Optimization of Automatically Generated Buildings

Abstract

Denne masteroppgaven utforsker hvordan kombinasjonen av optimalisering, kunnskapsbasert design og parametrisk design kan bidra til å utarbeide teknologi som kan effektivisere designfasen samt bidra til en mer bærekraftig byggenæring. Oppgaven utarbeider et rammeverk for hvordan en slik tilnærming kan utarbeides.

Metodikken tar utgangspunkt i parametrisk design for å utvikle en digital modell fra punkter som er koblet sammen med linjer, som kan omgjøres til bjelker, søyler, vegger og gulv. Oppgaven fokuserer på å implementere kunnskapsdatabaser der informasjon og data er knyttet til hvert designelement i den digitale modellen. Dette gir informasjon om forventede utslipp og estimerte kostnader knyttet til hver løsning, samtidig som den digitale modellen implementerer parametrisk design som gir rom for større justeringer. Det er denne siste delen som skiller denne forskningen fra Building Information Modeling (BIM), der det er mye data tilgjengelig, men modellen er for rigid til å kunne tilpasses nye behov og løsninger.

Målet er å skape et verktøy som gir omfattende informasjon raskt, noe som gjør automatisering til et sentralt tema i arbeidet. Prototypen har som mål å generere bæresystemer som kan varieres for forskjellige bygningsgeometrier, materialtyper og bygningstyper. For å svare på problemstillingene, er det utført tre case studier med økende antall parametriske variabler. De første to casestudiene er utført for å verifisere koden og produsere målbare resultater som kan danne koblinger for den siste casestudien. Disse resultatene kan også gi et innblikk i hvilke parametriske sammensetninger som kan ha en sammenheng med lavere utslipp. Den siste casestudien tar for seg den genetiske optimaliseringen, der det også er økende antall bidrag til optimaliseringskriteriene.

Resultatene fra disse casestudiene viser at byggenæringen kan dra nytte av å videreutvikle denne typen hjelpemiddel, selv om videre utvikling og en utvidet kunnskapsdatabase er nødvendig. Videre ble det demonstrert klare sammenhenger mellom CO2 utslipp, materialvalg, spennlengder og byggemetoder. Den genetiske optimaliseringen avdekket kombinasjoner som ikke umiddelbart var åpenbare. Med den nødvendige oppgraderingen er det imidlertid ikke sikkert at genetisk optimalisering forblir et brukbart verktøyet.

This master's thesis explores how the combination of optimization, knowledge-based design, and parametric design can contribute to developing technology to streamline the design phase and contribute to a more sustainable construction sector. The thesis develops a framework for how such an approach can be implemented.

The methodology is based on parametric design to develop a digital model from points connected by lines, which can be transformed into beams, columns, walls, and floors. The thesis focuses on implementing knowledge databases where information and data are linked to each design element in the digital model. This provides information on expected emissions and estimated costs associated with each solution while the digital model implements parametric design, allowing for greater adjustments. This latter aspect distinguishes this research from Building Information Modelling (BIM), where a lot of data is available, but the model is too rigid to adapt to new needs and solutions.

The goal is to create a tool that provides comprehensive information quickly, making automation central to the work. The prototype aims to generate structural systems that can be varied for different building geometries, material types and building types. To address the research questions, three case studies with an increasing number of parametric variables were conducted. The first two case studies were carried out to verify the code and produce measurable results that contextualize the results from the final case study. These studies also offer insights into parametric configurations and their correlation with lower emissions. The final case study involves genetic optimization, with an increasing number of contributions to the optimization criteria.

Results show that the construction sector can benefit from further developing such a tool, although further development and an expanded knowledge database are required. Furthermore, clear correlations between CO2 emissions and material choices, span lengths, and construction methods were demonstrated. The genetic optimization revealed combinations that were not immediately apparent. With the required upgrade, it is not certain that genetic optimization remains a decent optimization tool.