🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ملخ: طراحی تولیدی برای معماری
- آخرین آپدیت
دانلود Grasshopper: Generative Design for Architecture
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
طراحی تولیدی مجموعه ای از فناوری ها است که به شما یک کپی رایانه ای برای فرآیند طراحی خود می دهد و به شما کمک می کند تا قدرت محاسبات و الگوریتم ها را برای ایجاد طرح ها درگیر کنید. در این دوره ، یاد بگیرید که چگونه از افزونه برنامه نویسی بصری Grasshopper با Rhino استفاده کنید تا طرح هایی را ایجاد کنید که در گذشته غیرممکن باشد. مربی والتر زسک توضیح می دهد که چگونه می توان از حلال های فیزیک و حل کننده های تکاملی استفاده کرد تا اهداف و محدودیت هایی را برای طرح های شما تعیین کند ، و همچنین نحوه استفاده از محاسبات برای تحقق آن اهداف و کار در محدودیت های شما. به علاوه ، او نحوه استفاده از LunchboxML را برای استفاده از یادگیری ماشین در پروژه های شما پوشش می دهد و قدرت کامل هوش مصنوعی را برای ایجاد طرح ها رها می کند.
سرفصل ها و درس ها
مقدمه
Introduction
طراحان سایبورگ
Cyborg designers
آنچه باید بدانید
What you should know
نسخه ها و اعتبارات
Versions and credits
1. طراحی تولیدی چیست؟
1. What Is Generative Design?
تعریف طرح مولد
Defining generative design
اهداف طراحی قابل اندازه گیری
Measurable design goals
پارامترهای طراحی
Design parameters
فضای راه حل
Solution space
محدودیت های طراحی مولد
Limitations of generative design
2. مثال حل کننده ژنتیکی / تکاملی
2. Genetic/Evolutional Solver Example
نیروی بیرحمانه: چگونه تکامل کار می کند
Brute force: How evolution works
حلال های تکاملی مشترک
Common evolutionary solvers
راه اندازی Galapagos
Setting up Galapagos
در حال اجرا گالاپاگوس
Running Galapagos
نقاط قوت و محدودیت های حل کننده های ژنتیکی / تکاملی
Strengths and limitations of genetic/evolutional solvers
3. مثال حل فیزیک
3. Physics Solver Example
چشمه ها: چگونه حل کننده های فیزیک کار می کنند
Springs: How physics solvers work
نصب کانگورو ، ویوربرید و مشدیت
Installing Kangaroo, Weaverbird, and Meshedit
اهداف کانگورو
Kangaroo goals
تست و تنظیم اهداف
Testing and adjusting goals
نقاط قوت و محدودیت های حل کننده های فیزیک
Strengths and limitations of physics solvers
4. مثال حل مسئله یادگیری ماشین
4. Machine Learning Solver Example
آشنایی با یادگیری ماشین
Introduction to machine learning
ابزارهای یادگیری ماشین
Machine learning tools
رگرسیون و آمار پیش بینی شده
Regression and predictive statistics
خوشه بندی
Clustering
طبقه بندی
Classification
نقاط قوت و محدودیت های حل کننده های یادگیری ماشین
Strengths and limitations of machine learning solvers
5- بکارگیری طرح تولیدی
5. Applying Generative Design
الزامات طراحی و نمودار
Design requirements and diagramming
نقاط سطح سینوس
Sine surface points
سطح سقف
Roof surface
نماهای جانبی و ارزش تناسب اندام
Sides views and fitness value
بهینه سازی با Galapagos
Optimizing with Galapagos
مناطق ساختاری ML
ML structural regions
خوشه های پانل سقفی
Roof panel clusters
فیزیک و طبقه بندی پانل سقف
Roof panel physics and classification
والتر زسک استاد کالج طراحی مهندسی JWU و بنیانگذار آزمایشگاه Conform است.
تحقیقات و کارهای حرفه ای او مرز بین طراحی و مهندسی را در بر می گیرد و عمدتا بر استفاده از فناوری های نوظهور برای توسعه سیستم های پارامتری محصولات متمرکز است.
به عنوان دانشجوی کارشناسی ارشد ، او در اختراع یک سیستم پارامتری کیریگامی همکاری کرد که در خط تولید Seeyond ، که اکنون متعلق به 3form است ، توسعه یافت. والتر به عنوان بنیانگذار آزمایشگاه سازگار ، مشاوره ای در زمینه اتوماسیون طراحی و فناوری های تولید مستقیم ارائه می دهد.
قبل از پیوستن به دانشگاه جانسون ولز در سال 2015 ، او در مدرسه طراحی رود آیلند (RISD) و کالج معماری بوستون تدریس می کرد.
نمایش نظرات