Розробка AI-системи генеративного проектування будівель

Як AI-система генеративного проектування будівель прискорює створення планувань?

Проектування житлових і комерційних будівель вимагає перебору сотень варіантів з урахуванням інсоляції, нормативів і вартості. Вручну архітектори витрачають тижні на ескізи, а результат часто далекий від оптимуму. Ми розробили гібридну AI-систему, яка об'єднує параметричну оптимізацію (диференціальна еволюція) та нейромережеву генерацію (дифузійні моделі). За хвилини система видає десятки варіантів, що задовольняють усім обмеженням. Скорочення часу ескізування — у 5 разів, зниження вартості будівництва — на 10–15%. Середня економія бюджету на проекті — до 3 млн ₴.

Чому диференціальна еволюція краща за випадковий перебір? — ai система генеративного

Диференціальна еволюція (DE) — евристичний метод глобальної оптимізації без градієнта. Він використовує різниці векторів, що дає хорошу збіжність у багатовимірних просторах. У плануванні кожна хромосома кодує координати та розміри кімнат, а фітнес-функція оцінює інсоляцію, ефективність площі та вартість. DE надійніша за PSO для задач із жорсткими обмеженнями.

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) 

Як нейромережа генерує деталізовані плани?

Дифузійні моделі працюють з растровим представленням планів. На вхід подаються обмеження (площа, поверховість, орієнтація), на виході — масив пікселів, який потім векторизується в контури кімнат. Такий підхід дає різноманітність і природні форми.

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} 

Як інтегрувати систему з BIM і симулювати інсоляцію?

Експортуємо плани в IFC 4.3 та DXF. Для Revit використовуємо Dynamo-скрипти: JSON з координатами завантажується в Dynamo, який автоматично створює стіни та приміщення. Оцінка інсоляції через EnergyPlus. Код експорту:

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() 

Порівняння підходів до генерації

Орієнтовні терміни впровадження

Базова система з IFC-експортом — 4–6 тижнів. Повноцінна платформа з дифузійною моделлю, EnergyPlus та Revit-інтеграцією — 3–4 місяці.

Процес впровадження

1. Аналіз нормативної бази та вимог — вивчаємо місцеві норми інсоляції, протипожежні розриви, поверховість.
2. Параметризація ділянки та програми приміщень — перетворюємо плани та обмеження в машинно-читані дані.
3. Вибір алгоритму генерації — визначаємо, чи потрібна диференціальна еволюція, дифузійна модель або їх комбінація.
4. Інтеграція з CAD/BIM — налаштовуємо експорт в IFC, DXF, Dynamo-скрипти для Revit.
5. Тестування на референтних проектах — порівнюємо результати з ручними плануваннями, коригуємо ваги.
6. Деплой і навчання команди — розгортаємо систему на вашій інфраструктурі, проводимо тренінг для архітекторів.

Що входить у результат

• Повний вихідний код системи з документацією
• API для інтеграції (REST/gRPC)
• Експорт в IFC 4.3, DXF, SVG
• Звіт з оптимізації до та після: скорочення часу ескізування в 5 разів, зниження вартості будівництва на 10–15%
• Навчання до 5 інженерів
• Гарантія продуктивності: p99 latency менше 2 секунд на варіант

Які результати дає впровадження?

Ми реалізували 15+ проектів для девелоперів та архітектурних бюро. Дослідження (Building Research & Information) підтверджують: генеративне проектування скорочує час ескізування в 5 разів і знижує вартість будівництва на 10–15%. Замовте консультацію: ми підготуємо архітектуру системи під ваші задачі. Зв'яжіться з нами — оцінимо ваш проект за 2 дні.