建筑师又在用人工智能做什么？（2019年第01期-02期）
时间：2022-11-14 01:30:00
分享社区成员的文章。如果你感兴趣，你也可以关注他的官方账户~
也可以加入mixlab无界社区一起交流~
第一期
em。。。大家好，我又来了。建筑师用人工智能做什么？》（ https://zhuanlan.zhihu.com/p/51284408 ）得到了极大的反响，我也很高兴所有的同行都能从我微不足道的愿景中得到启发。在你的支持下，我有动力继续为你解释最新的结果，继续AI AD在路上跑！
去年的文章仔细介绍了常用神经网络的基本知识和理论分类，所以未来的文章将直接进入主题，介绍最新的人工智能 建筑设计的研究论文和成果。今年，同济大学首次成立CDRF (Computational Design and Robotic Fabrication) 参数设计领域的重大会议正式增加到5次，即ACADIA, CAADRIA, eCAADe, CAAD Futures, CDRF。上半年结束了CAADRIA，CAAD Futures和CDRF，因此，本文将对这三次会议中人工智能在建筑设计中的研究进行梳理和介绍。
总的来说，今年上半年的主要会议显著增加了人工智能的比例。在大量会议中 AI在这篇文章中，有许多令人惊讶的高度原创的文章，本文将重点介绍它们。其他类似的文章，不要浪费宝贵的时间。所以，让我们开始吧！
首先是设计认知方向的文章 ：
(Karoji et al. 2019年)非常巧妙地使用
RNN这个序列模型以行人在商场的行为为为数据，训练行为预测器，可以根据行人目前的位置和方向推断其前进方向，进而指导商场的设计，使行人在预期路线上具有更高的商业价值 。很难看到一个RNN在建筑中的应用，以时间为序列导线。可以说，这项研究非常有启发性，然后在预测与时间相关的动态、长度和数据时，RNN会有很好的表现。
(Kato and Matsukawa 2019)使用了基于图像的神经网络，从Google在地图上捕获街景图，然后使用它encoder总结街景的色彩倾向。算法类似于图像分类器，但详细说明。类似的，(Cao, Fukuda, and Yabuki 2019)同样使用
基于图像的神经网络GAN提取图片中的天空部分，然后快速导入算法计算Sky View Factor (SVF) 对城市环境进行参数评价。
(Kim, Song, and Lee 2019a)一如既往的专注CNN算法，
识别建筑图像中的设计元素，如室内照片中的椅子属性 。(Kim, Song, and Lee 2019b)还是延世大学的三人组，他们还用CNN对BIM从模型中提取的元素进行分类，然后训练自动分类BIM神经网络模型。(Ng et al. 2019)同样
用CNN分类图像，区分建筑平面和剖面图。 (Peng, Liu, and Jin 2019)则
使用CNN对城市地图进行分类 ，标记城市不同区域的平面图像属性，如建筑密度和功能分区。
(Ferrando et al. 2019)
将建筑理解为图结构（graph），提取建筑物各空间的可达性，生成相关矩阵。然后使用基于图形结构的SVM算法切割分类建筑空间，分析建筑空间设计的合理性。 图形结构显然比图像结构节省了更多的计算能力，但自2018年以来，相关的高级算法和数据结构已经成熟。未来还有很大的发展空间。
(Zheng 2019年，关注建筑师本身
通过建筑师对形式的评分调查，利用神经网络拟合特定受访者的潜在审美参数。 在神经网络的帮助下，最初被认为是不可量化的审美因素得到了量化和评价。计算机可以模拟建筑师的审美判断来筛选方案。
然后是设计生成方向的文章:
(Koh, Amorim, and Huang 2019)这是一篇个人觉得特别有趣的文章。不得不提两个游戏，一个是GBA平台上的神奇宝贝(童年记忆)，二是PC暗黑破坏神2(也是童年记忆)在平台上。先说暗黑破坏神2。与其他游戏不同的是，它的地图系统是根据玩家的操作和位置实时生成的，而不是事先设计的。它将地图元素理解为坐标和类型，然后用重复的图块生成地图。神奇宝贝等古代游戏也这样理解地图。这样做的好处是地图可以向量化，然后算法可以介入。所以这篇文章讲的是在类似神奇宝贝的地图模式下使用的。
生成地图的强化学习方法 。
在现有地图的情况下，计算机决定是否扩大地图并添加新元素，从而产生合理的城市空间。这种对建筑和城市数据的游戏理解大大扩大了生成设计的可能性。
(del Campo et al. 2019)是一篇
使用style transfer设计文章。坚持一贯
UPenn风格迁移算法在生成建筑风格化图像方面发挥了作用，然后建筑师根据生成的图像进行二次设计，生成建筑方案。
这里需要批评，AI这种研究本质上没有产生任何东西，而是起到了启发建筑师的作用，决定设计的是建筑师本身。算法本身误差带来的图像模糊已经成为所谓参数形式的来源，极具讽刺意味。
(Steinfeld et al. 2019)巧妙的
将三维建筑形式转换为二维三视图数据，然后通过二维建筑形式CNN神经网络作为一个设计的评价者，并使用遗传算法找出当前评价体系下（比如最像香蕉的设计）的最优房屋形态解。 不同于直接给模型3DCNN虽然这种数据的转译方法无法描述所有形式，但它提高了形式存储的精度，加快了算法的速度。
div>
最后是辅助工具方向的文章：
(Jiaxin et al. 2019)开发了一套
ANN框架 ，对复杂的环境计算进行了简化，并直接得到建筑节能的应对策略。同样的，(Lin et al. 2019)也使用了ANN框架来寻找变化的风环境下，建筑形态设计的最优应对策略。和去年张砚同学的论文比较类似，(Lorenz et al. 2019)也使用ANN来简化环境运算，得到环境模拟数据的实施反馈。
(Dobbs 2019)使用了
聚类算法 ，把收集到的行为数据进行清理，剔除了不合法的数据。同样的，(Willemse, Tuncer, and Bouffanais 2019)也对他们收集到的行为位置数据做了聚类，分析城市空间中的人口密度信息。(Sánchez-Vaquerizo and Llach 2019)除了聚类行为数据外，还
使用了类似YOLO的CNN算法，利用城市摄像头来采集数据，这样大大降低了数据采集的难度。
(Cheng and Hou 2019)还是使用了聚类算法，不过他们关心的是如何把无人机三维扫描得到的建筑城市模型进行简化，去除不必要的多余信息，然后重构城市模型。(Yousif and Yan 2019)的聚类算法则是
关心形态的聚类，比如在生成的众多形态中，有些是相似的，不需要反复出现，因此就可以先用聚类剔除相似的形态，然后给到用户更精确的，没有重复的推荐。
继去年一篇研究grasshopper论坛中的主题关键词的文章后，今年也有一篇研究建筑类论文的关键词的统计学研究。(Papasotiriou 2019)
使用聚类算法对人工智能相关的词汇在建筑设计研究中出现的次数和频率等进行分析，说明近年来AI在AD领域的高速发展 。
第二期
9月和10月是会议频发的两个月。今年9月举行了
eCAADe 2019和
Design Modelling Symposium 2019两大会议，10月将要举行IASS2019和ACADIA 2019。我也是刚刚拿到eCAADe 2019和Design Modelling Symposium 2019的论文集，粗略翻了一遍，发现有很多可圈可点的
AI+AD研究。所以今年
第二期“建筑师又在用人工智能做什么？”将会以这两大会议为主，介绍最新的研究论文。同时，10月的两大会议结束后，我也会整理论文集，发出今年的第三期，敬请期待！（各位如果有去巴塞罗那参加IASS 2019的话，欢迎偶遇！）
正文开始之前，我想先聊聊一些
理论方面的想法。有小伙伴和我讨论过在建筑设计领域使用
机器学习的必要性，我认为人工智能设计师和人类设计师相比，有很明显的
两点优势：一是
速度上，人工智能远远超过人类。这点来源于计算机这类硅基生物本身的运行机制上，不需要更多的解释。二是
质量上，
机器学习可以学习人类无法理解的原理，比如自然结构和图案，并用于设计中。比如，大家都听过一种说法，世界上没有两片叶子是一样的。人类至今还没有找到一个公式来完全总结叶子生长的规律，更不用说模仿它来做设计。分形算法这类的公式也只是对自然规律的不完全的模拟，显然
自然背后的逻辑不是人类创造的简单公式可以描述的。因此，
机器学习庞大的学习框架和强大的学习能力，使得它在
处理复杂问题上，比人类有着
更高度的归纳能力。机器学习使用复杂公式来拟合复杂问题，大大增加了准确度，在设计上也提供了一种更有逻辑的手段，来支撑建筑师的设计出发点。不过关于这点的研究还处于初级阶段，不仅在建筑学上，
生物学和遗传学领域也开始使用人工智能来理解并学习自然。
另外，之前也有文章提到“智能人工”这个概念，它和“人工智能”的区别是，“智能人工”指高智商的人类在做设计，而“人工智能”指人类创造的高智商机器在做设计。我理解，
“智能人工”和参数化设计是同一个概念，就是人类通过算法和公式来做设计；而“人工智能”是通过机器学习大数据来找到设计方法，然后机器自己做设计。至于哪种方法更好，就像手绘和计算机渲染的区别一样，它们都在做一件事情，有人喜欢手绘，有人喜欢计算机绘图，没有绝对的优劣之分。而这两种方法会并存，就像传统的手工艺不会随着效率工具的出现就彻底消失，只是手工艺
产业发生了转型。所以两种方法都是不错的选择，具体就看使用者的
个人价值观吧。
好啦不聊理论啦，我们进入
正文来看看近期会议的最新成果吧！
设计认知方向的文章：
(Uzun and Çolakoğlu 2019)是一篇标准的CNN做分类的文章。作者
使用CNN来区分建筑平面图和剖面图，简洁明了，通俗易懂。综合准确率在80%左右。
Plan & Section Recognition with the Accuracy Percentage
(Wu et al. 2019)也使用了
基于图像的CNN神经网络来识别竹子节点的位置 ，进而指导结构搭建。
Trained model recognizing random bamboo poles
(Kinugawa and Takizawa 2019)训练
GAN来识别全景照片的深度信息 。作者首先从谷歌街景中抓取了街景照片和相应的深度图，然后将照片作为输入，深度图作为输出，训练了GAN神经网络来识别照片中的景深。
(Left) Input RGB image(center) Real depth image of (left) (right) Generated depth image
(Turlock and Steinfeld 2019)这是一篇介于设计认知和设计生成之间的文章。首先延续了作者一贯的风格，
将索状结构转译为了黑白空间区分的图像，然后训练CNN对这些图像进行分类 。作者先随机生成了大量的结构模型，然后拍平成为图像，然后将这些图像分发给志愿者，询问他们是否觉得优美。所以训练过的CNN能根据志愿者的回答，学习到建筑学意义上的优美指标，并且结合传统的结构评估指标，程序就能找到既优美又坚固的设计方案。不得不说这种想法是十分有趣的，把建筑师的评价标准给量化表达了。转译黑白图像类似(Steinfeld et al. 2019)，学习人为评价标准类似(Zheng 2019)。
Sample of results
(Rhee, Llach, and Krishnamurti 2019)使用了
聚类算法对城市空间进行大数据定量分析 。其实聚类这种无监督学习算法不同于神经网络这类有监督的学习算法，输入和输出的概念是很模糊的，我也一直犹豫是否该介绍。但本文在聚类算法应用上的效果表达还是很不错的。
T-SNE Visualization of DID-PGH Based on the Similarity of Architectural Context Conditions
设计生成方向的文章：
(Aksöz and Preisinger 2019)这篇文章解决的是
结构优化领域的运算量问题 。作者巧妙的运用了ANN神经网络来学习有限元分析中的受力条件和应对方法，然后使用生成的样本数据来训练神经网络，最后使用训练好的神经网络来根据用户给定的受力条件，生成结构选型。为了简化问题，作者将复杂的结构体系拆分成小单元，而整体结构是通过每个经过ANN优化过的小单元组合而成的。这种做法无疑是提高了运算效率，但是局部最优不代表整体最优，获得效率的同时势必丧失了求解空间的可能性。
Graphic displays the abstraction of the structural system to optimize and generate the data set
(Yetkin and Sorguç 2019)和上一篇文章类似，本文作者也是通过训练ANN来优化了结构计算过程，但是优化的目标是小型的桁架结构。
Flowchart of the research method
(Campo et al. 2019)我们亲爱的Matias和Sandra又一次介绍了
Style Transfer生成建筑表现图 。和上一期介绍的文章(del Campo et al. 2019)大同小异所以就不再赘述。下面来看一张美图吧。
The Project Church of AI by Marianna Sanche & Leete Jane Wang – University of Pennsylvania 2018
(Newton 2019)这是一篇关于
使用GAN生成平面图的文章 。逻辑和方法参考了(Huang and Zheng 2018)，但是使用的训练集来自于柯布西耶的建筑作品，因此
样本数量非常少，只有45张 。效果如下图，并不理想，可见训练集的质量和数量直接决定训练效果啊。
Samples of GAN generated plans using the original 45 image Le Corbusier house dataset with no augmentation.
(Zandavali and García 2019)同样使用了
GAN，对任意边界生成铺砖模式图案 。作者先调研了四种传统墙面铺砖的算法，然后生成了大量的铺砖实例，作为图像用来训练GAN，进而生成不同外边缘的铺砖图形。比较好的一篇GAN测试文章，但是实用性和必要性经不起推敲。
Input and output images for the four bonding patterns: Stretcher, Header, Englishand, Flemish.
(Miguel et al. 2019)本期最推荐的文章！作者
把建筑形态转译为了特征向量 ，然后给到ANN神经网络里学习。特别的是，神经网络的输入和输出是相同的数据。在网络结构中可以看到，35000个输入特征先经过编码器（encoder）被映射到了一个2维向量上，这个2维向量可以用来表示压缩过的输入形态信息。然后，这个2维向量又通过解码器（decoder）重新映射回了35000个输出向量。而整个网络运行之后，目标是输入的特征经过编码+解码之后不会发生改变。这样，其中的那个2维向量就被训练到一个极致，可以完整压缩表示整个形态信息。那么，有了这个训练后的神经网络，用户就可以给定两个形态，然后分别通过编码器压缩为2维向量，然后计算它们之间的差值空间，再依次通过解码器复原为形态，这样就可以得到两个形态按照任意比例结合起来的形态。这个神经网络其实间接描述了建筑学上很难描述的形态风格参数，做到了两个形态的结合，产生了新的设计方案。
Diagram of VAE model architecture with 150 million trainable parameters.
Output of VAE trained model
辅助工具方向的文章：
(Chen et al. 2019)这篇文章是(Luo, Wang, and Xu 2018)的进阶版，和前文相比，概述了各种神经网络在预测3D打印路径上的不同表现。大同小异，感兴趣的同学可以参考原文哦。
Validation and application in design
(Thomsen et al. 2019)类似于上一篇文章，本文作者同样
使用神经网络来预测建造过程。 但是不同的是，本文作者先使用打孔机制造了多件打孔板样本，然后在聚光灯的照射下，拍摄这些样本的透光照片。然后将这些透光照片作为输入，打孔位置的图片作为输出，训练GAN。最终效果是，用户给定特殊的透光照片，比如特殊的图案，神经网络可以输出想要实现这种透光效果的打孔位置图片，进而指导机械生产出指定的打孔板。首先真是辛苦作者了，一共制作了1323个样本，训练的成果也很接近真实，达到了预期的效果。
Knit fabrication files A, B and C, shadow (input), fabrication file (output), learned fabrication output
(Rossi and Nicholas 2019)这是一篇关于机械臂控制的文章。通过GH中机械臂路径插件生成的数据的学习，作者训练了一个路径规划工具取代了原先的算法，更快速的生成机械臂移动轨迹，在到达目标的同时避开障碍。不过从作者的陈述看来，预测的正确率并没有和机械臂的极小误差达到同一水平。还有很长的路要走啊。
Obstacle with respect to robot pose experiment
(Ghandi 2019)通过
学习人体传感器的数据，比如心跳比率和脑波，来训练一个互动装置的状态，进而改善使用者的心情 。类似(Xu et al. 2018)的研究。
Brain waves mapping
(Toulkeridou 2019)描述了一种方法，
训练RNN来循环的做设计决策 ，比如参数化设计中的参数调整决策，可以通过RNN对现有状态的判断，来决定下一状态的参数数值。难得一见的RNN文章，把决策理解成序列也是很有趣的想法。
Overview diagram
(Mrosla, Koch, and Both 2019)
综述文章，主要从理论和各方角度阐述了人工智能在建筑设计领域的发展和接受度。
好了，这一期的介绍就到这里结束啦，越来越觉得最近AI+AD的文章数量暴增，我的工作量也暴增。。。看到这个领域的兴起，我也是相当高兴的。希望10月份的两个会议能有更多的惊喜吧！
关于作者
郑豪，宾夕法尼亚大学设计学院博士生，程序与设计研究者，专攻
机器学习，机械臂技术，混合现实技术，生成式设计。他毕业于加州大学伯克利分校（UCBerkeley），在Simon Schleicher教授的指导下获得建筑学硕士学位；本科毕业于上海交通大学，获得建筑学学士学位及文学学士。他曾工作于清华大学，研究机械臂辅助施工（徐卫国工作室）和机器学习（黄蔚欣工作室）。他还曾在加州大学伯克利分校担任研究助理，研究仿生式3D打印（Maria Paz Gutierrez实验室）和人工智能（Kyle Steinfeld实验室）。
Hao Zheng is a Ph.D. candidate at the University of Pennsylvania, School of Design. He is a programmer and design researcher, specializing in
machine learning, robotic technology, mixed reality, and generative design. He holds a Master of Architecture degree from the University of California, Berkeley, advised byProf. Simon Schleicher, and a Bachelor of Architecture degree from Shanghai Jiao Tong University. Before joining UPenn, Hao worked as a research assistantat Tsinghua University with a concentration on the robotic assembly under the supervision of Prof. Weiguo Xu and machine learning under the supervision of Prof. Weixin Huang. In addition, he worked as a researcher assistant at UC Berkeley, researching bio-inspired 3D printing supervised by Prof. Maria Paz Gutierrez and machine learning supervised by Prof. Kyle Steinfeld.
参考列表：
Aksöz, Zeynep, and Clemens Preisinger. 2019. "An Interactive Structural Optimization of Space Frame Structures Using Machine Learning." Proceedings of the Design Modelling Symposium 2019, Berlin, Germany.
Campo, Matias Del, Sandra Manninger, Leete Jane Wang, and Marianne Sanche. 2019. "Sensibilities of Artificial Intelligence: An Examination of Architecture in a Post-human Design Ecology." Proceedings of the Design Modelling Symposium 2019, Berlin, Germany.
Chen, Dechen, Dan Luo, Weiguo Xu, Chen Luo, Liren Shen, Xia Yan, and Tianjun Wang. 2019. "Re-perceive 3D printing with Artificial Intelligence." ECAADE SIGRADI 2019, Porto, Portugal.
del Campo, Matias, Sandra Manninger, Marianne Sanche, and Leetee Wang. 2019. "The Church of AI - An examination of architecture in a posthuman design ecology." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Ghandi, Mona. 2019. "Cyber-Physical Emotive Spaces: Human Cyborg, Data, and Biofeedback Emotive Interaction with Compassionate Spaces." ECAADE SIGRADI 2019, Porto, Portugal.
Huang, Weixin, and Hao Zheng. 2018. "Architectural Drawings Recognition and Generation through Machine Learning." Proceedings of the 38th Annual Conference of the Association for Computer Aided Design in Architecture, Mexico City, Mexico.
Kinugawa, Hina, and Atsushi Takizawa. 2019. "Deep Learning Model for Predicting Preference of Space by Estimating the Depth Information of Space using Omnidirectional Images." ECAADE SIGRADI 2019, Porto, Portugal.
Luo, Dan, Jinsong Wang, and Weiguo Xu. 2018. "Robotic Automatic Generation of Performance Model for Non-Uniform Limear Material via DeepLearning." Proceedings of the 23rd International Conference on Computer-Aided Architectural Design Research in Asia, Beijing, China.
Miguel, Jaime de, Maria Eugenia Villafañe, Luka Piškorec, and Fernando Sancho-Caparrini. 2019. "Deep Form Finding: Using Variational Autoencoders for deep form finding of structural typologies." ECAADE SIGRADI 2019, Porto, Portugal.
Mrosla, Laura, Volker Koch, and Petra von Both. 2019. "Quovadis AI in Architecture? Survey of the current possibilities of AI in the architectural practice." ECAADE SIGRADI 2019, Porto, Portugal.
Newton, David. 2019. "Deep Generative Learning for the Generation and Analysis of Architectural Plans with Small Datasets." ECAADE SIGRADI 2019, Porto, Portugal.
Rhee, Jinmo, Daniel Cardoso Llach, and Ramesh Krishnamurti. 2019. "Context-rich Urban Analysis Using Machine Learning: A case study in Pittsburgh, PA." ECAADE SIGRADI 2019, Porto, Portugal.
Rossi, Gabriella, and Paul Nicholas. 2019. "Haptic Learning: Towards Neural-Network-based adaptive Cobot Path-Planning for unstructured spaces." ECAADE SIGRADI 2019, Porto, Portugal.
Steinfeld, Kyle, Katherine Park, Adam Menges, and Samantha Walker. 2019. "Fresh Eyes - A framework for the application of machine learning togenerative architectural design, and a report of activities at Smartgeometry 2018." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
Thomsen, Mette, Paul Nicholas, Martin Tamke, Sebastian Gatz, and Yuliya Sinke. 2019. "Predicting and steering performance in architectural materials." ECAADE SIGRADI 2019, Porto, Portugal.
Toulkeridou, Varvara. 2019. "Steps towards AI augmented parametric modeling systems for supporting design exploration." ECAADE SIGRADI 2019, Porto, Portugal.
Turlock, Matt, and Kyle Steinfeld. 2019. "Necessary Tension: A Dual-Evaluation Generative Design Method for Tension Net Structures." Proceedings of the Design Modelling Symposium 2019, Berlin, Germany.
Uzun, Can, and Meryem Birgül Çolakoğlu. 2019. "Architectural Drawing Recognition: A case study for training the learning algorithm with architectural plan and section drawing images." ECAADE SIGRADI 2019, Porto, Portugal.
Wu, Ngai Hang, Marina Dimopoulou, Han Hsun Hsieh, and Christos Chatzakis. 2019. "Rawbot: A digital system for AR fabrication of bamboo structures through the discrete digitization of bamboo." ECAADE SIGRADI 2019, Porto, Portugal.
Xu, Tongda, Dinglu Wang, Mingyan Yang, Xiaohui You, and Weixin Huang. 2018. "An Evolving Built Environment Prototype: A Prototype of Adaptive Built Environment Interacting with Electroencephalogram Supported by Reinforcement Learning." Proceedings of the 23rd International Conference on Computer-Aided Architectural Design Research in Asia, Beijing, China.
Yetkin, Ozan, and Arzu Gönenç Sorguç. 2019. "Design Space Exploration of Initial Structural Design Alternatives via Artificial Neural Networks." ECAADE SIGRADI 2019, Porto, Portugal.
Zandavali, Bárbara Andrade, and Manuel Jiménez García. 2019." Automated Brick Pattern Generator for Robotic Assembly using Machine Learning and Images." ECAADE SIGRADI 2019, Porto, Portugal.
Zheng, Hao. 2019. "Form Finding and Evaluating through Machine Learning." Proceedings of the 1st International Conference on Computational Design and Robotic Fabrication (CDRF) 2019, Shanghai, China.
参考列表：
Cao, Rui, Tomohiro Fukuda, and Nobuyoshi Yabuki. 2019. "Quantifying Visual Environment by Semantic Segmentation Using Deep Learning - A Prototype for Sky View Factor." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Cheng, Chi-Li, and June-Hao Hou. 2019. "A Method of Mesh Simplification for Drone 3D Modeling with Architectural Feature Extraction." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
del Campo, Matias, Sandra Manninger, Marianne Sanche, and Leetee Wang. 2019. "The Church of AI - An examination of architecture in a posthuman design ecology." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Dobbs, Tiara. 2019. "Face-to-Face with People in Spaces - A method to identify face-to-face interactions using an indoor positioning system." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Ferrando, Cecilia, Niccolò Dalmasso, Jiawei Mai, and Daniel Cardoso Llach. 2019. "Architectural Distant Reading: Using Machine Learning to Identify Typological Traits Across Multiple Buildings." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
Jiaxin, Zhang, Li Yunqin, Li Haiqing, and Wang Xueqiang. 2019. "Sensitivity Analysis of Thermal Performance of Granary Building based on Machine Learning." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Karoji, Gen, Kensuke Hotta, Akito Hotta, and Yasushi Ikeda. 2019. "Pedestrian Dynamic Behaviour Modeling - An application to commercial environment using RNN framework." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Kato, Yuri, and Shohei Matsukawa. 2019. "Development of Generating System for Architectural Color Icons Using Google Map Platform and Tensorflow-Segmentation." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Kim, Jinsung, Jaeyeol Song, and Jin-Kook Lee. 2019a. "Approach to Auto-recognition of Design Elements for the Intelligent Management of Interior Pictures." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Kim, Jinsung, Jaeyeol Song, and Jin-Kook Lee. 2019b. "Recognizing and Classifying Unknown Object in BIM using 2D CNN." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
Koh, Immanuel, Pedro Amorim, and Jeffrey Huang. 2019. "Machinic Design Inference: from Pokemon to Architecture - A Probabilistic Machine Learning Model for Generative Design using Game Levels Abstractions." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Lin, Yuqiong, Jiawei Yao, Chenyu Huang, and Philip F. Yuan. 2019. "The Future of Environmental Performance Architectural Design Based on Human-Computer Interaction - Prediction Generation Based on Physical Wind Tunnel and Neural Network Algorithms." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Lorenz, Clara-Larissa, A. Benjamin Spaeth, Clarice Bleil De Souza, and Michael Packianather. 2019. "Machine Learning in Design Exploration: An Investigation of the Sensitivities of ANN-based Daylight Predictions." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
Ng, Jennifer Mei Yee, Nariddh Khean, David Madden, Alessandra Fabbri, Nicole Gardner, M. Hank Haeusler, and Yannis Zavoleas. 2019. "Optimising Image Classification - Implementation of Convolutional Neural Network Algorithms to Distinguish Between Plans and Sections within the Architectural, Engineering and Construction (AEC) Industry." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Papasotiriou, Tania. 2019. "Identifying the Landscape of Machine Learning-Aided Architectural Design - A Term Clustering and Scientometrics Study." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Peng, Xi, Pengkun Liu, and Yunfeng Jin. 2019. "The Age of Intelligence: Urban Design Thinking, Method Turning and Exploration." Proceedings of the 1st International Conference on Computational Design and Robotic Fabrication (CDRF 2019), Shanghai, China.
Sánchez-Vaquerizo, Javier Argota, and Daniel Cardoso Llach. 2019. "The Social Life of Small Urban Spaces 2.0: Three Experiments in Computational Urban Studies." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
Steinfeld, Kyle, Katherine Park, Adam Menges, and Samantha Walker. 2019. "Fresh Eyes - A framework for the application of machine learning to generative architectural design, and a report of activities at Smartgeometry 2018." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
Willemse, Elias Jakobus, Bige Tuncer, and Roland Bouffanais. 2019. "Identifying Highly Dense Areas from Raw Location Data." Proceedings of the 24th CAADRIA Conference, Wellington, New Zealand.
Yousif, Shermeen, and Wei Yan. 2019. "Shape Clustering Using K-Medoids in Architectural Form Finding." Proceedings of the 18th International Conference on CAAD Futures, Daejeon, Korea.
Zheng, Hao. 2019. "Form Finding and Evaluating Through Machine Learning: The Prediction of Personal Design Preference in Polyhedral Structures." Proceedings of the 1st International Conference on Computational Design and Robotic Fabrication (CDRF 2019), Shanghai, China.
