همکاری هوش مصنوعی مولد و چاپ سه‌بعدی برای احیای هنر گچ‌بری برجسته لینگ‌نان
گروهی از پژوهشگران در چین رویکردی یکپارچه ارائه کرده‌اند که هوش مصنوعی مولد را با چاپ سه‌بعدی ترکیب می‌کند تا گچ‌بری‌های برجسته لینگ‌نان را طراحی، تحلیل و تولید کند. این هنر تزئینی سنتی در ساختمان‌های تاریخی استان‌های گوانگ‌دونگ و فوجیان دیده می‌شود و به‌عنوان میراث فرهنگی ناملموس ملی چین به رسمیت شناخته شده است. در این شیوه، ملات‌های پایه‌آهکی روی چارچوب‌های داخلی ساخته‌شده از سیم مسی، میخ آهنی و میخ بامبو شکل می‌گیرند. بااین‌حال، انتقال این مهارت از نسلی به نسل دیگر رو به کاهش است و اجرای آن نیز نیروی کار فراوانی می‌طلبد. این پژوهش که در نشریه AI in Civil Engineering منتشر شده است، مسیری دیجیتال و مکمل برای این هنر پیشنهاد می‌کند، نه جایگزینی برای هنرمندان؛ هدف آن نیز کاهش فشار ناشی از طولانی‌بودن فرایند مرمت و کمبود روزافزون متخصصان حفاظت از بناهای تاریخی است.
این فرایند با طراحی آغاز می‌شود. پژوهشگران مدل تبدیل متن به تصویر Stable Diffusion v1.5 را با استفاده از روش سازگارسازی رتبه‌پایین یا LoRA، برای تولید طرح‌هایی با سبک گچ‌بری لینگ‌نان تنظیم دقیق کردند. LoRA روشی کم‌هزینه از نظر محاسباتی است که با ایجاد تغییرات محدود در پارامترهای مدل ازپیش‌آموزش‌دیده، آن را با سبکی مشخص سازگار می‌کند. مجموعه آموزشی پژوهش تنها شامل ۴۳ تصویر از گچ‌بری‌های برجسته بود که از اینترنت و عکس‌های میدانی گردآوری شده بودند. برای حفظ قالب افقی متداول در این هنر، تصاویر به‌صورت یکدست به وضوح ۱۴۷۲ در ۶۴۰ پیکسل تبدیل شدند. مدل CLIP به‌طور خودکار برای تصاویر توضیح متنی تولید کرد؛ سپس این توضیحات به‌صورت دستی اصلاح شدند و با وارونه‌سازی افقی تصاویر، مجموعه داده گسترش یافت. آموزش مدل حدود ۲۰ ساعت روی یک پردازنده گرافیکی RTX 3090 انجام شد و نسخه‌های میانی مدل در گام‌های ۷۳۹۶، ۱۴۹۷۲ و ۲۲۱۸۸ ذخیره شدند.
انتخاب نسخه مناسب مدل نقشی تعیین‌کننده داشت. در مرحله ۷۳۹۶ تکرار، مدل می‌توانست موضوعات مرتبط با گچ‌بری برجسته را تولید کند، اما رنگ‌ها و سبک آثار با نمونه‌های واقعی تفاوت چشمگیری داشتند. در مرحله ۱۴۹۷۲ تکرار، تصاویر تولیدشده شباهت زیادی به آثار واقعی پیدا کردند؛ اما پس از ۲۲۱۸۸ تکرار، کیفیت کاهش یافت و تصاویر به ترکیب‌هایی آشفته و تحریف‌شده تبدیل شدند؛ وضعیتی که ظاهراً ناشی از بیش‌برازش مدل بود. بنابراین، پژوهشگران نسخه مربوط به مرحله میانی آموزش را انتخاب کردند. ارزیابی با معیارهای فاصله گرام و LPIPS نشان داد که شباهت ادراکی تصاویر تولیدشده به تصاویر آموزشی نسبتاً کم است، اما سازگاری سبکی میان آن‌ها بالاست. این نتیجه حاکی از آن بود که مدل طرح‌هایی متمایز اما از نظر سبک هماهنگ تولید می‌کند، نه نسخه‌هایی تقریباً یکسان از نمونه‌های آموزشی. همچنین، امتیاز CLIPScore تصاویر تولیدشده ۰٫۷۹۹۷ بود، درحالی‌که این امتیاز برای مجموعه آموزشی ۰٫۷۳۹۹ محاسبه شد؛ نتیجه‌ای که از هم‌خوانی بیشتر تصاویر تولیدشده با دستورهای متنی حاشیه‌نویسی‌شده و اختصاصی مورد استفاده در آموزش حکایت داشت.
از آنجا که تصاویر دوبعدی به‌تنهایی نمی‌توانند هندسه برجستگی‌های عمیق و مجسمه‌های کاملاً سه‌بعدی را بازنمایی کنند، گروه پژوهشی تصاویر تولیدشده را به مدل‌های سه‌بعدی تبدیل کرد. برای نقش‌برجسته‌های کم‌عمق، از نقشه خاکستری به‌عنوان ماسک آلفا در نرم‌افزار Blender استفاده شد تا ناهمواری‌های سطح ایجاد شوند. برای هندسه‌های پیچیده‌تر، چندین مدل بازسازی سه‌بعدی از روی تصویر با یکدیگر مقایسه شدند و در نهایت InstantMesh انتخاب شد. این سامانه ابتدا با استفاده از یک مدل انتشار، تصاویر چندنما تولید می‌کند و سپس به کمک یک مدل بزرگ بازسازی، شبکه سه‌بعدی را پیش‌بینی می‌کند. بازسازی هر مدل در ایستگاه کاری مجهز به RTX 3090 حدود ۳۰ ثانیه طول کشید و یک شبکه سه‌بعدی رنگی با قالب OBJ به دست داد که تنها به اصلاحات محدودی نیاز داشت؛ از جمله تنظیم مقیاس عمودی برای اصلاح شکل بیش‌ازحد تخت یک پرنده و بازپخت دوباره رنگ رأس‌ها در نقشه‌های بافت. نویسندگان خاطرنشان می‌کنند که این رویکرد، تهیه مدل دیجیتال را از مرحله پس از ساخت به مرحله طراحی مقدماتی منتقل می‌کند.
برای ارزیابی ایمنی سازه‌ای، مشخصات مصالح نیز بررسی شد. پژوهشگران با استفاده از موادی که یکی از وارثان این هنر در گوانگ‌ژو در اختیارشان گذاشته بود، سه نوع ملات آهکی مورد استفاده در گچ‌بری برجسته را آزمایش کردند: ملات مخلوط با کاه برای لایه زیرین، ملات مخلوط با نوارهای کاغذی برای سطح کار و نوع رنگی حاوی رنگ‌دانه. نمونه‌های مکعبی و تیرمانند در شرایط طبیعی عمل‌آوری شدند و مقاومت فشاری و خمشی آن‌ها در سنین ۱۴، ۲۸ و ۹۰ روز اندازه‌گیری شد. ملات آهکی مخلوط با کاه که جزء اصلی باربر سازه است، با افزایش مدت عمل‌آوری رفتار مکانیکی بهتری نشان داد. این ملات در سن ۱۴ روز، با وجود ترک‌خوردگی، بار را با افت اندک مقاومت تحمل می‌کرد؛ اما در سنین ۲۸ و ۹۰ روز، شکست ترد همراه با افت سریع تنش مشاهده شد و پس از آن، در کرنش‌های فشاری بیش از ۲۵ درصد، مرحله دیگری از افزایش مقاومت رخ داد. بررسی با میکروسکوپ الکترونی روبشی نیز وجود کربنات کلسیم بی‌شکل و کلسیت بلوری را در فضای بین ذرات سنگ‌دانه‌ها آشکار کرد. تخلخل اندازه‌گیری‌شده این ماده ۳۴٫۵ درصد بود.
پژوهشگران با استفاده از نتایج این آزمایش‌ها، یک مدل اجزای محدود مبتنی بر قانون رفتاری پلاستیسیته آسیب بتن ساختند و پارامترهای آن را به‌گونه‌ای تنظیم کردند که با رفتار تنش ـ کرنش مشاهده‌شده در آزمایش‌ها مطابقت داشته باشد. سپس یک طرح نمونه از نقش‌برجسته‌ای به شکل پرنده، با ارتفاع تقریبی ۳۰۰ میلی‌متر که از طریق فرایند هوش مصنوعی تولید شده بود، تحت بار وزن خود و بار باد شبیه‌سازی شد. در این مدل، یک چارچوب داخلی از سیم مسی به قطر ۲۵ میلی‌متر نیز در نظر گرفته شد. نتایج تحلیل نشان داد که تنش‌ها عمدتاً فشاری هستند و بخش عمده بار را چارچوب داخلی تحمل می‌کند. بااین‌حال، در گوشه‌ها آسیب‌های موضعی و در فصل مشترک ملات و چارچوب، جداشدگی‌هایی مشاهده شد؛ هرچند تنش‌ها همچنان در محدوده الاستیک باقی ماندند.
در یک مطالعه پارامتری روی تیر طره‌ای با سطح مقطع ۱۵ در ۱۵ میلی‌متر، مشخص شد که با پشتیبانی چارچوب داخلی و بدون زاویه انحراف، طول طره می‌تواند به ۹۰ میلی‌متر برسد. در صورت انحراف ۱۵ درجه‌ای، این طول به ۶۰ میلی‌متر کاهش می‌یابد و در زاویه ۳۰ درجه، شکست در طول‌های بیش از ۴۵ میلی‌متر رخ می‌دهد. نویسندگان تأکید می‌کنند که مدل اجزای محدود هنوز مقدماتی است و با اندازه‌گیری‌های میدانی اعتبارسنجی نشده است. افزون بر این، مدل مقاومت فشاری را حدود ۳۰ درصد بیش‌برآورد می‌کند.
در بخش ساخت، گروه پژوهشی چند روش تولید افزایشی را بررسی کرد. یک چاپگر جت مواد چندنازله توانست نمونه‌های کوچک‌مقیاس ۲۰ سانتی‌متری از فوتوپلیمر را با رنگ کامل تولید کند و رنگ‌ها و بافت‌های برجسته طرح‌های ساخته‌شده با هوش مصنوعی را با دقت بازتولید کند. برای ساخت قالب‌ها و نمونه‌های تکثیری در مقیاس متری، از چاپ قالب ماسه‌ای استفاده شد که امکان تولید سریع یک مدل در اندازه واقعی و با مقیاس یک‌به‌یک را فراهم کرد. به گفته نویسندگان، این روش می‌تواند برای تزئینات سنتی غیرضروری از نظر سازه‌ای و آرایه‌های تزئینی جدیدی که به‌صورت نمونه‌های بازتولیدشده ساخته می‌شوند، مناسب باشد. روش کم‌هزینه مدل‌سازی با رسوب‌گذاری مذاب نیز برای چاپ قالب‌های مدولار و تکیه‌گاه‌های سازه‌ای به کار رفت. این اجزا در محل پروژه مونتاژ می‌شوند و سپس مواد گچ‌بری درون آن‌ها ریخته می‌شود تا اجزا به‌صورت یکپارچه شکل بگیرند. به این ترتیب، قالب‌ها را می‌توان در کارخانه پیش‌ساخت و به محل ساخت‌وساز منتقل کرد.
آزمایش‌های عملی در مقیاس کوچک، امکان‌پذیری روش‌های ساخت را تأیید کردند. قالب‌های نقش‌برجسته کم‌عمق که با مواد PLA و TPU95A چاپ شده بودند، با ملات آهکی مخلوط با نوارهای کاغذی پر شدند، تحت لرزش قرار گرفتند و پس از سه روز از قالب خارج شدند. نتیجه، سطوحی با جزئیات ظریف بود که بازآفرینی آن‌ها با روش‌های دستی دشوار است. همچنین، یک مجسمه مستقل به شکل پرنده با استفاده از تقویت‌کننده چاپ‌شده از جنس PETG که در پایه آن یکپارچه شده بود و قالب‌های قفل‌شونده PLA ساخته شد. پس از یک ماه، قالب‌برداری نشان داد که شکل اولیه مجسمه به دست آمده است؛ سطح آن زبر بود، اما ملات به‌خوبی به تقویت‌کننده چاپ‌شده چسبیده بود. در آزمایشی دیگر، یک قالب سیلیکونی انعطاف‌پذیر که از روی نمونه چاپ‌شده ساخته شده بود، پس از ۲۴ ساعت عمل‌آوری مجسمه‌ای با تمام جزئیات هندسی تولید کرد. نویسندگان تأکید می‌کنند که این روش‌ها تاکنون فقط در مقیاس کوچک اعتبارسنجی شده‌اند و سازه‌های حاصل همچنان به پرداخت نهایی دستی توسط هنرمندان ماهر نیاز دارند.
بر اساس مصاحبه با استادکاران، گروه پژوهشی برآورد کرد که این فرایند می‌تواند مدت کلی اجرای سنتی یک نقش‌برجسته کم‌عمق با اندازه متوسط را حدود ۵۰ درصد کاهش دهد. این برآورد، زمان تولید قالب‌ها و تقویت‌کننده‌ها را در نظر نمی‌گیرد. همچنین، این روش امکان نصب هم‌زمان چندین قالب چاپ‌شده از پیش را فراهم می‌کند. بااین‌حال، پژوهشگران بر این نکته تأکید دارند که فناوری پیشنهادی صرفاً ابزاری مهندسی و مکمل است. نقش‌برجسته بازسازی‌شده با هوش مصنوعی ارزش فرهنگی یک اثر دست‌ساز را ندارد و حرکات ظریف دست و توالی لایه‌گذاری که از ویژگی‌های این هنر هستند، هنوز در مدل دیجیتال بازنمایی نشده‌اند. افزون بر این، استفاده از روش بازسازی تصاویر آسیب‌دیده مبتنی بر ControlNet نتایج محدودی داشت، به‌ویژه برای تصاویری که در مجموعه آموزشی حضور نداشتند. نویسندگان خواستار گردآوری مجموعه‌داده‌های بزرگ‌تر، توسعه معیارهای دقیق‌تر برای ارتباط‌دادن خطای مدل با کیفیت تصاویر تولیدشده، بهبود مدل‌های رفتاری مصالح با استفاده از نمونه‌های آزمایشی بیشتر و مقایسه نظام‌مند آثار اصیل با نمونه‌های ساخته‌شده دیجیتال هستند تا این چارچوب به‌تدریج برای حفاظت عملی از میراث معماری آماده شود.
موضوع پژوهش: چارچوبی مبتنی بر هوش مصنوعی برای طراحی مولد، تحلیل سازه‌ای و تولید افزایشی گچ‌بری برجسته لینگ‌نان در مرمت ساختمان‌های تاریخی
عنوان مقاله: ترکیب هوش مصنوعی مولد با چاپ سه‌بعدی برای مرمت ساختمان‌های تاریخی: مطالعه موردی گچ‌بری برجسته لینگ‌نان
منبع مقاله: Yin, Y., Cheng, J., Zhou, J., Xiao, Z., Chen, W., Zheng, H., & Hu, N. (2026). Coupling generative AI with 3D printing for historical building renovation: a case study of Lingnan stucco relief. AI in Civil Engineering, 5(1), Article 21. https://doi.org/10.1007/s43503-026-00106-9
شناسه دیجیتال مقاله (DOI): 10.1007/s43503-026-00106-9
کلیدواژه‌ها: هوش مصنوعی مولد، Stable Diffusion، تنظیم دقیق LoRA، چاپ سه‌بعدی، گچ‌بری برجسته لینگ‌نان، میراث فرهنگی ناملموس، ملات آهکی، تحلیل اجزای محدود، تولید افزایشی، مرمت ساختمان‌های تاریخی، بازسازی سه‌بعدی، گوانگ‌دونگ