NobleBlocks

Research indexJournal article

Разработка архитектурно-планировочных решений квартир с использованием GANs (генеративно-состязательные сети) для оптимизации архитектурных моделей

Сантос

Electronic Library of Peter the Great Polytechnic University26 Aug 2026Open access

NobleIDark:/48914/w1/20261105/D8551B91DOI10.18720/spbpu/3/2026/vr/vr26-5657

Free to read at the publisher

You can read the abstract here, or the full text at the publisher.

Read at the publisher

Abstract

Данная исследовательская работа посвящена анализу и применению модели генерации изображений cGAN «Условная генеративно-состязательная сеть» для создания архитектурных решений планов этажей. Особое внимание в работе уделяется использованию генеративных моделей в архитектуре, с учётом нормативных требований к проектированию и пространственной организации. Основной целью исследования является реализация модели cGAN для генерации архитектурно-планировочных решений квартир на основе референсных планов, используемых на этапах обучения и генерации изображений. В ходе исследования были решены следующие задачи: 1. Aнализ существующего опыта использования генеративных моделей GAN, языков программирования, а также критериев формирования жилых пространств и нормативных требований; 2. Определение и интерпретация модели cGAN, а также рассмотрение общих характеристик её применения в генерации изображений и создание базы данных для этапа обучения; 3. Реализация модели cGAN, анализ полученных архитектурно-планировочных решений квартир и их сравнение с другими генеративными моделями, представленными на рынке. Научная значимость исследования заключается во внедрении новых методов моделирования, позволяющих специалистам в области архитектуры ускорить выполнение повторяющихся и механических процессов при разработке архитектурно-планировочных решений квартир. В процессе исследования была сформирована база данных (референсные изображения), состоящая из входных и выходных данных (Input и Output), в общем объёме 400 изображений, необходимых для этапа обучения генеративной модели. Также было установлено, что подобные модели требуют значительных вычислительных ресурсов, в частности большого объёма видеопамяти (не менее 16 ГБ VRAM) и графического процессора уровня RTX 3060 или выше. В качестве альтернативы данной проблеме могут использоваться облачные вычислительные среды, такие как Google Colab или Kaggle, предоставляющие бесплатные инструменты для программирования. В результате работы было выявлено, что модель cGAN способна генерировать архитектурные решения с логически выстроенной пространственной организацией и сохраняет высокую степень соответствия целевым изображениям. Демонстрируя, что генеративные модели всё чаще представляют собой новую альтернативу в разработке архитектурных решений, и что эти модели могут адаптироваться под индивидуальные цели каждого проекта, а не только под генерацию креативных изображений.

Discussion

More

Suggest a correction or report