì)規(guī)范所要求的限制條件進(jìn)行不斷驗(yàn)算試錯(cuò)的過(guò)程，因此可使用深度學(xué)習(xí)方法挖掘其設(shè)計(jì)規(guī)律，自動(dòng)生成居住區(qū)強(qiáng)排設(shè)計(jì)方案.研究旨在提出基于CGAN的居住區(qū)強(qiáng)排方案生成設(shè)計(jì)方法，提升方案設(shè)計(jì)階段的強(qiáng)排設(shè)計(jì)效率，提出訓(xùn)練數(shù)據(jù)集制作流程，為同類研究提供參考.

1 國(guó)內(nèi)外研究現(xiàn)狀

居住區(qū)規(guī)劃設(shè)計(jì)方法的發(fā)展主要經(jīng)歷了以下時(shí)期.早期的居住區(qū)規(guī)劃設(shè)計(jì)采用傳統(tǒng)的人工設(shè)計(jì)方法，設(shè)計(jì)者遵循“方案初步設(shè)計(jì)—建筑性能模擬—方案優(yōu)化設(shè)計(jì)”的過(guò)程進(jìn)行設(shè)計(jì)，這種被動(dòng)調(diào)整的循環(huán)工作模式延長(zhǎng)了設(shè)計(jì)周期，降低了工作效率.

在居住區(qū)規(guī)劃設(shè)計(jì)的智能化發(fā)展時(shí)期，設(shè)計(jì)者將方案設(shè)計(jì)轉(zhuǎn)化為數(shù)學(xué)邏輯問(wèn)題，通過(guò)改變算法生成不同的建筑形態(tài)[2].既有研究基于遺傳算法、多目標(biāo)優(yōu)化算法、多智能體系統(tǒng)、細(xì)胞自動(dòng)機(jī)、語(yǔ)法規(guī)則展開了居住區(qū)規(guī)劃和城市形態(tài)空間生成設(shè)計(jì)方法，包括自組織生成與自適應(yīng)優(yōu)化[3].應(yīng)用遺傳算法探索了高層居住區(qū)自動(dòng)布局[4]，最大容積率排布方案生成[5]，概念設(shè)計(jì)方案生成[6]等.應(yīng)用多目標(biāo)優(yōu)化算法，權(quán)衡建筑面積、遮擋率性能目標(biāo)，展開城市規(guī)劃方案設(shè)計(jì)[7]，以及綜合考慮城市密度與開放空間面積的街區(qū)空間形態(tài)方案生成設(shè)計(jì)等[8].應(yīng)用多智能體系統(tǒng)，綜合考慮容積率與遮擋率的居住區(qū)布局方案生成[9]，結(jié)構(gòu)性策略與進(jìn)程性策略結(jié)合的低層高密度住區(qū)設(shè)計(jì)[10]等探索.應(yīng)用細(xì)胞自動(dòng)機(jī)，進(jìn)行了高密度城市三維規(guī)劃模型構(gòu)建[11]，高密度住宅方案設(shè)計(jì)[12]等探索.遺傳算法適用于設(shè)計(jì)優(yōu)化，允許對(duì)設(shè)計(jì)空間進(jìn)行無(wú)方向的探索；形狀語(yǔ)法適用于基于特定形式與樣式的生成設(shè)計(jì)；細(xì)胞自動(dòng)機(jī)與多智能體系統(tǒng)體現(xiàn)了從整體無(wú)序到局部有序的自組織設(shè)計(jì)，適用于行為驅(qū)動(dòng)的設(shè)計(jì)過(guò)程[13].既有居住區(qū)規(guī)劃方案生成設(shè)計(jì)方法多為遺傳算法，常用于解決多目標(biāo)優(yōu)化問(wèn)題，但其優(yōu)化設(shè)計(jì)時(shí)間過(guò)長(zhǎng)[14]，因此相關(guān)研究多停留在理論層面，難以應(yīng)用其提升設(shè)計(jì)效率.

近年來(lái)，深度學(xué)習(xí)技術(shù)的發(fā)展為居住區(qū)規(guī)劃設(shè)計(jì)提出了新的思路.設(shè)計(jì)者應(yīng)用深度學(xué)習(xí)技術(shù)，通過(guò)海量案例訓(xùn)練機(jī)器學(xué)習(xí)并模擬建筑師設(shè)計(jì)過(guò)程.條件生成對(duì)抗網(wǎng)絡(luò)(conditional generative adversarial network,CGAN)是深度學(xué)習(xí)模型的一種，指在生成對(duì)抗網(wǎng)絡(luò)的基礎(chǔ)上，引入條件變量作為對(duì)模型的附加約束條件，從而指導(dǎo)整個(gè)生成過(guò)程.基于深度學(xué)習(xí)預(yù)測(cè)居住區(qū)強(qiáng)排方案總平面圖的方法本質(zhì)上是圖像學(xué)習(xí)，而CGAN模型在圖像學(xué)習(xí)領(lǐng)域應(yīng)用較為廣泛，如完成圖像合成[15-16]、圖像處理[17-18]、圖像修復(fù)[19]等任務(wù).目前，基于CGAN模型的生成設(shè)計(jì)方法已被應(yīng)用于城市空間形態(tài)規(guī)劃和建筑設(shè)計(jì)領(lǐng)域，如生成城市規(guī)劃方案[20]，生成密集城市內(nèi)快速增長(zhǎng)的建筑形態(tài)[21].Stouffs等[22]構(gòu)建CGAN模型，預(yù)測(cè)城市平面形態(tài)；Zheng等[23-24]構(gòu)建CGAN模型，依據(jù)邊界和功能訓(xùn)練，生成衛(wèi)星圖像、手繪建筑草圖及建筑平面功能分區(qū)圖.Isola等[25]應(yīng)用CGAN，提出了圖像對(duì)圖像翻譯問(wèn)題的通用解決方案—pix2pix模型，為研究方法的提出提供技術(shù)支撐.CGAN模型在生成設(shè)計(jì)方面有較大潛力，可用于完成城市路網(wǎng)規(guī)劃、城市肌理生成、街區(qū)規(guī)劃方案設(shè)計(jì)、建筑手繪草圖生成、建筑平面功能分區(qū)等設(shè)計(jì)任務(wù).既有研究有利用CGAN輔助設(shè)計(jì)決策的探索，但多集中在城市與多個(gè)街區(qū)尺度，未將其應(yīng)用于居住區(qū)規(guī)劃方案生成設(shè)計(jì)方面，且多停留在圖像學(xué)習(xí)層面，訓(xùn)練數(shù)據(jù)集未經(jīng)分類與處理，難以應(yīng)用其進(jìn)行后續(xù)方案深入設(shè)計(jì).

2 基于CGAN的居住區(qū)強(qiáng)排方案生成設(shè)計(jì)流程

研究提出了包括訓(xùn)練數(shù)據(jù)集制作、居住區(qū)CGAN模型構(gòu)建、居住區(qū)強(qiáng)排方案生成設(shè)計(jì)及驗(yàn)證評(píng)價(jià)在內(nèi)的居住區(qū)強(qiáng)排方案生成設(shè)計(jì)方法，見(jiàn)圖1.首先，確定訓(xùn)練數(shù)據(jù)集格式，為相互對(duì)應(yīng)的居住區(qū)輪廓圖像與強(qiáng)排方案總平面圖；制作不同模式訓(xùn)練數(shù)據(jù)集并進(jìn)行比選；綜合應(yīng)用地理信息工具、圖像處理工具，生成高層、多層、低層居住區(qū)訓(xùn)練數(shù)據(jù)集.其次，應(yīng)用pix2pix算法，基于開源編程平臺(tái)構(gòu)建居住區(qū)CGAN模型，構(gòu)建居住區(qū)生成器、判別器網(wǎng)絡(luò)，設(shè)計(jì)居住區(qū)損失函數(shù)；應(yīng)用高層、多層、低層居住區(qū)訓(xùn)練數(shù)據(jù)集，對(duì)網(wǎng)絡(luò)進(jìn)行交替式訓(xùn)練，得到高層、多層、低層居住區(qū)CGAN模型.最后，以實(shí)際居住區(qū)地塊為例，以其輪廓圖像作為模型輸入，生成強(qiáng)排設(shè)計(jì)方案；在參數(shù)化建模工具中，根據(jù)所生成強(qiáng)排設(shè)計(jì)方案中像素灰度數(shù)值與層數(shù)的對(duì)應(yīng)關(guān)系，構(gòu)建居住區(qū)建筑幾何模型；對(duì)居住區(qū)建筑幾何模型進(jìn)行日照模擬分析，對(duì)生成方案進(jìn)行驗(yàn)證評(píng)價(jià).本文構(gòu)建的居住區(qū)CGAN模型可根據(jù)任意居住區(qū)輪廓預(yù)測(cè)出對(duì)應(yīng)的強(qiáng)排設(shè)計(jì)方案，提高了居住區(qū)強(qiáng)排設(shè)計(jì)精度與效率，有助于充分利用土地資源，達(dá)成集約化建設(shè).

圖1 基于CGAN的居住區(qū)強(qiáng)排方案生成設(shè)計(jì)方法流程圖[26]

2.1 訓(xùn)練數(shù)據(jù)集制作

研究制作了3種不同模式的訓(xùn)練數(shù)據(jù)集進(jìn)行比選，分別為模式a數(shù)據(jù)集：居住區(qū)輪廓圖像(色塊圖)與強(qiáng)排方案總平面圖(圖底關(guān)系圖);模式b數(shù)據(jù)集：居住區(qū)輪廓圖像(輪廓線)與強(qiáng)排方案總平面圖(圖底關(guān)系圖);模式c數(shù)據(jù)集：居住區(qū)輪廓圖像(色塊圖)與強(qiáng)排方案總平面圖(衛(wèi)星圖像).每種模式的數(shù)據(jù)集樣本都表示了居住區(qū)輪廓與總平面圖的相互對(duì)應(yīng)關(guān)系.模式a和b數(shù)據(jù)集來(lái)源于CSDN網(wǎng)站，由研究者使用Q GIS工具進(jìn)行篩選，再通過(guò)圖像處理工具進(jìn)行后期處理而得到；模式c數(shù)據(jù)集來(lái)源于百度地圖衛(wèi)星地圖模式，由研究者在網(wǎng)頁(yè)上對(duì)居住區(qū)進(jìn)行篩選，再通過(guò)圖像處理工具進(jìn)行后期處理而得到.

圖2 不同模式訓(xùn)練數(shù)據(jù)集[26]

應(yīng)用不同模式的數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)模型，訓(xùn)練結(jié)束后在測(cè)試集中選取圖像進(jìn)行測(cè)試.通過(guò)對(duì)生成圖像的清晰度、真實(shí)度、可行度進(jìn)行綜合評(píng)價(jià)，選取生成圖像結(jié)果較好的模式進(jìn)行后期訓(xùn)練數(shù)據(jù)集制作.生成圖像的真實(shí)度評(píng)價(jià)方面，應(yīng)用圖像結(jié)構(gòu)相似性算法(structural similarity index,SSIM)，計(jì)算真實(shí)圖像與網(wǎng)絡(luò)模型生成圖像的相似度.SSIM是一種全參考的圖像質(zhì)量評(píng)價(jià)指標(biāo)，分別從亮度、對(duì)比度、結(jié)構(gòu)3個(gè)方面度量圖像相似性[27].SSIM取值范圍為[0，1]，其值越接近于1，表明對(duì)比的兩幅圖像相似度越高.

居住區(qū)建筑日照間距與前排房屋的高度和基地地理位置有關(guān)，因此制作訓(xùn)練數(shù)據(jù)集時(shí)應(yīng)考慮到不同地域?qū)θ照臻g距系數(shù)的影響.GB 50180—2018《城市居住區(qū)規(guī)劃設(shè)計(jì)標(biāo)準(zhǔn)》中列舉了中國(guó)主要城市的日照間距系數(shù)，部分城市如圖3所示.隨著城市緯度降低，其對(duì)應(yīng)的日照間距系數(shù)整體呈下降趨勢(shì)，因此可認(rèn)為緯度是影響日照間距系數(shù)的重要因素，緯度相近城市的日照間距系數(shù)較接近.研究將全國(guó)主要城市分為3類，選取中緯度地區(qū)(緯度范圍30° N～38° N)的主要城市居住區(qū)作為訓(xùn)練數(shù)據(jù)集樣本，共11座城市.數(shù)據(jù)集內(nèi)選取的居住區(qū)樣本面積范圍為15 300～154 100 m2，建筑多呈行列式布局，部分為行列式與周邊式相結(jié)合布局.GB 50352—2019《民用建筑設(shè)計(jì)通則》中將住宅建筑按照層數(shù)分類：住宅建筑中，1層至3層為低層住宅，4層至9層為多層住宅，10層及以上為高層住宅.依據(jù)該分類原則，研究將居住區(qū)訓(xùn)練數(shù)據(jù)集樣本分為低層居住區(qū)訓(xùn)練數(shù)據(jù)集(1～3層)、多層居住區(qū)訓(xùn)練數(shù)據(jù)集(4～9層)、高層居住區(qū)訓(xùn)練數(shù)據(jù)集(層數(shù)≥10)3類.

圖3 各城市地理位置、日照間距系數(shù)及特征要素[26]

訓(xùn)練數(shù)據(jù)集原始數(shù)據(jù)來(lái)自CSDN網(wǎng)站的城市shapefile格式文件，應(yīng)用開源地理信息工具Q GIS讀取城市shapefile格式文件，根據(jù)建筑位置屬性與層數(shù)信息的對(duì)應(yīng)關(guān)系，對(duì)居住區(qū)進(jìn)行分類，并依據(jù)容積率對(duì)各類居住區(qū)樣本進(jìn)行篩選[26].容積率是反映土地三維空間開發(fā)強(qiáng)度大小的重要指標(biāo).有學(xué)者對(duì)低層、多層、高層高密度住宅進(jìn)行了容積率限定，雷磊[28]將容積率>0.5的低層住宅定義為低層高密度住宅，容積率在1.2～1.6之間的多層住宅定義為多層高密度住宅；趙青[29]將容積率>3.0的高層住宅定義為高層高密度住宅.因此，為保證低層、多層、高層高密度居住區(qū)樣本的數(shù)量足夠，且占總體樣本的比例適宜，研究選擇低層居住區(qū)容積率>0.5、多層居住區(qū)容積率>1.5、高層居住區(qū)容積率>2.5的高密度居住區(qū)樣本制作訓(xùn)練數(shù)據(jù)集.其次，改變圖層顯示模式，居住區(qū)內(nèi)不同層高的建筑以不同灰度數(shù)值表示，層數(shù)越高灰度數(shù)值越小.最后，將各居住區(qū)樣本圖像按照相同比例導(dǎo)出，并應(yīng)用圖像處理工具進(jìn)行批量化處理，將其處理為網(wǎng)絡(luò)模型可讀取的圖像格式.

圖4 訓(xùn)練數(shù)據(jù)集制作流程[26]

2.2 居住區(qū)CGAN模型構(gòu)建

居住區(qū)CGAN模型由居住區(qū)生成器網(wǎng)絡(luò)與居住區(qū)判別器網(wǎng)絡(luò)組成，兩個(gè)網(wǎng)絡(luò)相互對(duì)抗博弈.居住區(qū)生成器網(wǎng)絡(luò)的輸入為居住區(qū)輪廓圖像，輸出為居住區(qū)強(qiáng)排方案總平面圖.居住區(qū)生成器網(wǎng)絡(luò)采用U-Net編碼器—解碼器網(wǎng)絡(luò)架構(gòu)，同時(shí)包含使輸入與輸出共享底層信息的跳躍連接結(jié)構(gòu).居住區(qū)生成器網(wǎng)絡(luò)以卷積層作為編碼器，反卷積層作為解碼器，編碼器對(duì)輸入的居住輪廓圖像進(jìn)行特征向量提取，進(jìn)行下采樣操作，解碼器對(duì)特征向量進(jìn)行上采樣操作，并使用卷積操作豐富輸出的居住區(qū)強(qiáng)排方案總平面圖的特征信息.居住區(qū)生成器網(wǎng)絡(luò)的隨機(jī)噪聲以dropout層形式輸入.居住區(qū)判別器網(wǎng)絡(luò)的輸入為相互對(duì)應(yīng)的居住區(qū)輪廓圖像與強(qiáng)排方案總平面圖，其中強(qiáng)排方案總平面圖分為真實(shí)圖像與居住區(qū)生成器網(wǎng)絡(luò)生成的圖像.居住區(qū)判別器網(wǎng)絡(luò)采用卷積網(wǎng)絡(luò)結(jié)構(gòu)提取圖像特征信息，并引入PatchGAN，將居住區(qū)強(qiáng)排方案總平面圖等分計(jì)算輸出后再取預(yù)測(cè)概率平均值.居住區(qū)生成器與判別器網(wǎng)絡(luò)的損失函數(shù)，在CGAN損失函數(shù)的基礎(chǔ)上采用L1損失函數(shù)，提升生成居住區(qū)強(qiáng)排方案總平面圖的精度與真實(shí)度.

CGAN的損失函數(shù)為

LCGAN(G,D)=Ex,y[logD(x,y)]+

Ex,z[log(1-D(x,G(x,z)))].

(1)

L1損失函數(shù)能夠提升生成居住區(qū)強(qiáng)排方案總平面圖的精度與真實(shí)度,可表示為

LL1(G)=Ex,y,z[‖y-G(x,z)‖1].

(2)

最終的居住區(qū)CGAN損失函數(shù)為

(3)

式中：G為居住區(qū)生成器網(wǎng)絡(luò);D為居住區(qū)判別器網(wǎng)絡(luò);x為居住區(qū)輪廓圖像;y為真實(shí)的居住區(qū)強(qiáng)排方案總平面圖;G(x,z)為居住區(qū)生成器網(wǎng)絡(luò)的生成圖像;z為輸入的隨機(jī)噪聲，采用dropout代替;λ為設(shè)置的權(quán)重值.

居住區(qū)CGAN模型的學(xué)習(xí)原理為：1)居住區(qū)生成器網(wǎng)絡(luò)根據(jù)輪廓圖像與隨機(jī)噪聲生成強(qiáng)排方案總平面圖，其目標(biāo)是產(chǎn)生居住區(qū)判別器網(wǎng)絡(luò)無(wú)法區(qū)分的類“真實(shí)”圖像.2)居住區(qū)判別器網(wǎng)絡(luò)接收生成圖像，并試圖區(qū)分生成的“虛假”圖像與“真實(shí)”圖像.生成圖像中包括建筑平面布局信息與建筑層數(shù)信息，其中建筑層數(shù)以不同數(shù)值的灰度顏色表示，建筑層數(shù)越高，其對(duì)應(yīng)的顏色灰度數(shù)值越小.模型訓(xùn)練過(guò)程中，判別器網(wǎng)絡(luò)讀取生成器網(wǎng)絡(luò)生成的“虛假”圖像與訓(xùn)練數(shù)據(jù)集中的“真實(shí)”圖像，對(duì)其顏色信息進(jìn)行特征提取，從而獲得建筑層數(shù)信息，計(jì)算圖像的預(yù)測(cè)概率值與分類誤差，并據(jù)此調(diào)整生成器與判別器網(wǎng)絡(luò)的權(quán)重，從而進(jìn)行建筑層數(shù)的學(xué)習(xí)與調(diào)整，達(dá)到模型訓(xùn)練與調(diào)優(yōu)的目的.

研究基于開源編程平臺(tái)Anaconda，應(yīng)用深度學(xué)習(xí)框架TensorFlow，在交互式編輯工具Jupyter Notebook上對(duì)高層、多層、低層居住區(qū)CGAN模型進(jìn)行構(gòu)建.模型的輸入為居住區(qū)輪廓圖像，輸出為居住區(qū)強(qiáng)排方案總平面圖.模型訓(xùn)練參數(shù)分為優(yōu)化器超參數(shù)與模型超參數(shù)，其中模型超參數(shù)采用pix2pix算法中默認(rèn)的參數(shù)設(shè)置.Isola等[25]構(gòu)建CGAN模型，迭代次數(shù)設(shè)置為200次，其模型預(yù)測(cè)結(jié)果表明:經(jīng)過(guò)200次迭代，可以生成與真實(shí)圖像相似度較高的預(yù)測(cè)圖像.研究對(duì)不同初始學(xué)習(xí)率的模型生成效果進(jìn)行測(cè)試，如圖5所示，結(jié)果表明初始學(xué)習(xí)率為0.000 2對(duì)應(yīng)的測(cè)試效果最好.初始學(xué)習(xí)率為0.000 1、0.000 2、0.000 3的模型訓(xùn)練耗時(shí)分別為2 d 3 h 11 min 18 s、2 d 2 h 36 min 55 s、2 d 2 h 36 min 59 s.因此，綜合考慮生成圖像質(zhì)量與訓(xùn)練時(shí)間成本，優(yōu)化器超參數(shù)中的迭代次數(shù)設(shè)置為500次，初始學(xué)習(xí)率設(shè)置為0.000 2.模型訓(xùn)練參數(shù)設(shè)置見(jiàn)表1，每次訓(xùn)練結(jié)束在測(cè)試集中隨機(jī)選取圖像進(jìn)行測(cè)試.

圖5 不同初始學(xué)習(xí)率的模型測(cè)試結(jié)果

表1 居住區(qū)CGAN模型訓(xùn)練參數(shù)設(shè)置

2.3 居住區(qū)強(qiáng)排方案生成設(shè)計(jì)及驗(yàn)證評(píng)價(jià)

以南京市金陵世紀(jì)花園、蘇州市東湖林語(yǔ)、南京市殷巷新寓東2區(qū)為例(見(jiàn)圖6)，以其輪廓圖像作為模型輸入，生成強(qiáng)排設(shè)計(jì)方案[26].

圖6 實(shí)際居住區(qū)地塊衛(wèi)星圖像

研究構(gòu)建的居住區(qū)CGAN模型可生成帶有高度信息的居住區(qū)強(qiáng)排方案總平面圖，其高度信息以建筑的不同灰度數(shù)值表示.依據(jù)低層、多層、高層居住區(qū)CGAN模型生成方案中不同灰度數(shù)值與建筑高度的對(duì)應(yīng)關(guān)系，可在參數(shù)化建模工具中構(gòu)建居住區(qū)建筑幾何模型.居住區(qū)強(qiáng)排方案生成設(shè)計(jì)流程見(jiàn)圖7.首先，將各居住區(qū)輪廓向內(nèi)偏移一定尺寸得到建筑控制線輪廓，高層居住區(qū)偏移尺寸為10 m，多層與低層為6 m，并將其按照相同比例導(dǎo)出，制作成網(wǎng)絡(luò)模型可讀取的格式；然后，將其輸入至訓(xùn)練好的低層、多層、高層居住區(qū)CGAN模型，并得到相應(yīng)的低層、多層、高層強(qiáng)排設(shè)計(jì)方案總平面圖；最后，在Rhinoceros參數(shù)化建模工具中繪制出各建筑單體輪廓，對(duì)圖像進(jìn)行像素網(wǎng)格劃分，并計(jì)算各建筑靠區(qū)域中心部分各點(diǎn)像素平均值，依據(jù)像素灰度數(shù)值與建筑層數(shù)的對(duì)應(yīng)關(guān)系，確定建筑層數(shù)，從而構(gòu)建居住區(qū)建筑幾何模型.

圖7 居住區(qū)建筑幾何模型構(gòu)建流程

為了驗(yàn)證生成強(qiáng)排設(shè)計(jì)方案的可行性，設(shè)計(jì)了生成方案的驗(yàn)證評(píng)價(jià)環(huán)節(jié)，即對(duì)其進(jìn)行日照模擬分析，驗(yàn)證其是否符合規(guī)范要求.研究的日照模擬分析是基于Rhinoceros參數(shù)化設(shè)計(jì)工具及其插件Grasshopper、Ladybug來(lái)實(shí)現(xiàn)的.日照模擬分析流程為：在氣象數(shù)據(jù)網(wǎng)站上獲取當(dāng)?shù)貧庀髷?shù)據(jù)文件(epw格式文件)，讀取氣象數(shù)據(jù)文件中的位置信息，從而獲取太陽(yáng)軌跡信息，導(dǎo)入居住區(qū)建筑幾何模型與測(cè)試平面，設(shè)置邊界條件與模擬參數(shù)，得到居住區(qū)建筑日照時(shí)數(shù).邊界條件設(shè)置如下：地理位置分別為南京、蘇州市，計(jì)算日期為大寒日(1月20日)，計(jì)算時(shí)段為8:00～16:00，計(jì)算面為距地面0.9 m高度的外墻位置，即首層窗臺(tái)平面.模擬參數(shù)設(shè)置如下：網(wǎng)格尺寸為1 m，偏移距離為0.1 m.根據(jù)生成方案日照模擬分析結(jié)果，以各建筑南立面首層窗臺(tái)平面為測(cè)試平面，以水平方向4 m的間距在測(cè)試平面上選取測(cè)試點(diǎn)，統(tǒng)計(jì)滿足日照要求的測(cè)試點(diǎn)占總體的比例.

3 結(jié)果與討論

3.1 不同模式訓(xùn)練數(shù)據(jù)集測(cè)試結(jié)果

每種模式的訓(xùn)練數(shù)據(jù)集包括220張圖片，其中20張用于測(cè)試.圖8所示為迭代200次后3種模式訓(xùn)練數(shù)據(jù)集各自的測(cè)試結(jié)果.模式a與b訓(xùn)練數(shù)據(jù)集可生成行列布置的清晰建筑邊界，模式c生成的建筑邊界不清晰.模式a與c測(cè)試生成的建筑面寬均合理，但模式b生成的部分建筑面寬過(guò)長(zhǎng).模式c訓(xùn)練數(shù)據(jù)集的SSIM指標(biāo)較低，但模式a訓(xùn)練數(shù)據(jù)集對(duì)應(yīng)的SSIM指標(biāo)多高于模式b.本文采用數(shù)據(jù)集a模式生成訓(xùn)練數(shù)據(jù)集.不同模式訓(xùn)練數(shù)據(jù)集計(jì)算結(jié)果見(jiàn)表2.

圖8 不同模式訓(xùn)練數(shù)據(jù)集測(cè)試結(jié)果[26]

表2 不同模式訓(xùn)練數(shù)據(jù)集SSIM計(jì)算結(jié)果[26]

3.2 模型訓(xùn)練過(guò)程與測(cè)試結(jié)果

訓(xùn)練數(shù)據(jù)集共1 050張，其中高層居住區(qū)訓(xùn)練數(shù)據(jù)集350張，多層訓(xùn)練數(shù)據(jù)集450張，低層訓(xùn)練數(shù)據(jù)集250張.由于高層、多層、低層居住區(qū)CGAN模型訓(xùn)練過(guò)程較為類似，以低層居住區(qū)CGAN模型為例進(jìn)行說(shuō)明，圖9所示為迭代1次、100次、200次、300次、400次后的測(cè)試結(jié)果.訓(xùn)練過(guò)程中，隨著迭代次數(shù)增加，生成的建筑邊緣越發(fā)清晰，且形狀較規(guī)則的居住區(qū)所需的迭代計(jì)算次數(shù)較少[26].

圖10為模型訓(xùn)練500次迭代后的測(cè)試結(jié)果，其模型輸出較接近真實(shí)圖像，建筑進(jìn)深，南北向樓間距與東西向樓間距均為合理尺寸，建筑多呈南北向行列式布局，高層居住區(qū)CGAN模型輸出的部分圖像的輪廓邊緣出現(xiàn)灰色、面寬較大的建筑，可用于商服、教育等其他輔助功能用房，而且高層、多層、低層居住區(qū)CGAN模型的測(cè)試結(jié)果中建筑日照間距有較明顯的區(qū)別[26].

居住區(qū)CGAN模型測(cè)試結(jié)果與真實(shí)圖像存在一定差異，以圖11為例，由于居住區(qū)設(shè)計(jì)需考慮景觀需求，無(wú)法最大限度地利用土地排布建筑，使得居住區(qū)內(nèi)留有空地，而模型是以最大限度利用土地資源的方式排布建筑單體，建筑多呈行列式緊密排布[26].

圖9 低層居住區(qū)CGAN模型各迭代次數(shù)下的測(cè)試結(jié)果[26]

圖10 低層、多層、高層居住區(qū)CGAN模型測(cè)試結(jié)果[26]

圖11 代表性樣本案例分析[26]

3.3 居住區(qū)強(qiáng)排方案生成設(shè)計(jì)及驗(yàn)證評(píng)價(jià)結(jié)果

圖12顯示了高層、多層、低層居住區(qū)CGAN模型生成的強(qiáng)排設(shè)計(jì)方案，包括模型輸出方案及使用參數(shù)化建模工具構(gòu)建的居住區(qū)建筑幾何模型.對(duì)于同一個(gè)居住區(qū)，構(gòu)建的3個(gè)網(wǎng)絡(luò)模型可生成相應(yīng)的低層、多層、高層強(qiáng)排設(shè)計(jì)方案，且生成結(jié)果有明顯區(qū)別，建筑間距隨建筑高度增加而相應(yīng)增大.部分高層與多層生成方案中邊緣區(qū)域生成了低層圍合式建筑，可用于商服等輔助功能用房.容積率計(jì)算結(jié)果表明，生成的居住區(qū)強(qiáng)排設(shè)計(jì)方案容積率較高，低層容積率在0.5以上，多層容積率在1.5以上，高層容積率在3.0以上，均屬于相應(yīng)類型居住建筑下的高密度設(shè)計(jì)方案，有效利用了城市土地資源，可基本滿足強(qiáng)排設(shè)計(jì)要求.

圖12 低層、多層、高層居住區(qū)CGAN模型生成的強(qiáng)排設(shè)計(jì)方案[26]

日照模擬結(jié)果表明：低層居住區(qū)方案內(nèi)的測(cè)點(diǎn)可滿足大寒日2 h日照要求，多層居住區(qū)1、3方案全部測(cè)試點(diǎn)可滿足大寒日2 h日照要求，居住區(qū)2方案96%的測(cè)試點(diǎn)可滿足日照要求，而高層居住區(qū)1內(nèi)93%的測(cè)試點(diǎn)可滿足大寒日2 h日照要求，高層居住區(qū)2方案全部測(cè)試點(diǎn)可滿足日照要求，高層居住區(qū)3方案84%的測(cè)試點(diǎn)可滿足日照要求.

表3 低層、多層、高層CGAN模型生成方案滿足日照要求的測(cè)試點(diǎn)比例[26]

圖13 低層、多層、高層CGAN模型生成方案日照模擬分析結(jié)果[26]

4 結(jié) 論

研究將深度學(xué)習(xí)技術(shù)應(yīng)用于居住區(qū)強(qiáng)排設(shè)計(jì)方案的自動(dòng)生成，提出基于CGAN的居住區(qū)強(qiáng)排方案生成設(shè)計(jì)方法.針對(duì)不同地區(qū)日照間距系數(shù)的差異性，選取中緯度城市居住區(qū)作為訓(xùn)練數(shù)據(jù)集樣本，通過(guò)學(xué)習(xí)強(qiáng)排方案總平面圖中的建筑排布規(guī)律，預(yù)測(cè)其他輪廓居住區(qū)對(duì)應(yīng)的強(qiáng)排設(shè)計(jì)方案.為了驗(yàn)證生成方案的可行性，提出了基于日照模擬分析的驗(yàn)證評(píng)價(jià)環(huán)節(jié).主要結(jié)論如下：

1)結(jié)果表明基于所提方法生成的低層建筑設(shè)計(jì)方案可滿足日照要求，多層和高層建筑方案中的大部分空間可滿足日照要求，說(shuō)明所提出的基于CGAN的居住區(qū)強(qiáng)排方案生成設(shè)計(jì)方法可為居住區(qū)強(qiáng)排設(shè)計(jì)提供有力支撐.

2)研究提高了居住區(qū)強(qiáng)排設(shè)計(jì)效率，訓(xùn)練成功的居住區(qū)CGAN模型可在3 s內(nèi)生成居住區(qū)強(qiáng)排設(shè)計(jì)方案，提高了居住區(qū)方案設(shè)計(jì)效率.

3)由于訓(xùn)練數(shù)據(jù)集中規(guī)則形狀的居住區(qū)樣本較多，該模型對(duì)規(guī)則居住區(qū)的預(yù)測(cè)能力較好，可通過(guò)擴(kuò)充數(shù)據(jù)集來(lái)改善該問(wèn)題.