ETD

• architectural design
• geometric deep learning
• structural optimization

This thesis explores how artificial intelligence techniques can support the design, optimization, and understanding of free-form architectural geometries, with a particular focus on gridshells and thin shell structures. While contemporary digital design tools enable the creation of highly expressive free-form surfaces, ensuring their structural feasibility, material efficiency, and sustainability remains challenging, especially when dealing with the preservation of existing designs. At the same time, recent advances in 3D deep learning and multimodal foundation models offer new opportunities for reasoning about geometric data, although their applicability to architectural free-forms is still limited.
The thesis first establishes a methodological foundation by reviewing 3D shape representations and learning paradigms in relation to architectural geometry. This analysis highlights the limitations of commonly used geometry processing algorithms and learning backbones when applied to non-watertight surface patches, and motivates the use of mesh-based geometric deep learning as a suitable framework for physics-aware and design-preserving tasks.
Building on this foundation, the thesis introduces a learning-based approach for statics-aware shape optimization of free-form gridshells. The proposed method formulates the problem as a single-instance learning task, in which a neural network is trained directly on a single input geometry to iteratively learn vertex displacements that reduce structural strain energy while preserving the original design intent. By integrating differentiable statics-related objectives into an end-to-end neural pipeline, the approach avoids the need for large datasets or explicit ground-truth targets.
The framework is then extended to address sustainability-driven constraints through reuse-oriented design. By combining discrete inventory assignment with continuous geometry optimization, composite pipelines are developed to maximize the reuse of reclaimed structural elements while maintaining structural feasibility and geometric coherence. Interactive tools are provided to integrate these methods into established architectural workflows.
In addition to performance-driven modification, the thesis investigates semantic understanding of free-form architecture. A brief prompting activity reveals the limitations of current general-purpose foundation models in this field. To overcome the lack, a domain-specific dataset of architectural shells paired with detailed textual descriptions is constructed, and shared latent representations aligning 3D geometry with natural language are learned. These embeddings enable semantic retrieval and exploration of architectural freeforms. Overall, the thesis demonstrates how AI can act as an assistive design technology that operates directly on geometric representations, bridging structural optimization, sustainability, and semantic understanding.

Questa tesi esplora come le tecniche di intelligenza artificiale possano supportare la progettazione, l’ottimizzazione e la comprensione di geometrie architettoniche free-form, con particolare attenzione alle gridshell e alle strutture a guscio sottile. Sebbene i moderni strumenti di progettazione digitale consentano la creazione di superfici free-form altamente espressive, garantire la loro fattibilità strutturale, l’efficienza dei materiali e la sostenibilità rimane una sfida, soprattutto quando si tratta di preservare progetti esistenti. Allo stesso tempo, i recenti progressi nel deep learning 3D e nei modelli fondazionali multimodali offrono nuove opportunità per ragionare sui dati geometrici, sebbene la loro applicabilità alle forme architettoniche free-form sia ancora limitata.
La tesi stabilisce innanzitutto una base metodologica attraverso una revisione delle rappresentazioni delle forme 3D e dei paradigmi di apprendimento in relazione alla geometria architettonica. Questa analisi evidenzia i limiti degli algoritmi comunemente utilizzati per l’elaborazione geometrica e delle architetture di apprendimento quando applicati a porzioni di superficie non watertight, e motiva l’uso del geometric deep learning basato su mesh come quadro di riferimento adeguato per compiti che richiedono consapevolezza fisica e preservazione del progetto.
Su questa base, la tesi introduce un approccio basato sull’apprendimento per l’ottimizzazione della forma di gridshell free-form consapevole della statica. Il metodo proposto formula il problema come un compito di apprendimento su singola istanza, in cui una rete neurale viene addestrata direttamente su una singola geometria di input per apprendere iterativamente spostamenti dei vertici che riducono l’energia di deformazione strutturale preservando al contempo l’intento progettuale originale. Integrando obiettivi differenziabili legati alla statica in una pipeline neurale end-to-end, l’approccio evita la necessità di grandi dataset o di target espliciti di riferimento.
Il framework viene poi esteso per affrontare vincoli guidati dalla sostenibilità attraverso il riuso. Combinando l’assegnazione discreta di elementi provenienti da inventario con l’ottimizzazione continua della geometria, vengono sviluppate pipeline composite per massimizzare il riutilizzo di elementi strutturali recuperati mantenendo al contempo la fattibilità strutturale e la coerenza geometrica. Vengono inoltre forniti strumenti interattivi per integrare questi metodi nei flussi di lavoro architettonici consolidati.
Oltre alle modifiche orientate alle prestazioni, la tesi indaga anche la comprensione semantica dell’architettura free-form. Una breve attività di prompting evidenzia i limiti degli attuali modelli fondazionali generalisti in questo ambito. Per superare tale carenza, viene costruito un dataset specifico di dominio composto da gusci architettonici associati a descrizioni testuali dettagliate, e vengono apprese rappresentazioni latenti condivise che allineano la geometria 3D con il linguaggio naturale. Questi embedding consentono il recupero semantico e l’esplorazione delle forme architettoniche free-form. Nel complesso, la tesi dimostra come l’IA possa agire come una tecnologia di supporto alla progettazione che opera direttamente sulle rappresentazioni geometriche, mettendo in relazione ottimizzazione strutturale, sostenibilità e comprensione semantica.