CHƯƠNG I: TỔNG QUAN BÀI TOÁN VÀ PHƯƠNG PHÁP GIẢI QUYẾT 1.1 Tổng quan bài toán Thiết kế kiến trúc, nội thất là một công việc đặc thù không phải bất cứ ai cũng có thể tạo ra một bản thiết kế hợp lý. Công việc này cần có sự am hiểu kiến thức tổng quan về các tiêu chuẩn thiết kế, không gian thẩm mĩ. Cùng với đó là kinh nghiệm xử lý các không gian để có thể tạo nên sự hài hòa giữa công năng và mỹ thuật của căn hộ. Có thể nói, công việc thiết kế mặt bằng kiến trúc là bước đầu tiên và là bước quan trọng nhất khi xây dựng một ngôi nhà.
Quá trình sẽ xác định được vị trí, diện tích, công năng của các phòng trong căn hộ. Nói chung, thiết kế mặt bằng kiến trúc là một quá trình thử và sai lặp đi lặp lại tốn nhiều thời gian giữa kiến trúc sư, người có chuyên môn, kinh nghiệm trong lĩnh vực thiết kế và chủ căn hộ. Vì vậy, một người nghiệp dư không được đào tạo bài bản về các kỹ năng kiến trúc mỹ thuật, việc tạo nên một mặt bằng đẹp, đảm bảo công năng là vô cùng khó. Trong khi đó ngày càng có nhiều những chủ căn hộ, người ngoài ngành muốn tự mình thiết kế, cải tạo lại căn hộ của mình.
Do vậy, chúng tôi đề xuất một hướng tiếp cận mới để thuận tiện cho việc thiết kế mặt bằng công năng của căn hộ. Phương pháp sử dụng dựa trên những dữ liệu mặt bằng đã có từ các kiến trúc sư có nhiều năm kinh nghiệm để có thể tự động thiết kế một mặt bằng kiến trúc đảm bảo về mặt thẩm mĩ cũng như công năng sử dụng. Mục tiêu của phương pháp nhằm hỗ trợ không chỉ các kiến trúc sư mà cả những người nghiệp dư, không có kiến thức căn bản về kiến trúc nội thất cũng có thể tự mình tạo được một mặt bằng kiến trúc hợp lý cho riêng mình. Để phù hợp với cả những người nghiệp dư, không có kiến thức về thiết kế kiến trúc cũng có thể sử dụng được.
Chúng tôi tối giản hóa các ràng buộc trong thiết kế, dữ liệu đầu vào của bài toán chỉ bao gồm vị trí các bức tường bao quanh căn hộ và vị trí cửa chính của căn hộ. Phương pháp được xây dựng dựa trên các tri thức học được từ lượng lớn dữ liệu các mặt bằng có sẵn được thiết kế bởi cácc kiến trúc sư. Sau đó thông qua mạng học sâu CNN để tạo nên các mặt bằng kiến trúc tự động từ các tri thức đã được học.2 Khó khăn thách thức – phương pháp giải quyết Để có thể xây dựng một mạng học sâu có thể “bắt chước” được các thiết kế của các kiến trúc sư dày dặn kinh nghiệm, trước tiên bài toán đặt ra phải có một bộ dữ liệu đủ lớn các mặt bằng được thiết kế sẵn bởi cácc kiến trúc sư. Các dữ liệu được đưa vào mô hình phải được số hóa và gán vị trí các phòng để máy tính có thể đọc hiểu được.
Thứ hai, việc thiết kế một mạng học sâu có thể tạo ra tự động một cách nhanh chóng mặt bằng căn hộ trực quan để có thể so sánh với mặt bằng thực tế do kiến trúc sư thiết kế, chỉ từ đường bao của căn hộ mà không có bất cứ ràng buộc nào về diện tích vị trí phòng. không phải điều dễ dàng. Công việc thiết kế là 1 công việc mang nhiều tính nghệ thuật sáng tạo. Nếu áp dụng quá nhiều các ràng buộc vào mô hình sẽ khiến cho mặt bằng tạo ra sẽ mang khuynh hướng quá khuôn mẫu, trong khi nếu bỏ qua hết các ràng buộc đi sẽ tạo nên nhiều các trường hợp mặt bằng khác nhau.
Do vậy để tạo ra được một mặt bằng hợp lý về công năng và hài hòa về thẩm mĩ là vô cùng khó khăn.3 Một số phương pháp giải quyết bài toán đã được đề xuất ● Mixed Integer Quadratic Programming - based Layout Design for Building Interiors (Thiết kế mặt bằng nội thất dựa trên phương pháp MIQP) Phương pháp được nghiên cứu bởi nhóm tác giả trường Đại học Khoa học và Công nghệ Trung Hoa (University of Science and Technology of China) và trường Đại học Khoa học và Công nghệ King Abdullah, các tiểu vương quốc Ả rập (King Abdullah University of Science and Technology) [1] vào năm 2018. Để giải quyết bài toán, nhóm tác giả đã mô hình hóa các mặt bằng dưới dạng các đa giác nhỏ sau đó sử dụng phương pháp Mixed Integer Quadratic Programming (MIQP) để giải quyết bài toán. Đầu tiên các mặt bằng sẽ được tham số hóa bằng các đa giác sau đó các đa giác được chia nhỏ hơn nữa thành các hình chữ nhật nhỏ hơn. Bước tiếp theo các ràng buộc cấp cao trong thiết kế như: kích thước phòng, vị trí phòng, vị trí các phòng tiếp giáp, đường biên căn hộ… được xây dựng theo cách tương thích với MIQP và tham số hóa các ràng buộc.
Ưu điểm của phương pháp: Với các ràng buộc cấp cao trong thiết kế mặt bằng căn hộ như diện tích phòng, vị trí các phòng, vị trí các phòng tiếp giáp… phương pháp đã đạt được mục tiêu là tạo ra được 1 mặt bằng kiến trúc căn hộ phù hợp với các công năng và diện tích đặt ra. Phương pháp cũng đã có thể xử lý được đa dạng các mặt bằng như 4 mặt bằng công ty, mặt bằng khu thương mại… dựa vào các ràng buộc bậc cao trong thiết kế. Nhược điểm của phương pháp: Do phương pháp phải sử dụng nhiều các ràng buộc phức tạp, mang tính khuôn mẫu dập khuôn trong thiết kế, do đó các bản thiết kế được tạo ra thường không có nhiều sự sáng tạo trong thiết kế và mang tính cứng nhắc, không có nhiều các tùy biến. Bên cạnh đó, phương pháp vẫn phải phụ thuộc nhiều vào yếu tố con người trong việc đưa vào các ràng buộc trong thiết kế, do vậy kết quả của thuật toán vẫn mang nhiều yếu tố chủ quan của người sử dụng.
Trong quá trình xử lý dữ liệu đầu vào, phương pháp sử dụng nhiều các hình chữ nhật nhỏ để số hóa cho các kích thước không gian mặt bằng, do đó với các mặt bằng có hình dạng không phải đa giác, ví dụ như cung tròn, bài toán vẫn chưa thể xử lý được. ● Data-driven estimation of building interior plans (Thiết kế mặt bằng nội thất trên cơ sở mô hình Bayes) Phương pháp được nghiên cứu bởi nhóm tác giả trường đại học Nottingham, Vương quốc Anh (University of Nottingham) [2] vào năm 2017. Để giải quyết bài toán, nhóm tác giả đã xây dựng 1 mô hình Bayes xoay quanh việc tính xác suất xuất hiện của các loại phòng, hình dạng các loại phòng có trong mặt bằng dựa trên các hình dạng, diện tích điển hình của các loại phòng đã được thống kê trước đó. Sau đó các phòng sẽ được tinh chỉnh về vị trí, góc xoay… để phù hợp với mặt bằng công trình hiện trạng.1: Sơ đồ nguyên lý hoạt động của thuật toán Data-driven estimation of building interior plans Ưu điểm của phương pháp: Việc sử mô hình Bayes giúp cho chi phí tính toán được tối ưu đáng kể.
Các bài toán về thiết kế mặt bằng cho nhà ở dân cư cũng đã được xử lý mà không yêu cầu các ràng buộc cấp cao trong thiết kế mặt bằng. Nhược điểm của phương pháp: Do phương pháp vẫn cần xác định các hình dạng các phòng bằng phương pháp thủ công khiến mặt bằng kiến trúc tạo ra chưa được tùy biến, các mặt bằng tạo ra có thể vẫn chưa phải tối ưu nhất mà vẫn mang nhiều yếu tố chủ quan của người đưa dữ liệu vào. ● Data-driven interior plan generation for residential buildings (Thiết kế mặt bằng nội thất bằng phương pháp dữ liệu) Phương pháp được đề xuất bởi nhóm nghiên cứu bởi nhóm các tác giả trường đại học Khoa học và công nghệ Trung Hoa (University of Science and Technology of China) [11] vào năm 2019. Để giải quyết bài toán.
Nhóm tác giả đã thu thập và xử lý gán nhãn thủ công cho khoảng 80.000 ảnh mặt bằng được thu thập từ các sàn bất động sản tại Trung Quốc. Sau đó nhóm tác giả đã xây dựng các mạng học sâu để học các thiết kế 6 được thu thập trước đó một cách tự động. Từ các thuộc tính đã được học trước đó, mạng học sâu sẽ tự động tạo ra các mặt bằng thiết kế. Ưu điểm của phương pháp: Việc áp dụng các mạng học sâu vào giải quyết bài toán giúp các thiết kế tạo ra đạt độ chính xác tăng đáng kể mà không chịu ràng buộc bởi cácc ràng buộc khuôn mẫu nào.
Bên cạnh đó với sự phát triển ngày càng mạnh của các thiết bị phần cứng phục vụ cho các mạng học sâu giúp cải thiện đáng kể được thời gian tự động thiết kế của mô hình, việc thiết kế mặt bằng được thực hiện bởi máy tính mà không cần tới sự can thiệp của con người. Nhược điểm của phương pháp: Do phương pháp được nghiên cứu bởi nhóm các tác giả tới từ Trung Quốc nên dữ liệu phục vụ cho quá trình huấn luyện mô hình chủ yếu được lấy trong diện cục bộ Trung Quốc. Từ đó các thiết kế tạo ra chưa có tính thực tiễn cao khi áp dụng vào các mặt bằng bên ngoài Trung Quốc. Phương pháp được đề xuất từ năm 2019 khi đó các mạng học sâu vẫn còn giới hạn độ chính xác cũng như bị giới hạn bởi cácc thiết bị phần cứng.4 Lựa chọn phương án giải quyết bài toán Nhìn chung, các phương pháp hiện tại được xây dựng lên chủ yếu phụ thuộc nhiều vào các ràng buộc cố định để xác định mặt bằng kiến trúc, do vậy các mặt bằng tạo nên còn phụ thuộc nhiều vào các yếu tố chủ quan của con người.
Việc đó khiến cho quá trình tạo nên mặt bằng kiến trúc vẫn cần phải có sự hiểu biết nhất định về thiết kế kiến trúc. Vấn đề trên đã được giải quyết bởi nhóm tác giả trường đại học Khoa học và Công nghệ Trung Hoa với bộ dữ liệu RPLAN [3]( gồm hơn 80.000 mặt bằng thực tế từ các tòa chung cư được giao bán trên thị trường bất động sản Trung Hoa xây dựng bởi nhóm của Wenming Wu năm 2019) được sử dụng cho quá trình huấn luyện mô hình. Mỗi mặt bằng được biểu diễn dưới dạng các bức ảnh nhiều kênh bao gồm các phòng và tường được gán nhãn và số hóa ở mỗi kênh của bức ảnh.2: Chi tiết hình ảnh dữ liệu được số hóa và gán nhãn Phương pháp được đưa ra bởi nhóm tác giả trường đại học Khoa học và Công nghệ Trung Hoa đã giải quyết được hạn chế của các phương pháp trước đó.