بهره‌گیری از یادگیری ماشین در فرایند طراحی معماری: بررسی روش تولید متنوع طرح جانمایی فضایی با استفاده از شبکه مولد تخاصمی

نویسندگان

1 گروه معماری، دانشکده معماری و شهرسازی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

2 دانشجوی دکتری معماری، دانشکده هنر و معماری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

3 استادیارگروه معماری،دانشکده هنر معماری، واحد تهران جنوب،دانشگاه آزاد اسلامی،تهران،ایران

4 دانشیار گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران

doi
10.71882/jisaud.2025.1126123
چکیده

در سال‌های اخیر هوش مصنوعی و به طور ویژه یادگیری ماشین به‌عنوان ابزار تصمیم‌گیری در بسیاری از حوزه‌های طراحی از جمله طراحی معماری توسعه‌یافته است. یادگیری از روی داده‌ها و اعمال یادگیری از طریق تجربه کسب شده ویژگی مهم این حوزه نوظهور است. شبکه مولد تخاصمی شرطی یکی از انواع مدل های یادگیری ماشین است که نتایج قابل‌توجهی را در تولید طرح جانمایی فضایی در یک مرز مشخص ایجاد کرده است. پژوهش‌های پیشین نشان می‌دهد که آموزش شبکه مولد تخاصمی شرطی با داده‌های آموزشیِ برچسب‌گذاری شده می‌تواند به درک چگونگی ارتباط عناصر فضایی با یکدیگر و رابطه بین عناصر فضایی و مرز پلان کمک کند. اما برای هر مرز پلان به‌عنوان ورودی شبکه، خروجی واحدی تولید می‌شود. بااین‌حال، پژوهش حاضر از شبکه مولد تخاصمی شرطی برای تولید متنوع طرح جانمایی فضایی با بیش از یک خروجی برای هر مرز پلان استفاده کرده است. ایده اصلی این مطالعه کنترل نتایج تولید شده با استفاده از نمودار حبابی است. براین‌اساس روشی برای الحاق کانال‌های تصویر پیشنهاد می‌شود تا علاوه بر مرز پلان بتوان از نمودار حبابی به‌عنوان ورودی شبکه مولد تخاصمی استفاده کرد. در این راستا مجموعه‌داده‌ای متشکل از ششصد و شصت پلان آپارتمان‌های مسکونی شهر همدان و نمودار حبابی معادل آن‌ها برای آموزش مدل و آزمایش آن تهیه شده است. ارزیابی کمی و کیفی یافته‌های پژوهش نشان از موفقیت مدل جهت تولید طرح جانمایی فضایی در مرز پیرامونی پلان با استفاده از نمودار حبابی دارد؛ لذا این رویکرد به طراحان امکان کنترل طرح‌ جانمایی تولید شده را باتوجه‌به مرز پلان و الزامات توپولوژیکی مطابق با ترجیحات کاربر ایجاد می‌کند. همچنین به طراحان اجازه می‌دهد تا طرح‌های متنوعی از جانمایی فضایی را در یک مرز یکسان تولید کنند.