Parametric Architectural Design with Point-clouds - Volvox

Zwierzycki, Mateusz; Evers, Henrik Leander; Tamke, Martin

doi:10.52842/conf.ecaade.2016.2.673

Cited by 11 publications

(6 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The role of point clouds in the design method allowed the machine suggestions to stay ambiguous and open for interpretation. Together with the available point cloud editing software and plugins, such as Volvox (Zwierzycki et al, 2016) and Cockroach (Vestartas and Settimi, 2020) students were able to adjust and manipulate their output clouds for further processing, which resulted in a large variety of design proposals.…”

Section: Discussionmentioning

confidence: 99%

Learning Spatiality - A GAN method for designing architectural models through labelled sections

Bank¹,

Sandor²,

Schinegger³

et al. 2022

eCAADe Proceedings

View full text Add to dashboard Cite

Digital design processes are increasingly being explored through the use of 2D generative adversarial networks (GAN), due to their capability for assembling latent spaces from existing data. These infinite spaces of synthetic data have the potential to enhance architectural design processes by mapping adjacencies across multidimensional properties, giving new impulses for design. The paper outlines a teaching method that applies 2D GANs to explore spatial characteristics with architectural students based on a training data set of 3D models of material-labelled houses. To introduce a common interface between human and neural networks, the method uses vertical slices through the models as the primary medium for communication. The approach is tested in the framework of a design course.

show abstract

Section: Discussionmentioning

confidence: 99%

Learning Spatiality - A GAN method for designing architectural models through labelled sections

Bank¹,

Sandor²,

Schinegger³

et al. 2022

eCAADe Proceedings

View full text Add to dashboard Cite

show abstract

“…SP3 Computational Immediacy fokussiert auf die Erstellung von Konzeptmodellen in interaktiven hybriden Modellierungsumgebungen [27] auf Basis von Punktwolken und maschinellem Lernen [28]. Im Entwurfsprozess sind Punktwolken trotz ihrer großen Bedeutung für die Vermessung und Dokumentation ein eher ungewohntes Geometrieformat [29]. Sie haben die besondere Eigenschaft, sowohl Oberfläche als auch inneren Aufbau von Objekten über Tiefe und Dichte repräsentieren zu können.…”

Section: A1 Entwurfsmethodikunclassified

Advanced Computational Design – digitale Methoden für die frühe Entwurfsphase

et al. 2022

View full text Add to dashboard Cite

Im SFB Advanced Computational Design werden Entwurfswerkzeuge und ‐prozesse durch multi‐ und interdisziplinäre Grundlagenforschung entwickelt. Das Ziel ist, durch eine neue Generation von Computational‐Design‐Methoden höhere Entwurfsqualität und effizientere Prozesse in Architektur und Bauwesen zu ermöglichen. Die Forschung wird in drei Bereichen durchgeführt: Entwurfsmethodik (A1), visuelle und haptische Entwurfsinteraktion (A2) und Formfindung (A3). Der Bereich A1 umfasst die konzeptionelle Grundlage für neuartige digitale Entwurfsmethoden basierend auf Lernmethoden. Zudem werden die in den Bereichen A2 und A3 entwickelten Computational‐Design‐Werkzeuge und ‐Methoden in einer Plattform verknüpft. Der Bereich A2 eröffnet Designern neuartige Feedback‐Kanäle in digitalen Werkzeugen durch Lichtsimulation und haptisches Feedback. Im Bereich A3 werden die Randbedingungen im Formfindungsprozess hinsichtlich Geometrie, Material, Mechanik und Statik untersucht. Die Schwerpunkte liegen in der Unterteilung von komplexen Flächen in Paneele, der Analyse von formaktiven Strukturen sowie der Modellierung und experimentellen Analyse von neuartigen Kompositmaterialien. Die Exploration von Entwürfen in Interaktion mit intelligenten Materialmodellen und Algorithmen zur Bewertung der Tragstruktur dient einerseits der Entwicklung eines methodischen Ansatzes für die Entdeckung von neuen Möglichkeiten in der Formfindung und ermöglicht andererseits die experimentelle Validierung.

show abstract

“…To this end, a Scan-to-BIM plug-in 3 for Grasshopper is developed that segments, classifies and clusters the inputs and subsequently computes the wall geometry. Each procedure consists of a Grasshopper script that combines internal Grasshopper functions with the Plug-in's code that relies upon the Rhino API, Volvox API [86] and our own C# and Matlab code.…”

Section: Methodsmentioning

confidence: 99%