Issuu on Google+



        GENETIC MODELLING  The geometrics of genetic models     




Experience it first : 





What is genetic modelling?  Genetic Modelling is a way of creating design representations to facilitate design exploration. In our case,  it means creating design representations within CAD environments. In the context of CAD, genetic  modelling it can also be called parametric variational modelling, implying that design variations are  created by varying a set of design parameters of a CAD representation of a design.  For the purpose of design exploration, let us consider creating design representations that hold a range  of design possibilities instead a single instance of it. In other words, the design representations here  represents a region in design space, instead of representing a single instance of design (represents by a  single point in design space. We can explore how these design representations may be used for exploring  design possibilities  – as in sketching, usually at the initial stage of any design.  Design possibilities are mostly explored  through sketching. Sketches hold within  them, multiple possibilities of a design  which are either reinformed or discarded  during its subsequent development. It is  this ability of holding multiple  representations that we wish to capture  through genetic models. But in early stages  of design, the design representation entails  ambiguity, it also lacks complete  information. Therefore, we are unable to  represent this in computers – which are  primarily used to represent designs at the  tail end of a design process. We need to  explore ways of sketching in computers.  Genetic models allow us to do just that. 


Another way to look at genetic modelling is to view it as a “natural” way of modelling. It is the right way  and should have been the logical way but we misuse computers to represent finalised designs and thus,  deprive design representations of variability. We create a pre‐formulated shell, devoid of life, flexibility  and intelligence.  An ideal genetic model  An ideal genetic model is a representation of design that covers large areas of design space which are of  interest to designers. We have to be careful here, as to how we define this; because we know that  designers change their minds all the time during design development. Genetic models that create  surprising and unexpected forms may be of value in stimulating designer’s search for suitable forms. On  the other hand, if designs represented by a genetic model are largely undesirable or unviable, it would  burden designers  as they have to wade through thousands of useless designs. Hence, a genetic model  3   

should have a fine balance between representing a large design space capable of exceeding designers’  imagination but avoiding regions (not totally) that are unviable or undesirable. The exploration regions  can somehow be constrained by setting limits on parameters, but we are discussing  how to structure a  design representation well before the space is parametrically defined. So, we need to think of design  spaces independent of parameters – based on their geometric variability. Genetic representations that  can represent a more diverse range of designs are preferred over the ones that can only represent a  limited amount of design variations as they help designers explore larger design spaces. In other words,  genetic models need to be “expressive” – that is, that they should be able to represent a large number of  designs that are very different from each other. Here the geometric difference between the models  represents the extent of the design space. For now, we will assess this visually, for we do not have  yardsticks yet to measure distances in design space.    We are primarily discussing designer‐driven generative design processes which are different from  automated optimisation processes (which also require variable models). When we structure models for  designer‐led exploration, we need to structure them in such a way so that we can navigate search space;  whereas in an automated design process it is unnecessary to do so – as the search process is automated.  A well structured genetic model will not only cover large tracts of design space, it will also make its  navigation easier.    Let’s start with a 2D Model   

We use a simple 2D model to represent a few important issues  in creating genetic models. The model shown is made of 3  parameters (R1,R2 & R3)  that represent the distance from the  centre. By varying these distances, we can create different  shapes of designs.  






The variability of the model depends on the range set on parameters 



R is set 60~90% 

R is set 0~100% 

You can observe that exploration limits set on the driving parameters (R)  having a direct impact on the  range of design variations.  Higher number of parameters create noisy designs 


  5 Parameters 

90 Parameters 

You may notice that the designs become somewhat similar when the number of parameters  increases.  Design distinction is created when the parameters are less. It is virtually impossible to visually classify  5   

designs that appear noisy. In using genetic models (for designer‐driven design exploration) we need to  have a sense of where we are in the design space, when we look at a particular design. Since we cannot  explore the entire design space (that contain trillions of designs), we end up exploring it based on design  instances that are sufficiently different from each other.    The notion of families helps here. We can  use a limited number of design instances  representing families of designs that are  somewhat similar. It is also important to  remember that designer‐led exploration may  not be neither systematic nor comprehensive  due to limitations of human attention spans.  It is bound to be an ad‐hock process, driven  by a designer’s hunches – especially in early  stage design where the design is not fully  formed.    Classification of designs can only be done when the designs are distinctive. Hence, we need to develop a  sense of “seeing through the noise” and develop the ability to see core geometries. Those who study  signal processing have managed to do this. They use something called Fourier transforms to break a  complex signal into its constituent parts.  Lessons from Signal Processing  The square wave shown in red can be broken  down into component waves. The component  waves have higher frequency and lower  magnitudes than the fundamental wave that is  dominant. The geometries of objects too can be  broken down along such lines. 

  From :‐transform.php 


Frequencies in genetic models  Genetic models may also be seen to be composed of low  and high frequency geometry. The base model outlined in  red is of a low frequency which is then modified by the  addition of a higher frequency signal shown in blue.  By  breaking down the geometry into low and high frequency  components, we are able to create distinct geometries  that have complex shapes instead of creating noisy shapes  that have no distinct form or character. 

    Lessons from evolution  The evolutionary tree presents another way to look  at design classification. It solves the problem of  classification through the tracing of the common  ancestry. This allowed biologist to group species in  meaningful ways, according to shared attributes.  This gave rise to the concept of the “common  ancestor” at the very bottom of the tree. This  commonality is more pronounced in  developmental stages.     



Biological designs have more commonality in the developmental stages and  diverge as they develop. It is the development process that creates the  significant differences that we see in life forms.  Can we use such a strategy  to help us classify designs during the developmental process? If yes, then it  would help us navigate vast search spaces, because we then can trace the  developmental points at which the species diverge. Biological developmental  processes are full of amazing strategies from which we can learn. But can we  apply what we learn from it, in developing CAD based genetic models?   

Developmental form  When building genetic models, it is often helpful to imagine a developmental  process to be made of a combination of moulding and sculpting steps (as in  foetus development). But these steps need to be implemented using the  native functions of the CAD system such as extrude, cut, pattern, and revolve.  Most CAD systems come with what is called build history (sometimes exposed  and sometimes hidden) – which records the sequence of actions required to  create forms. This is a useful feature that we can also use for structuring the  developmental form of CAD‐based genetic models. While we do not really  know how to structure developmental processes in optimum ways, we can    certainly work towards it. By experimenting with various ways (other than the  obvious straight forward way of constructing CAD models), we can develop  models that are expressive – covering a larger design space.  Layered Geometry  It will help us to think of geometry in terms of layers that are applied on top of each other; each layer  depending on the layer below. This way, when we change the bottom layers, the top layers are  automatically updated. This is what good modelling is all about anyway. CAD systems now enable this  through relationship management tools. CAD systems with kernels allow designers to build complex  relationships graphically. Those without geometric kernels require designers to explicitly define  relationships. Build history is CAD’s way of noting down the layering involved in constructing geometry.  The art of building genetic models in CAD is the art of extending this capability to create highly variable  forms. This requires the capturing of the geometric login within the design representation, purely through  the way the design is constructed in CAD without the use of external logic models or programs to  maintain the geometric logic of the model.        8   

Geometric Kernels     




Most advanced CAD systems are built around a geometric kernel. This  kernel maintains the logic of the geometry. CAD systems with kernels  therefore have an “awareness” of geometry, whereas the quick and zippy  CAD systems without kernels do not have an inbuilt awareness of  geometry. For example, if we draw two boxes within each other, a CAD  system with a geometric kernel will know that dimension y is 5, because it  will have an internal understanding of the concept of square, parallel lines  and other geometric concepts.   

While geometric kernels make parametric designs so much easier, they pose a problem ‐ CAD kernels are  different to each other (ever wondered why it is difficult to take designs from one CAD package to the  other?). On the other hand, CAD kernels can be very helpful. If this were to be a site layout problem and  the building is to be placed two meters from the site boundary, it can be implemented directly through  the dimension system. The other advantage is that CAD kernels are able to alert us when the geometry  gets to a ridiculous state. They will flag a build error whereas those without a kernel will continue to  construct the most ridiculous geometries at great speeds as they act without geometric intelligence.  CAD kernels certainly make building logical models that can be constrained to behave within desirable  limits, easier. But if the models are to be shared across CAD platforms, then it is important to structure  them in ways that they are kernel independent. But by doing so we may lose the use of some of the  facilities in CAD packages that can maintain geometric logic. Hence, kernel independent genetic models  come with a price, because every geometric action then needs to be explicitly defined (e.g. If you place a  point in a line, you need to indicate that that point sits in that line). A way out of this would be to  separate the structure of the genetic model in a graphic representational form and then implement it in  CAD packages in the most appropriate way, fully exploiting its native capabilities. This way we can share  the structure of the data in a useful sharable form even though we may not be able to transport the  representation to other CAD packages. Hence it would be a good practice to define genetic geometries in  diagrammatic form without reliance on kernels. CAD kernels are very useful in creating complex layered  geometries. While it is possible to manage kernel free genetic models within CAD engines powered by  kernels, the reverse is not possible.           Design Skeletons  9   

Another way of capturing and maintaining the geometric logic of artefacts is through the use of geometric  skeletons. Designers sometimes create skeletal sketches on which their designs hang. These  representations are mostly used for the construction purpose only. These skeletons can be hidden but  can be used for generative purposes.   You can see how nature modifies biological  skeletons to achieve vast design variations.  Nature’s super sophisticated ways of structuring  genetic information allows it to cover vast amounts  of design spaces using shared genetic models and  build procedures that are common across species. 


From :

While the bottom layer of the build process is shared, the top layer is not. That explains why we do not  end up looking like fruit flies with which we share great many build processes.   Creating Genetic Models in CAD  Good CAD modelling practice is also about layering geometry in a structured way, but this is rarely done  in practice as most of the exploration happens off CAD. Currently, CAD is used only to create the final  representation of the design. Creating genetic models in CAD enforces good modelling practices requiring  designers to capture the geometric rational of the model. History‐based CAD allows just that. It records  and replays a logical build process through which complex forms are authored. We need to get good at  this. Building genetic models is about capturing the geometric spirit of objects and not about creating  shells. By capturing the logic of designs we are inevitably capturing geometric intelligence. That is what  genetic models are all about.  We need to view genetically structured designs not in its final form but through its developmental stages;  the early stages being the more important ones where the defining characteristics emerge. This is akin to  rough sketching, where the most important design decisions are made. We need to develop genetic  models that can explore design spaces at various stages of the build process (not only at the final stage),  it is only by giving your genetic model a good workout at every stage of the developmental process can  you build genetic models capable of creating great diversity.  Geometric Workout  The purpose of creating genetic models is to empower you to explore the far corners of the design space  while maintaining the logic of your design. Like any form of good exercise, this will stretch your models to  the limits and it should. Models that are poorly constructed will fail; only those that are well structured  will survive. By fail, we mean the collapse of the intent of the model or simple geometric failure. A good  genetic model will maintain high levels of design intent throughout the workout session. They will remain  10   

stable, like good gymnasts who remain stable (and even smile) while they subject their bodies to extreme  contortions. Structuring genetic models is also about anticipating the kind of geometric torture that the  model will be subject to and ensuring that it will hold onto its geometric intent. Hence, genetic models  have to be built, exercised, re‐built, re‐exercised untill they display stable behaviour during generative  design processes. Hence, building genetic models is an art that requires higher levels of understanding of  how geometry can be structured to enable high levels of meaningful variations. But then, if the model  behaves entirely in very predictable ways, then there is something wrong – because it will be at the  expense of wider exploration.  A good genetic model will always be able to produce surprising results, but  at the same time produce a large range of viable designs. This is a balance that only experience will help  develop. Nature seems to have figured out how best to balance it, as it mutates only a small percentage  to reach out into the vastness of design space.  Capturing Commonality  From birth, we develop our abilities to identify what is common in all things around us. We learn to  identify plant, animal, bird forms by what is common in them. We do the same in architecture through  the study of historic styles. We need to intensify this ability of observing the commonality in designs until  it becomes an unconscious ability. For instance, if you are shown various types, sizes and vastly different  shapes of dogs, you can effortless see the underlying commonality. We are able to see this in biological  creations but not in human created objects and this is the challenge you need to prepare yourself for.  Understanding commonality is in a way a reverse design skill.  Designers are trained to see mainly the  differences in order to facilitate their own abilities to create differentiated designs. The centre of designs  spaces are full of common and known designs. The training of designers is about how to move away from  this centre – so that they may claim as an unexplored space in design space, by creating desing in that  space. The work process developed to achieve this is what design training is all about. Designers are  taught how to get to the outer edges of the design space through their own creative imagination and  work processes. This needs to be reversed. And this is the hard part.  Generative design exploration is also about  exploring the outer edges of the design space –  where interesting possibilities lie. But we need to  start from the centre; because we use the sheer  dumbness of computers to reach out to the outer  edges of the design space. The dumbness of  computers becomes a virtue here, as it will get us  to the far corners of the design space without  difficulty. Now this has a very important implication  on how we should structure genetic models.    




We should structure genetic models  to be in the centre of the design  space – in that, it should represent  the most common form of design. It  need not be creative. It should not  be, because if it does it is not in the  centre.     

Generated spoons  If we plot instances of existing designs, we will find a dense cloud of points at the centre, representing the  vast majority of designs that share similar attributes. In the centre, you will find well worn designs that  satisfy all the constraints imposed by reality. The centre is a result of the deliberation of multitudes of  designers who have laboured to find a safe ground and it is from here our exploration should commence.  Computational methods in design should help us reach much further than what designers can manage  with their limited creative capabilities. The future of design will belong to those who master this ability.     



Mantras – for structuring genetic models             

Structure it to explore design space  Make it  highly variable  Conceive geometry in layers  Less parameters are more expressive  Cover a good part of all viable designs  Some should surely be weird  Start with the commonest configuration  Encapsulate design intent  Embody geometric logic  Learn by trial and error   




Genetic Modelling