罗丹 徐卫国

1 昆士兰大学

2 清华大学建筑学院

格罗皮乌斯在《包豪斯的理论及组成》一书中写到：“概念同观察结果同步出现并相互印证。只有当个人能够感知、理解并且快速操作尝试时，人们才可以借助静态、动态、视觉、声学等物理规律进行切实有创造力的工作，并将内心的想法真正具象化。”建筑师不断通过对建筑材料的实验与观察，归纳出关于设计、材料和建造实体的关系，并创造出全新的材料设计、应用和建造的方法。

随着数字技术的发展，建筑师拥有了越来越多的能够利用材料和结构动态特性进行复杂形态设计找形的工具，常用软件包括有限元分析工具SOFiSTik、犀牛插件Kangaroo、Rhino VAULT等。这些软件的出现使建筑师能够对符合材料特性和力学原理的复杂形体进行仿真模拟和快速设计迭代。但是，由于目前所有的材料及力学分析模拟软件均是基于已知的材料及结构模型和算法，建筑师在数字设计中能用到的材料和结构模拟很大程度上依赖于其他领域的研究成果。不少常见但是没有成熟的用数字工具进行模拟的复杂材料特性无法应用在设计之中，例如非匀质材料的弯曲、热变形、天然复合材料特性等。在实际应用中，此类特性对材料的影响在很大程度上被当作误差来源，旨在通过设计加工中的优化来降低或避免。

但是在现实中，由于材料本身的特性和与自然条件的相互作用，其性能通常与完美的力学和材料模型有一定差距。随着数字技术的普及和软件计算能力的提升，越来越多的设计师开始尝试利用这些更为复杂的自然条件下的材料特性来进行设计。这些非典型材料性能的量化评估和设计应用，一方面为更经济高效的加工手段奠定了基础，另一方面则充分利用材料与自然条件的关系，通过对材料的加工使得建筑中的构件能够在不同环境因素的刺激下完全以材料本身和设计所需要的方式发生反应。针对这一挑战，斯图加特大学的阿奇姆·蒙格斯（Achim Menges）教授提出了材料编程这一概念[1]，并在数字设计与建造领域中被迅速接纳和推广。材料编程通过认识并了解某一材料或者多种材料组合的特性，并通过量化的方式建立材料与材料表现之间的关联，使得设计师可以依照设计需求对材料进行定制。通常来说，材料编程需要限定特定的功能、结构和环境约束，控制某一个或者某几个变量，并将变量引起的材料性能改变作为设计或功能的创新点与落脚点。

近年来，神经网络正在高速发展并走向成熟，基于大数据的、通用的机器学习方法逐渐成为可能。神经网络的出现提供了一种针对特定规律无需知道具体材料性能及数学模型，仅基于实验和结果观察便可以实现端到端的、黑箱式的生成计算模型的方法。受此启发，我们在研究中利用神经网络的归纳学习能力，结合机器人自动化进行了大量的材料测试，并且基于机器视觉的自动化特征识别，搭建了一套利用机器智能归纳学习非标准、无现成数学模型的材料及结构性能的方法。这一方法的使用直接端到端地将建筑设计与加工建造对接，带来全新的数字设计、形态优化及数控生成加工的可能性。

在这一流程中，自动化的机器手臂就像传统工人的手一样，能够快速地以不同方式对材料进行操作和加工；机器视觉和图像处理就像机器的双眼一样，自动观察分析海量的实验数据，提取及格式化其中的特征数据；而基于神经网络的机器学习系统则类似于人的大脑，不断地对特征数据进行分析总结，最后生成一个可嵌入到参数化设计软件中的供设计师使用的神经网络模型。

由于神经网络的训练是一种通用的、黑箱式的解决方案，因此这种生成材料与结构模型的方法不受现有材料与结构特点的研究与已知模型的限制，是一种在没有相关材料和结构知识的情况下，能够适用于多种不同材料及结构系统的学习归纳方法。为了验证其有效性，研究团队利用此方法进行了针对两种材料的研究及材料编程的实验。其中包括针对非匀质橡胶条的弯曲形式设计，以及利用热挤出塑性形变进行空间网架的3D打印（图1，2）。通过同一方法对两种不同材料特性的应用研究，初步验证了这种基于机器智能的材料编程方法的可行性及应用范围，其中通过对非匀质橡胶条的弯曲形式设计模型的训练验证了此方法的可行性。本文着重描述在前序非匀质橡胶条的弯曲研究的基础上[2]，将同样的方法结合常见的数字加工工艺——3D打印，进而得到一种更加便捷廉价的无支撑空间三维网络的打印方式。

1 研究背景

我们能否将传统匠人研发新工艺的方法通过数字技术进行转译，得到适用于数字时代的设计及加工工艺的研究？随着机器臂、数控技术、数字设计平台的逐步推广，设计师对材料能够进行更为自由、智能的处理和加工。虽然在数字技术的加持下，能够使用的材料加工和建造手段越来越丰富，但是在这一过程中机器仍然被视为不具备主动思考能力的、被控制的加工工具，即在加工制造的过程中机器和数字系统缺少能够自动从之前工作中归纳总结并根据设计意图自动优化更新加工方法的能力。

1 非匀质橡胶条的弯曲形式的设计研究

2 无支撑曲线3D 打印方法的设计研究

如同其他创作过程一样，学习与认知是进行生成加工工艺的设计创新的核心。在这一过程中，通过思维分析、身体力行、全面考量材料及外在条件的特性去解决设计问题[3]。近年来，数字制造领域技术的进步和动态材料性能模拟平台的成熟使设计师可以更多地将复杂结构及材料性能融入设计之中[4]。在此基础上，随着人工智能领域技术的进步，设计师和科研人员围绕如何将学习认知与判断能力融入到数字设计及加工过程中这一挑战，开展了一系列探索性研究[5]。例如，利用传感器和实时感知反馈系统使得设计可以实时地根据加工情况进行优化并反过来影响加工工艺[6]。虽然传感器和实时反馈的使用可以在一定程度上使系统具有一定的判断能力，使得加工方式能够根据外部条件的变化而变化，但是这只是机械性反馈，在设计—加工的流程中，根据外界反馈进行归纳、判断，进而对设计或工艺进行优化的真正“智能”始终缺位。这也是人类工匠进行工艺应用优化与单纯的机械化加工之间的核心差异。

随着机器学习和人工智能技术的高速发展，计算机具备了初步归纳—分析—推理的“智能”。与传统的具有实时感知—反馈的加工技术不同，人工智能的引入使得设计加工的过程不仅能基于外界的刺激进行反馈，也可以自动从加工的过程和结果中学习归纳并自身完善。通过对材料在不同作用下宏观变化的观察，机器智能可以在无相关知识的情况下，端到端地连接设计与生产建造，归纳总结出适用于特定设计、材料、加工方式的数字模型，从而带来设计与加工工艺的变革。典型的研究案例包括：使用人工智能和机器臂研发一种基于新双曲金属面板的加工方式的设计方法和数字模型[7]；利用人工智能优化传统的数控技术建立类似于传统工匠的木材加工方式[8]；本研究团队所进行的利用机器学习对非匀质材料的弯曲特性进行设计及加工的研究是在这一成功案例的基础上，对技术流程的进一步优化，并使其适用基于PLA三维打印的加工方式。

2 研究目标

基于聚乳酸（PLA）的三维打印机是目前市场上普及度最高、成本最低、技术最成熟的3D打印系统，但是传统的PLA三维打印机均使用叠层打印的方式。由于支撑以及形变的原因，空间网架等形态难以使用传统打印机进行打印，于是在2015年，研究团队尝试使用六轴机器臂来代替三轴打印机实现空间网架的打印。但是在实验中发现由于碰撞、变形、结构等原因，机器臂的空间姿态、路径规划、打印顺序等加工控制元素的计算优化难度极高，每次施工工序的计算机可行性研究均需进行10～40h的计算量[9]。

在本研究中，我们使用了由机器学习的方法来实现打印机仅通过对二维空间移动和挤出速度的控制即可实现三维空间网架的打印。PLA是一种新型的可再生生物降解材料，它的加工温度在170～230℃，在此温度区间PLA具有可塑性。目前，市面上常见的PLA打印机即是利用此特性在高温下挤出可塑的PLA。挤出过程中，PLA的物理延伸率较大[10]，因此在打印过程中需要提供较好的支撑，否则材料将在重力的影响下产生较大形变。我们充分利用这一特性，通过机器学习的方法预测在无支撑的打印过程中，挤出材料自然下垂成的曲线及变化的移动速度和挤出速度的关系，从而通过调节移动速度和挤出速度打印出不同的曲线。由于打印头移动维度由三维减少至二维，这一打印方法极大地降低了打印路径规划的复杂度及难度，从而从系统上避免了打印头与打印构件碰撞的可能性。为了实现这一打印方式，研究的主要目标是通过实验获得以下两个模型并将其嵌套在设计软件之中（图3），使得设计师在需要的时候可以调用。

（1）正向模型——通过输入含有移动和挤出信息的自动控制代码（Gcode），预测最终自然变形下垂后曲线的形式。

（2）反向模型——输入所需打印的目标曲线，预测相应的含有移动和挤出信息的机器控制代码（Gcode）。

研究团队在利用机器学习对于非匀质材料的弯曲特性进行设计及加工的研究实验中，实现了人工智能技术在没有相关材料和力学知识情况下，利用自动化的材料实验与机器视觉的观察能力，归纳总结出设计形式—加工方法—实际材料性能之间的抽象关系，并生成可在设计中应用的神经网络模型。研究在针对结合机器学习和机器臂自动化材料测试的前序研究的基础上，围绕以下三个问题进一步对实验进行了设计，对实验的流程和方法进行了深化：

（1）基于神经网络的黑箱原理，同一个实验方法是否能够适用于不同性质的设计逻辑、材料特性和加工方法？

（2）是否可以利用机器学习端到端的特性，直接建立加工控制代码与加工及自然变形后的材料最终形态之间的映射关系？

（3）基于机器学习、机器臂自动化和计算机视觉所建立的方法流程是否可以直接应用在如三维打印等已经成熟普及的数字加工系统上，并对其进行进一步的赋能？

3 结合机器臂、机器视觉与人工智能的材料编程方法

本研究中所提出的结合机器臂、机器视觉与人工智能的材料编程方法有以下步骤。

3.1 利用机器臂进行自动化的实验循环

首先将成熟的3D打印机挤出头改装并适配到机器臂上，添加用以清除打印平台上残余材料的部件，并通过对机器臂的编程控制实现了“打印—清除残余—打印”的循环。在没有人工的介入下，这套自动化系统以每3min一条的速度自动打印仅有两端支撑的PLA线，在打印过程中协同相机拍照记录打印结果，在打印与记录结束后自动清除记录完毕的PLA线，并自动开启下一轮打印（图4）。该系统一天能够自动以图片的形式收集约200～300条样本。

在网络和大数据高速发展的基础上兴起的基于神经网络的人工智能技术，在实际应用中所面对的重要问题就是对于数据量的巨大需求。根据数据复杂度和神经网络结构的不同，常见的用以训练的数据集大小从几千到百万均有。样本量和样本分布的提升能够极大地提高训练模型的精准度。在图像识别和自然语义处理上应用的神经网络模型可以通过网络和现有数据库快速低成本地收集大量训练数据，但是针对特定材料性能和加工方式的数据收集则需要面对时间、费用、人力成本的挑战。传统收集实验数据的手段难以在短时间内收集到大量足够进行有效训练的数据量，而机器臂的应用很好地解决了这个问题。通过增强设备稳定度及运行效率并根据需要延长收集时间，研究人员可以在不耗费人力的前提下成批量地收集训练数据，并对实验周期进行有效的预测及安排。

3.2 拍摄记录与数据增强

在自动三维打印的循环中，我们利用相机的协同拍照对实验结果进行了拍照记录，并使用数据增强的方法进一步扩大了数据量及样本的多样性。数据增强是一种在机器学习中扩大样本量的常见手段，通常可以显著提高训练效果。在本研究中，不仅在完成打印后对结果进行记录，同时在打印的过程中，在打印头每移动0.5cm时进行拍照记录，从而收集在多个不同悬挑跨度上的下垂曲线。通过这一方法排除5cm以下过短的无效数据后，每打印一根曲线可以收集26个不同长度的样本（图5），而当打印了2 000根曲线样本后可以收集到52 000个有效数据。通过这一数据增强的手段，极大地提高了预测的准确度及模型的适用范围。

3.3 图像处理及特征识别

3 由机器控制代码（Gcode）到无支撑3D 打印曲线形式的双向映射

4 自动化的实验装置及样本收集

5 一个打印循环所收集的26 个训练样本

在自动化的材料实验过程中，摄像头同机器臂协同对实验成果以图片的形式进行记录。为了降低数据的复杂度以及在有限数据量的嵌套下提高神经网络的预测精度，我们需要对收集到的图像进行进一步处理，并提取出足以描述曲线形状的特征信息。通过二值化、降噪、补全、边线平滑、提取中线等信息提取的操作步骤，从图像中提取出每间隔0.5cm的曲线下垂量的信息，并生成结构化的数据集。通过图像处理的方式（图6），可以批量处理收集到的数据并自动生成可供机器学习所使用的海量数据集。

3.4 神经网络的训练

格式化的特征数据集被输入神经网络模型中并对神经网络进行训练，在这一过程中我们选取了多种不同结构的神经网络模型进行训练及评估，以获得最合适的模型和最佳的预测效果。针对同一组训练样本，不同的神经网络结构同参数的表现性能截然不同，在不同的样本量及样本分布下，最为适用的神经网络模型也不一样。在研究中我们发现，在只有500～1 000个打印循环样本量时，简单的全连接模型表现较好；随着样本量的增多，逐渐以LSTM为代表的序列模型的表现显著提升。我们推测这可能和序列模型本身重视连续的几个输入信息之间的联系有关，毕竟每个曲线特征点的下垂度和它前后一段曲线的形式关系很大。对于一个跨度为30cm的曲线进行打印，目前我们能够达到的最佳性能的均方误差约0.018cm，此网络由一个LSTM层和四个全连接层构成。

3.5 应用及评估

由于研究周期的限制，我们在三周内进行了约2 000个打印循环并收集了相应样本。这个样本量虽然不足以训练出可供工业使用的模型，但是足够进行可行性研究并抓住整体的曲线和控制代码之间的特征关系。在得到最优的神经网络之后，我们将其嵌套至设计软件之中，并在实际打印中测试其效果。在单条线的设计曲线和实际打印出来的曲线的对比中（图7，8），我们发现虽然仍存在一定的不稳定性，但是神经网络模型已经能够成功捕捉到控制代码和曲线整体趋势之间的关系。

7 目标设计曲线与实际打印效果的对比

8 正向与反向预测效果展示

9 利用1 000 个打印循环收集的样本训练的神经网络的应用效果

10 利用2 000 个打印循环收集的样本训练的神经网络的应用效果

此外，我们还测试了在不同样本量下神经网络的表现，并使用所生成的网络打印由学生提供的一些场地模型，以评估实际使用的前景和效果。在只使用1 000个打印循环训练模型时，虽然能够大致捕捉整体趋势，但是预测稳定度较差。由于神经网络是一个非线性映射，因此通常存在某些打印曲线的突变，从而导致整体曲面的不连贯。而当样本量提升至2 000个打印循环并使用序列模型后，整体预测的精度和稳定度都有显著提升，对曲面趋势的捕捉也更加准确及稳定（图9，10）。

4 总结

本研究中我们利用基于机器学习结合图像识别、机器臂自动化方法，研发出了与传统叠层打印逻辑截然不同的能够打印传统叠层打印无法实现的空间线条及网架的基于PLA热塑性的3D打印方法。这种打印方法基于传统叠层打印时塑性材料在挤出时变形这一负面的材料特性，研究利用机器学习的方法建立这一负面特性与打印控制之间关系的神经网络模型，并在此基础上建立全新的三维打印方法。通过对重力下塑性材料延展变形的精准控制，实现了仅靠打印头在二维平面上的移动来进行无支撑的三维曲面网架的打印。这种打印方式不仅更加迅速、容错率高、轻质，同时还从根本上避免了传统三维空间网架打印中打印头与结构冲突等难以优化的问题。此外，这一套算法同样适用于传统三维打印机的结构，在不需要对硬件进行升级的前提下，使得传统三维打印机在叠层打印之外也能够打印空间曲面网架。目前由于时间的限制我们只做了固定条件下的系统论证及可行性研究，这种三维打印方法在未来还可以通过将环境条件、曲线特征、硬件设计等影响精准度和稳定性的要素引入到训练系统中，进而优化系统并提高系统性能和应用范围，从而达到实际应用的标准。

如何对材料动态特性及在特定条件下的找形过程进行编程是近年来数字建筑界的一个重要议题。本文提出了一种基于人工智能和机器人自动化相结合的机器式的“手—眼—脑”相结合的流程。在实验及加工过程中，除了机械式的传感—反馈之外，利用人工智能加入了自动归纳学习的能力，使得整套系统在没有任何相关材料知识的前提下，能够通过对实验结果的观察自动归纳总结出更加优化的设计及加工方式。同时也使得设计师在没有其他学科现成算法的情况下，能够自行提取所需的材料特性的神经网络模型，并嵌套到设计中，为设计所用。