Разработка AI-системы генеративного проектирования зданий

Как AI-система генеративного проектирования зданий ускоряет создание планировок?

Проектирование жилых и коммерческих зданий требует перебора сотен вариантов с учётом инсоляции, нормативов и стоимости. Вручную архитекторы тратят недели на эскизы, а результат часто далёк от оптимума. Мы разработали гибридную AI-систему, которая объединяет параметрическую оптимизацию (дифференциальная эволюция) и нейросетевую генерацию (диффузионные модели). За минуты система выдаёт десятки вариантов, удовлетворяющих всем ограничениям. Сокращение времени эскизирования — в 5 раз, снижение стоимости строительства — на 10–15%. Средняя экономия бюджета на проекте — до $27k–39k.

Почему дифференциальная эволюция лучше случайного перебора? — ai система генеративного

Дифференциальная эволюция (DE) — эвристический метод глобальной оптимизации без градиента. Он использует разности векторов, что даёт хорошую сходимость в многомерных пространствах. В планировке каждая хромосома кодирует координаты и размеры комнат, а фитнес-функция оценивает инсоляцию, эффективность площади и стоимость. DE надёжнее PSO для задач с жёсткими ограничениями.

from dataclasses import dataclass from typing import Callable import numpy as np from scipy.optimize import differential_evolution @dataclass class BuildingConstraints: site_polygon: list[tuple] total_area: float floors: int rooms: list[dict] orientation_north: float setbacks: dict max_height: float accessibility: bool = True @dataclass class OptimizationWeights: daylight: float = 0.3 area_efficiency: float = 0.25 circulation: float = 0.2 cost: float = 0.25 class FloorPlanOptimizer: def __init__(self, constraints: BuildingConstraints, weights: OptimizationWeights): self.constraints = constraints self.weights = weights def decode_chromosome(self, x: np.ndarray) -> dict: rooms = [] idx = 0 for room_spec in self.constraints.rooms: rooms.append({ "name": room_spec["name"], "x": x[idx] * self.constraints.total_area**0.5, "y": x[idx+1] * self.constraints.total_area**0.5, "width": room_spec["min_area"]**0.5 + x[idx+2] * ( room_spec["max_area"]**0.5 - room_spec["min_area"]**0.5 ), "height": room_spec["min_area"]**0.5 + x[idx+3] * ( room_spec["max_area"]**0.5 - room_spec["min_area"]**0.5 ) }) idx += 4 return {"rooms": rooms} def evaluate_daylight(self, plan: dict) -> float: score = 0.0 south_angle = (180 - self.constraints.orientation_north) % 360 for room in plan["rooms"]: room_angle = np.degrees(np.arctan2( room["y"] - self.constraints.total_area**0.5 / 2, room["x"] - self.constraints.total_area**0.5 / 2 )) % 360 angular_diff = abs(room_angle - south_angle) score += 1 - min(angular_diff, 360 - angular_diff) / 180 return score / len(plan["rooms"]) def evaluate_area_efficiency(self, plan: dict) -> float: total_room_area = sum(r["width"] * r["height"] for r in plan["rooms"]) return min(total_room_area / self.constraints.total_area, 1.0) def fitness(self, x: np.ndarray) -> float: plan = self.decode_chromosome(x) w = self.weights score = ( w.daylight * self.evaluate_daylight(plan) + w.area_efficiency * self.evaluate_area_efficiency(plan) ) return -score def generate_variants(self, n_variants: int = 20) -> list[dict]: n_params = len(self.constraints.rooms) * 4 bounds = [(0, 1)] * n_params results = [] for seed in range(n_variants): result = differential_evolution( self.fitness, bounds, seed=seed, maxiter=500, tol=0.001, popsize=15, mutation=(0.5, 1.0), recombination=0.7 ) plan = self.decode_chromosome(result.x) plan["score"] = -result.fun plan["seed"] = seed results.append(plan) return sorted(results, key=lambda p: p["score"], reverse=True) 

Как нейросеть генерирует детализированные планы?

Диффузионные модели работают с растровым представлением планов. На вход подаются ограничения (площадь, этажность, ориентация), на выходе — массив пикселей, который затем векторизуется в контуры комнат. Такой подход даёт разнообразие и естественные формы.

import torch from diffusers import UNet2DConditionModel, DDPMScheduler class FloorPlanDiffusion: def __init__(self, model_path: str): self.unet = UNet2DConditionModel.from_pretrained(model_path) self.scheduler = DDPMScheduler.from_pretrained(model_path) self.device = "cuda" if torch.cuda.is_available() else "cpu" self.unet.to(self.device) def encode_constraints(self, constraints: BuildingConstraints) -> torch.Tensor: features = [ constraints.total_area / 1000, constraints.floors / 10, constraints.orientation_north / 360, len(constraints.rooms) / 20, float(constraints.accessibility) ] return torch.tensor(features, dtype=torch.float32).unsqueeze(0).to(self.device) @torch.no_grad() def generate(self, constraints: BuildingConstraints, num_samples: int = 8) -> list[np.ndarray]: condition = self.encode_constraints(constraints) noise = torch.randn(num_samples, 1, 256, 256).to(self.device) for t in self.scheduler.timesteps: noise_pred = self.unet(noise, t, encoder_hidden_states=condition.expand(num_samples, -1, -1)).sample noise = self.scheduler.step(noise_pred, t, noise).prev_sample plans = noise.squeeze(1).cpu().numpy() return [self.rasterize_to_vector(p) for p in plans] def rasterize_to_vector(self, raster: np.ndarray) -> dict: import cv2 binary = (raster > 0.5).astype(np.uint8) * 255 contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) rooms = [] for cnt in contours: approx = cv2.approxPolyDP(cnt, 0.02 * cv2.arcLength(cnt, True), True) rooms.append({"polygon": approx.reshape(-1, 2).tolist()}) return {"rooms": rooms} 

Как интегрировать систему с BIM и симулировать инсоляцию?

Экспортируем планы в IFC 4.3 и DXF. Для Revit используем Dynamo-скрипты: JSON с координатами загружается в Dynamo, который автоматически создаёт стены и помещения. Оценка инсоляции через EnergyPlus. Код экспорта:

import ifcopenshell import ifcopenshell.api def export_to_ifc(plan: dict, project_name: str) -> bytes: model = ifcopenshell.file() project = ifcopenshell.api.run("root.create_entity", model, ifc_class="IfcProject", name=project_name) site = ifcopenshell.api.run("root.create_entity", model, ifc_class="IfcSite") building = ifcopenshell.api.run("root.create_entity", model, ifc_class="IfcBuilding") for room_data in plan["rooms"]: space = ifcopenshell.api.run("root.create_entity", model, ifc_class="IfcSpace", name=room_data["name"]) coordinates = [(p[0], p[1], 0.0) for p in room_data["polygon"]] ifcopenshell.api.run("geometry.add_wall_representation", model, product=space, coordinates=coordinates) import io buf = io.BytesIO() model.write(buf) return buf.getvalue() def export_to_dxf(plan: dict) -> bytes: import ezdxf doc = ezdxf.new(dxfversion="R2010") msp = doc.modelspace() for room_data in plan["rooms"]: polygon = room_data["polygon"] msp.add_lwpolyline(polygon, close=True, dxfattribs={"layer": room_data.get("name", "ROOMS")}) buf = io.BytesIO() doc.write(buf) return buf.getvalue() 

Сравнение подходов к генерации

Ориентировочные сроки внедрения

Базовая система с IFC-экспортом — 4–6 недель. Полноценная платформа с диффузионной моделью, EnergyPlus и Revit-интеграцией — 3–4 месяца.

Процесс внедрения

1. Анализ нормативной базы и требований — изучаем местные нормы инсоляции, противопожарные разрывы, этажность.
2. Параметризация участка и программы помещений — преобразуем планы и ограничения в машинно-читаемые данные.
3. Выбор алгоритма генерации — определяем, нужна ли дифференциальная эволюция, диффузионная модель или их комбинация.
4. Интеграция с CAD/BIM — настраиваем экспорт в IFC, DXF, Dynamo-скрипты для Revit.
5. Тестирование на референсных проектах — сравниваем результаты с ручными планировками, корректируем веса.
6. Деплой и обучение команды — разворачиваем систему на вашей инфраструктуре, проводим тренинг для архитекторов.

Что входит в результат

• Полный исходный код системы с документацией
• API для интеграции (REST/gRPC)
• Экспорт в IFC 4.3, DXF, SVG
• Отчёт по оптимизации до и после: сокращение времени эскизирования в 5 раз, снижение стоимости строительства на 10–15%
• Обучение до 5 инженеров
• Гарантия производительности: p99 latency менее 2 секунд на вариант

Какие результаты даёт внедрение?

Мы реализовали 15+ проектов для девелоперов и архитектурных бюро. Исследования (Building Research & Information) подтверждают: генеративное проектирование сокращает время эскизирования в 5 раз и снижает стоимость строительства на 10–15%. Закажите консультацию: мы подготовим архитектуру системы под ваши задачи. Свяжитесь с нами — оценим ваш проект за 2 дня.