الگوریتم سیگَن در تولید نقشه حرارتی جانمایی فضایی در طراحی معماری
نویسندگان
1 استاد گروه معماری، دانشکده هنر و معماری، دانشگاه تربیت مدرس، تهران، ایران.
2 استاد گروه مکاترونیک، دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران.
3 استادیار گروه معماری، دانشکده معماری و شهرسازی، دانشگاه علم و صنعت ایران، تهران، ایران.
4 استاد گروه معماری، دانشکده هنر و معماری دانشگاه تربیت مدرس، تهران، ایران
doi
10.22034/aaud.2020.154406.1717چکیده
نقشههای جانمایی فضایی همواره بهعنوان یکی از اولین مراحل فرآیند طراحی معماری مورد توجه معماران بوده است. چارچوب نظریه معماری سرآمد تأکید دارد که ساختار توپولوژیک و هندسی این نقشهها برگرفته از مفاهیم پنهانی است که خود تحت تأثیر متغیرهای عینی و ذهنی شکل گرفتهاند. بر اساس فرض پژوهش، نقشههای جانمایی فضایی تابع الگوهای نهانی هستند که مبانی شکلگیری آنهاست. استفاده از قدرت محاسباتی رایانهها برای کمک در پیشبینی چیدمان جانمایی فضاها همواره از موضوعات چالش برانگیز در معماری معاصر و چشماندازی برای معماری آینده بوده است. در این مقاله، از روشهای دادهمحور هوش مصنوعی برای تولید نقشههای حرارتی جانمایی فضایی استفاده شده است. روش طراحی شده، برخلاف روشهای متداول که سعی در تعریف پلانهای جانمایی بر اساس روابط ریاضیاتی محض دارند، سعی دارد تا با رویکردی طراحیمبنا، تابع تولید چیدمان فضایی را برگرفته از تجربه طراحی الگوهای موفق قرار دهد. در این راستا یک مجموعه سیصد پلان جانمایی آپارتمانهای تهران جمعآوری شده است. پلانها در ابعاد مساحتی متفاوت و همه منطبق بر ضوابط طراحی انتخاب شدهاند. سپس نقشههای حرارتی جانمایی این پلانها تهیه شده و چهار نوع تصویر ورودی مختلف برای آموزش مدل هوش مصنوعی تهیه شده است. در این پژوهش از الگوریتم سیگَن بهعنوان یکی از کارآمدترین الگوریتمهای مولد هوش مصنوعی استفاده، و بر اساس الگوهای جانمایی تهیه شده آموزش داده شده است. این الگوریتم توانایی تنظیم تابع نگاشت، جهت تولید تصویر هدف بر اساس تصویر ورودی را دارد. پس از تکمیل فرآیند آموزش مدل هوش مصنوعی، نقشههای حرارتی چیدمان فضایی ده آپارتمان جدید توسط هوش مصنوعی تولید شده و کیفیت جوابهای پیشبینی شده بر اساس پنج ضابطه از پیش تعریف شده ارزیابی شده است. الگوی پیشنهادی پژوهش با انگاره رویکرد طراحی مبنا به فناوریهای نوین ساختمانی مانند: کاربرد ابردادهها، یادگیری عمیق، یادگیری ماشینی، بهرهوری و مصرف هوشمندانه انرژی، و انرژی- دیدکارایی هماهنگی دارد.