风环境性能导向的城市中心区空间形态生成设计方法研究

With the development of urbanization in China, the wind environment in urban central area is becoming more and more serious. At present, wind environment performance-oriented urban design mainly focuses on numerical simulation, analysis and evaluation in the late stage of design, which leads to the long time-consuming and high cost of optimization design. Through previous studies, the applicant found that the generative design method driven by environmental performance can embody an active and driving design idea. From this, it can be inferred that the generative design method with wind environmental performance as the optimization objective is helpful to improve the operability and scientificity of urban form design. In this research, a multi-agent system is proposed to express the urban spatial composition, and the wind environment numerical simulation plug-in and genetic algorithm plug-in on Rhino+Grasshopper platform are combined to study the multi-objective optimization of urban central area spatial form generation design, which explores the possibility of urban generation design aiming at effectively improving the wind environment performance and efficient land use. The coupling relationship between wind environment and spatial form in urban central area is of great significance, which provides digital generation and optimization ideas for the research of environmental performance oriented design.

我国城市化进程的不断推进引发的近地层空间变化使城市中心区的风环境问题愈加显著。当前以风环境性能为导向的城市设计主要侧重在设计后期阶段开展数值模拟与分析评价，导致了优化设计工作耗时长、难度大、成本高。申请人前期研究发现了环境性能驱动的生成设计方法能体现出一种主动式、驱动式的设计思路，由此推断采用风环境性能为优化目标的生成式设计方法将有助于提升城市中心区空间形态设计的可操作性与科学性。本项目以上海三处城市中心区为研究对象，基于建筑学、环境学与计算机科学,拟采用多智能体系统生成城市空间几何形态，再结合Rhino+Grasshopper平台的风环境数值模拟插件与遗传算法插件，开展以风环境综合性能为目标的优化设计方法研究，探索以有效提升风环境性能与高效使用土地为目标的城市生成式设计的可能性，对揭示城市中心区风环境与空间形态的耦合关系有重要意义，为环境性能导向的设计方法研究提供数字化生成与优化思路。

我国城镇化快速发展带来了众多城市中心区建筑密度持续增加，也由此导致了城市室外风环境不断恶化。在设计初期优化城市空间形态已被证明能有效降低建筑对风环境的不利影响。然而，在该设计过程中仅靠建筑师经验难以满足风环境的定量化要求，并且风环境数值模拟耗时长、成本高，难以在设计初期阶段应用。本研究旨在提高风环境模拟、评估、优化效率，开展建筑学、环境学与人工智能技术交叉研究，提出结合生成对抗网络与多目标优化形成环境性能智能优化理论方法与相应平台工具。.项目主要研究内容和重要成果包括：对比了形状语法与数据驱动两种主流的建筑生成设计方法，实现了任意地块内建筑的生成设计，为后续构建机器学习与深度学习数据库与模型训练奠定基础；通过校准室外主导风参数与地面粗糙度边界条件提升了风环境模拟的精准性，对城市、街区、建筑等不同尺度空间形态的生成设计模型开展采样，结合计算流体力学批量模拟建立数据库，建立了基于机器学习与深度学习的室外风环境预测方法与工具，研究结果表明生成对抗网络能较好捕捉室外风场分布的微小细节，使用pix2pix算法能够以较高的精度代替CFD数值模拟，并可提速120-240倍；提出了一套整合城市空间形态生成设计、生成对抗网络环境预测与多目标优化算法的性能驱动为导向的建筑自回馈生成设计工作流，研发了基于多目标遗传算法与多智能体强化学习的城市空间形态性能优化技术与方法，并在法国街区改造与生态社区设计实践中得到了应用与可行度验证。.本研究提出的环境性能驱动的城市建筑空间优化设计工作流将性能评估与人工智能算法相结合具有实时反馈与高效优化的潜力。工作流将传统环境性能评估的时间成本从设计过程转移到预训练过程。随着预训练样本的增加可以大幅提升性能预测精度，从而形成可满足设计初期要求的平台工具并开展推广使用。研究成果有利于提升建筑业数智化水平，助力我国可持续城市规划与建筑设计。