Automatisch gebouwen rangschikken in stedenbouw met DQN

Waarom slimere gebouwindelingen ertoe doen

Naarmate steden hoger en dichter bebouwd worden, wordt het lastiger ervoor te zorgen dat appartementramen nog voldoende zon krijgen en dat torens veilig van elkaar gescheiden blijven. Stedenbouwkundigen balanceerden deze eisen doorgaans handmatig, met trage computersimulaties en herhaalde aanpassingen van de indeling. Deze studie introduceert een kunstmatig-intelligentiesysteem (AI) dat hoogbouw automatisch op een kavel kan rangschikken, zodat woningen voldoende winterzon krijgen en torens veilige afstanden aanhouden — wat planners veel tijd kan besparen en de leefbaarheid in drukke steden kan verbeteren.

Stedelijke groei en de knel van zonlicht

Snelle verstedelijking, vooral in megasteden als Beijing en Shanghai, drukt gebouwen dichter op elkaar en de lucht in. Toch vereisen nationale regels in China dat woningen op midwinterdagen een minimale hoeveelheid zonlicht ontvangen en dat hoogbouw door specifieke veiligheidsafstanden van elkaar wordt gescheiden. Tegenwoordig gebruiken architecten professionele ontwerptools om aan deze regels te voldoen: ze tekenen bouwcontouren, draaien gedetailleerde zonlichtsimulaties en verplaatsen torens totdat zowel zon- als afstandscriteria gehaald zijn. Dit proces leunt sterk op vakkennis en veel proefondervindelijke aanpassingen, wat het traag maakt en moeilijk schaalbaar wanneer veel kavels en ontwerpalternatieven getest moeten worden.

Een neuraal netwerk leren zonlicht te voorspellen

Een groot obstakel bij het automatiseren van dit werk is dat nauwkeurige zonlichtsimulatie veel rekenkracht kost. Om dit te omzeilen hebben de onderzoekers eerst een speciaal type neuraal netwerk, een convolutionele auto-encoder, getraind om als een snelle "plaatsvervanger" voor de simulatie te fungeren. Ze genereerden meer dan duizend voorbeeldindelingen in Autodesk Revit voor Beijings midwintercondities en registreerden voor elk punt op de kavel hoeveel minuten zonlicht het die dag ontving. Deze zonlichtkaarten werden omgezet in grijstintenafbeeldingen en gekoppeld aan eenvoudige afbeeldingen die gebouwhoogtes en -contouren weergeven. De AI leerde een gebouwindelingsafbeelding te vertalen naar de bijbehorende zonlichtafbeelding, met gemiddelde fouten van minder dan drie minuten zonlicht per punt en daarbij ongeveer honderd keer sneller dan de oorspronkelijke simulatie.

Een AI-agent gebouwen stapsgewijs laten plaatsen

Met een snelle zonlichtvoorspeller kon het team het moeilijkere probleem aanpakken: automatisch beslissen waar elk gebouw te plaatsen. Ze formuleerden dit als een stap-voor-stap spel voor een lerende agent. Beginnend vanaf een lege kavel plaatst de agent één gebouw tegelijk en kan het gebouw op een raster naar boven, beneden, links of rechts verschuiven. Na elke zet schat het snelle neurale netwerk het zonlicht en berekent het systeem hoe dicht het gebouw bij buren en kavelgrenzen staat. De agent krijgt een beloning als hij een positie vindt die zowel de minimale zonvereiste voor de zuidgevelramen als de minimale afstand tussen gebouwen voldoet, en wordt bestraft voor overlap of te krappe plaatsing. Na vele gesimuleerde pogingen leert een Deep Q-Network — een gangbare methode in reinforcement learning — een strategie die consequent tot valide, efficiënte indelingen leidt.

Hoe het systeem presteert tegenover andere methodes

De onderzoekers testten hun aanpak op tientallen verschillende kavels met vijf tot twaalf gebouwen en vergeleken die met drie uitgangspunten: willekeurige plaatsing, een eenvoudige hebzuchtige (greedy) strategie en een genetisch algoritme. Willekeurige plaatsing leverde zelden werkbare ontwerpen op, en zelfs de op maat gemaakte heuristiek en de evolutionaire zoekmethode bleven achter bij de lerende agent. Het AI-systeem behaalde een slagingspercentage van 100 procent bij het produceren van indelingen die zowel aan zon- als afstandsregels voldeden, vereiste minder verplaatsingen per gebouw en rangschikte torens compacter zonder toegang tot licht te schaden. Gemiddeld leverden zijn indelingen langere zonlichtduur bij beganegrondramen dan de alternatieven, en een complete indeling voor een kavel kon in slechts enkele seconden gegenereerd worden, waarmee grootschalige verkenning van opties haalbaar wordt voor dagelijkse planningstaken.

Wat dit betekent voor toekomstig stedelijk ontwerp

In wezen toont de studie aan dat het combineren van een snel geleerd model van zonlicht met een leergestuurde beslisser gebouwen betrouwbaar kan rangschikken die strikte regelgevende beperkingen naleven en tegelijkertijd efficiënt met ruimte omgaan. Hoewel het huidige hulpmiddel zich alleen richt op winterzon en veiligheidsafstand — en is afgestemd op Beijings klimaat — dient het al als een krachtig prototype: planners kunnen een set kandidaatgebouwen invoeren en vrijwel onmiddellijk meerdere conforme indelingssuggesties ontvangen. Toekomstige versies kunnen hetzelfde idee uitbreiden met wind, uitzichten, geluid of lokale regels in andere steden, waardoor het rangschikken van gebouwen verandert van een traag handmatig ambacht in een interactieve samenwerking tussen menselijke ontwerpers en AI-assistenten.

Bronvermelding: Lin, P., Shi, G., Hu, C. et al. Auto-arrange buildings in urban planning with DQN. Sci Rep 16, 11406 (2026). https://doi.org/10.1038/s41598-026-40788-w

Trefwoorden: stedelijke planning AI, gebouwindeling, optimalisatie van zonlicht, versterkend leren, generatieve modellen