深度学习在建筑设计领域的应用进展.pdfVIP

ArchitecturalDesign

建筑设计|

深度学习在建筑设计领域的应用进展

罗旋黎晋铭陈道彬林彬*

摘要：随着人工智能的飞速发展，深度学习技术在建筑设计规范、工程造价、功能流线、空间造型、结构材料、设备管线、

中展现出巨大的应用前景。通过模仿人类大脑处理和分析数建筑节能等多个要素，迫切需要更科学、高效的技术手段来优

据的方式，深度学习为处理设计过程中的复杂性和主观性问化整个设计过程。深度学习技术的应用为此提供了较好的解决

题提供了解决方案，并已成为推动建筑创新的关键动力。首方案。利用海量的数据训练深度学习模型，再通过模型自动生

先概述深度学习的基本概念和典型的深度网络模型，其次详成设计方案，这一做法对传统设计实践产生了革命性的影响，

细阐述深度学习在建筑平面图元素识别与分析、建筑布局生也吸引了越来越多研究者的关注。

成和建筑能耗预测等方面的应用实例，最后总结归纳深度学本文旨在研究深度学习在建筑设计领域的应用，通过文献

习在建筑设计应用中存在的优势与局限，并对未来该领域的调研与案例分析，阐述关键概念与理论，梳理和总结过往研究

发展趋势做出展望。中的主要发现和进展，从平面图元素识别与分析、建筑布局生

关键词：人工智能；深度学习；建筑设计；卷积神经网络；生成、建筑能耗预测3个方面探讨深度学习技术的应用实例，为

成对抗网络该领域进一步深入探索提供指引。

中图分类号：TU201.41深度学习模型概述

文献标志码：A深度学习技术是人工智能领域的核心分支，是一种模仿人

文章编号：1008-0422(2025)03-0088-05脑处理和分析数据的机器学习方法。它基于人工神经网络的概

DOI：10.19940/j.cnki.1008-0422.2025.03.016念，通过构建深层结构的网络模型来学习数据的高层特征和模

式[1]（图1）。随着模型的不断改进，目前主流的深度网络模型

近年来，深度学习（DeepLearning）作为人工智能的一包括卷积神经网络（ConvolutionalNeuralNetworks,CNN）[2]、

项突破性技术，为建筑设计领域带来了前所未有的新机遇。深循环神经网络（RecurrentNeuralNetworks,RNN）[3]、生成对抗

[4]

度学习技术能让建筑师更有效地处理设计中的复杂性和主观性网络（GenerativeAdversarialNetworks,GAN）等。

问题，减少重复性工作，在提升设计质量和效率的同时推动建CNN是一种专门处理具有已知网格结构数据的深度学

筑创新。习模型。Lecun等[5]首次将CNN应用于手写数字识别任

建筑设计是创意与技术的融合过程，传统上依赖于建筑师务，相比于传统方法取得了显著的性能提升。该网络被称为

的经验和直觉。面对日益复杂的项目需求，建筑师需统筹设计LeNet-5，它包含了多个卷积层和池化层，以及几个全连接层。

收稿日期：2024-03-20修回日期：2024-05-15

作者简介：罗旋（1986—），女，广西防城港人，西安建筑科技大学建筑学院