El diseño generativo es un proceso de diseño iterativo que utiliza software para generar resultados que cumplen un conjunto de restricciones ajustadas iterativamente por un diseñador. Ya sea un humano, un programa de prueba o una inteligencia artificial , el diseñador refina algorítmica o manualmente la región factible de las entradas y salidas del programa con cada iteración para cumplir con los requisitos de diseño en evolución. [1] Al emplear potencia informática para evaluar más permutaciones de diseño de las que un humano solo es capaz de hacer, el proceso es capaz de producir un diseño óptimo que imita el enfoque evolutivo de la naturaleza para el diseño a través de la variación y selección genética . [ cita requerida ] El resultado puede ser imágenes, sonidos, modelos arquitectónicos , animación y mucho más. Es, por tanto, un método rápido de explorar las posibilidades de diseño que se utiliza en varios campos del diseño, como el arte , la arquitectura , el diseño de comunicación y el diseño de productos . [2]
El diseño generativo ha adquirido mayor importancia, en gran medida debido a los nuevos entornos de programación o capacidades de creación de scripts que han hecho que sea relativamente fácil, incluso para diseñadores con poca experiencia en programación, implementar sus ideas. [3] Además, este proceso puede crear soluciones a problemas sustancialmente complejos que de otro modo requerirían muchos recursos con un enfoque alternativo, lo que lo convierte en una opción más atractiva para problemas con un conjunto de soluciones grande o desconocido. [4] También se facilita con herramientas en paquetes CAD disponibles comercialmente . [5] No solo son más accesibles las herramientas de implementación, sino también las herramientas que aprovechan el diseño generativo como base. [6]
El diseño generativo en arquitectura es un proceso de diseño iterativo que permite a los arquitectos explorar un espacio de solución más amplio con más posibilidades y creatividad . [7] El diseño arquitectónico ha sido considerado durante mucho tiempo como un problema perverso . [8] Comparado con el enfoque de diseño tradicional de arriba hacia abajo, el diseño generativo puede abordar problemas de diseño de manera eficiente, utilizando un paradigma de abajo hacia arriba que utiliza reglas definidas paramétricas para generar soluciones complejas. La solución en sí misma evoluciona entonces a una buena solución, si no óptima. [9] La ventaja de utilizar el diseño generativo como herramienta de diseño es que no construye geometrías fijas, sino que toma un conjunto de reglas de diseño que pueden generar un conjunto infinito de posibles soluciones de diseño. Las soluciones de diseño generadas pueden ser más sensibles, receptivas y adaptables al problema.
El diseño generativo implica la definición de reglas y el análisis de resultados que se integran con el proceso de diseño. [10] Al definir parámetros y reglas, el enfoque generativo puede proporcionar una solución optimizada tanto para la estabilidad estructural como para la estética. Los posibles algoritmos de diseño incluyen autómatas celulares , gramática de formas , algoritmo genético , sintaxis espacial y, más recientemente, red neuronal artificial . Debido a la alta complejidad de la solución generada, las herramientas computacionales basadas en reglas , como el método de elementos finitos y la optimización topológica , son más preferibles para evaluar y optimizar la solución generada. [11] El proceso iterativo proporcionado por el software de computadora permite el enfoque de prueba y error en el diseño e implica que los arquitectos interfieran en el proceso de optimización .
Los trabajos precedentes históricos incluyen la Sagrada Familia de Antoni Gaudí , que utilizó formas geométricas basadas en reglas para las estructuras, [12] y la Biosfera de Montreal de Buckminster Fuller , donde se diseñan las reglas para generar componentes individuales, en lugar del producto final. [13]
Algunos casos de diseño generativo más recientes incluyen el Queen Elizabeth II Great Court de Foster and Partners , donde el techo de vidrio teselado se diseñó utilizando un esquema geométrico para definir relaciones jerárquicas y luego la solución generada se optimizó en función de los requisitos geométricos y estructurales. [14]
El diseño generativo en el diseño sustentable es un enfoque eficaz que aborda la eficiencia energética y el cambio climático en la etapa inicial del diseño, reconociendo que los edificios contribuyen a aproximadamente un tercio de las emisiones globales de gases de efecto invernadero y entre el 30% y el 40% del uso total de energía de los edificios. [15] Integra principios ambientales con algoritmos, lo que permite la exploración de innumerables alternativas de diseño para mejorar el rendimiento energético, reducir la huella de carbono y minimizar el desperdicio.
Una característica clave del diseño generativo en el diseño sustentable es su capacidad de incorporar simulaciones de desempeño de edificios (BPS) en el proceso de diseño. Los programas de simulación como EnergyPlus, Ladybug Tools, etc., combinados con algoritmos generativos, pueden optimizar las soluciones de diseño para un uso de energía rentable y diseños de edificios con cero emisiones de carbono. Por ejemplo, el sistema GENE_ARCH de Luisa utilizó un algoritmo de Pareto con simulación de energía de edificios DOE2.1E para la optimización del diseño de todo el edificio. [16] El diseño generativo ha mejorado el diseño de fachadas sustentables, como lo ilustran los autómatas celulares y las simulaciones de luz natural de Jieun en el diseño de fachadas adaptativas. [17] Además del diseño de fenestraciones, Faridaddin et al. propusieron algoritmos genéticos y simulaciones de radiación para módulos fotovoltaicos energéticamente eficientes en fachadas de edificios de gran altura. [18] Además del uso de energía, el diseño generativo también se aplica al análisis del ciclo de vida (LCA), como lo demuestra el marco de Sally que utiliza algoritmos de búsqueda de cuadrícula para optimizar el diseño de paredes exteriores para un impacto ambiental mínimo incorporado. [19]
La optimización multiobjetivo abarca diversos objetivos de sostenibilidad, como las rejillas cinéticas interactivas de Seyed que utilizan biomimética y simulaciones de luz natural para mejorar la luz natural, el confort visual y la eficiencia energética de la iluminación eléctrica simultáneamente, [20] y el sistema fotovoltaico y de sombreado de Neri que puede maximizar la electricidad en el sitio y mejorar la calidad visual y el rendimiento de la luz natural. [21]
La IA y el aprendizaje automático (ML) mejoran aún más la eficiencia computacional en el diseño sustentable complejo que responde al clima. Soowon et al. emplearon el aprendizaje de refuerzo para identificar la relación entre los parámetros de diseño y el uso de energía para un campus sustentable, [22] mientras que Zhongqi et al. utilizaron el algoritmo genético y las GAN para equilibrar la iluminación natural y el confort térmico bajo diferentes condiciones de techo. [23] Zhen et al. utilizaron el aprendizaje de refuerzo profundo (DRL) y la visión artificial (CV) para generar un bloque urbano de acuerdo con las horas de luz solar directa y las ganancias de calor solar. [24] Estos métodos de diseño generativo impulsados por IA permiten simulaciones más rápidas y una toma de decisiones de diseño, lo que da como resultado diseños que son visualmente atractivos y ambientalmente responsables.
La fabricación aditiva (AM) es un proceso que crea modelos físicos directamente a partir de datos 3D uniendo materiales capa por capa. Se utiliza en industrias como la médica, la electrónica y la robótica para producir una variedad de piezas de uso final. En comparación con los métodos de fabricación convencionales, la AM ofrece más flexibilidad de diseño, con el potencial de reducir el consumo de material en aplicaciones ligeras. El diseño generativo, uno de los cuatro métodos clave para el diseño ligero en AM, se aplica comúnmente para optimizar estructuras para requisitos de rendimiento específicos. [25]
El diseño generativo puede ayudar a crear soluciones optimizadas que equilibren múltiples objetivos, como mejorar el rendimiento y minimizar los costos. [26] En el diseño para fabricación aditiva (DfAM), se utiliza la optimización de topología multiobjetivo para generar un conjunto de soluciones candidatas. Luego, los diseñadores evalúan estas opciones utilizando su experiencia e indicadores clave de rendimiento (KPI) para seleccionar la mejor opción para la implementación. [25]
Sin embargo, la integración de las restricciones de AM en el diseño generativo sigue siendo un desafío, ya que garantizar que todas las soluciones sean válidas es complejo. [25] Equilibrar múltiples objetivos de diseño al tiempo que se limitan los costos computacionales agrega más desafíos para los diseñadores. [27] Para superar estas dificultades, los investigadores propusieron un método de diseño generativo con validación de fabricación para mejorar la eficiencia de la toma de decisiones. Este método comienza con una técnica basada en geometría sólida constructiva (CSG) para crear formas de topología suave con un control geométrico preciso. Luego, se utiliza un algoritmo genético para optimizar estas formas, y el método ofrece a los diseñadores un conjunto de soluciones superiores no dominadas en el frente de Pareto para una evaluación adicional y la toma de decisiones final. [27] Al combinar múltiples técnicas, este método puede generar muchas soluciones de alta calidad con límites suaves a costos computacionales más bajos, lo que lo convierte en un enfoque práctico para diseñar estructuras livianas en AM.
Basándose en los métodos de optimización de topología, los proveedores de software introdujeron funciones de diseño generativo en sus herramientas, ayudando a los diseñadores a establecer criterios y clasificar soluciones. [25] La industria está impulsando avances en el diseño generativo para AM, lo que destaca la necesidad de herramientas que no solo ofrezcan una variedad de opciones de solución, sino que también agilicen los flujos de trabajo para uso industrial. [26]
{{cite book}}: CS1 maint: multiple names: authors list (link)