AI-tool van HvA inspireert architecten en stedenbouwers

Ook Amsterdam staat aan de vooravond van extreme verdichting. In de metropoolregio Amsterdam moeten tienduizenden nieuwe woningen worden gebouwd, grotendeels binnen stedelijke grenzen. Met als gevolg het bouwen in hoge dichtheden, vaak in combinatie met hoogbouw. Iedere gebiedsontwikkeling is hierbij uniek qua omvang, ligging en programma. Bovendien moeten de nieuwe buurten aan steeds meer eisen en wensen voldoen.

De AI-tool maakt het mogelijk om snel soortelijke plekken te traceren. Hoe zijn de stedelijke opgaven daar opgelost? Welke ontwerpoplossingen zijn toegepast, met wat voor soort programma en in welke dichtheden? En is het gelukt om een aantrekkelijke en werkende omgeving te realiseren? Middels een open access-zoekmachine kunnen onder andere architecten, stedenbouwers en ontwikkelaars filteren op condities van een leefomgeving waar zij informatie over willen.

De AI-tool verkent omgevingen met een hoge dichtheid en hoogbouw met mixed-used-profiel van wonen, werken en vrije tijd. Daarbinnen is te filteren op ruimtelijke kenmerken als Floor Space Index (FSI) en Gross Space Index (GSI), alsook de hoeveelheid restaurants of winkels in de buurt. In de realisatie was dit echter makkelijker gezegd dan gedaan. ‘Data heeft het vakgebied van het ruimtelijk ontwerp nog niet zo veranderd als in vele andere sectoren. Juist daarom wilden we in ons onderzoek ook deze experimentele lijn opnemen’, vertelt Frank Suurenbroek, lector Bouwtransformatie. ‘En met succes!’, vult projectleider Gideon Spanjar aan, ‘al is de tool ook nog steeds een basis voor nadere verfijning.’

Het ontstaan van de AI-tool

In eerste instantie is de Copernicus Urban Center’s dataset gebruikt om de wereld in een grid van 250 bij 250 meter te verdelen en van basiskarakteristieken te voorzien. Vervolgens is de OpenStreetMap database op eigen servers ingeladen en gekoppeld. OpenStreetMap is een open source-platform waarop vrijwilligers geografische gegevens op een kaart intekenen en annoteren. De AI-tool is verder gevoed met goede internationale voorbeelden uit de architectenwereld. Deels ook via een oproep op ArchDaily , hét architectenblog.

'Op basis van de kaartinformatie en de kenmerken van de internationale voorbeelden zijn relevante indicatoren berekend die iets over de buurt, het blok en de gebouwen vertellen', zegt Maarten Groen, bouwer van de AI-tool en senior onderzoeker bij het HvA-lectoraat Responsible IT van Kenniscentrum Create-IT. ‘Denk aan de hoogte van het gebouw, de hoogte-breedte verhouding, hoeveel groen en water er in de buurt aanwezig is, alsook het aantal winkels, restaurants en OV-stations: allemaal variabelen die iets kunnen vertellen over de kwaliteit van de leefomgeving in stedelijke locaties.’

Met al die input kan het algoritme van de tool leren om patronen te herkennen in de data (machine learning), zodat het begrijpt wat ‘goed’ is wanneer het vergelijkbare stedelijke ontwikkelingen ziet. Groen: ‘Met die informatie kunnen we de tool ‘loslaten’ om ook de minder bekende interessante plekken te vinden. Op deze manier hebben we het proces geautomatiseerd voor het vinden van referentielocaties door heel Noord-Amerika en Europa.’