لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش Grasshopper: طراحی کلی برای معماری
Grasshopper: Generative Design for Architecture
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
طراحی تولیدی (Generative Design) مجموعه ای از فن آوری ها است که به شما کمک می کند تا برای محاسبه قدرت و محاسبه الگوریتم ها در ایجاد طرح ها ، از یک برنامه رایانه ای برای فرآیند طراحی خود استفاده کنید. در این دوره ، یاد بگیرید که چگونه از پلاگین برنامه نویسی بصری Grasshopper با Rhino برای ایجاد طرحهایی استفاده کنید که در گذشته غیرممکن بود. مربی والتر زسک نحوه استفاده از حل کننده های فیزیک و حل کننده های تکاملی برای تعیین اهداف و محدودیت های طراحی های شما و همچنین نحوه استفاده از محاسبات برای رسیدن به آن اهداف و کار در محدودیت های شما را توضیح می دهد. بعلاوه ، وی نحوه استفاده از LunchBoxML را برای استفاده از مهارتهای یادگیری ماشینی در پروژه های شما و استفاده از قدرت کامل هوش مصنوعی برای ایجاد طرح ها ، بیان می کند.
موضوعات شامل:
طراحی مولد چیست؟ li>
محدودیت های طراحی مولد li>
نقاط قوت و محدودیت های حلگرهای ژنتیکی / تکاملی li>
نحوه کار حل کنندگان فیزیک li>
آزمایش و تنظیم اهداف li>
کار با ابزارهای یادگیری ماشین li>
الزامات طراحی و نمودار نویسی li>
بهینه سازی با گالاپاگوس li>
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