Architecture / Mimarlık
Permanent URI for this collectionhttps://hdl.handle.net/11147/24
Browse
2 results
Search Results
Conference Paper Kompleks Cephe Tasarımlarında Makine Öğrenme Eğrileri: Tahminleme Modelleri Doğru Optimizasyonu Beraberinde Getiriyor Mu?(2023) Ekici, BerkBirleşmiş Milletler Sürdürülebilirlik Kalkınma Hedefleri kapsamında sürdürülebilir bina performansına daha etkin bir şekilde ulaşılması hedeflenerek, araştırmacılar ve profesyoneller yapay zekâ yöntemlerini giderek artan bir şekilde tasarım süreçlerine dahil etmektedir. Makine öğrenmesi ile optimizasyon, bu bağlamda öne çıkan uygulamalar arasında yer almaktadır. Amaç, tahmin modelleri geliştirerek simülasyon gerektiren performans hedeflerini optimize ederken, gerekli olan hesaplama zamanın indirgenmesidir. Geliştirilen tahmin modellerinin doğruluğunu değerlendiren yöntemlerin genel yaklaşımı, toplanan sınırlı veri üzerinden bir çıkarım yapmaya yöneliktir. Halbuki, optimizasyon algoritmaları en iyi tasarım alternatifine ulaşabilmek için, arama alanlarındaki farklı bölgelere sıçrayabilme özelliğini taşımaktadır. Bu sebeple, sadece toplanan örnekler üzerinden tahmin modellerinin doğruluğunu test etmek, makine öğrenmesi ile optimizasyon sürecinde tahmin edilen sonucun gerçek arama alanında çok daha farklı bir sonuca karşılık gelmesi durumunu doğurabilmektedir. Bu çalışmanın amacı farklı makine öğrenme algoritmalarını kullanarak geliştirilen tahmin modellerinin optimizasyon süreçlerinde ne kadar doğru sonuçlar üretebildiğini araştırmaktır. Bu kapsamda makine öğrenmesi kullanarak optimizasyon sonuçlarının doğruluğunun test edildiği yeni bir yöntem sunulmuştur. 27 tasarım parametresine sahip 3 katlı bir binada yer alan kompleks bir parametrik cephe modeli, aydınlatma ve solar radyasyon simülasyon modellerine entegre edilerek geliştirilmiştir. Literatürde yaygın bir şekilde kullanılan yapay sinir ağları (ANN), çoklu doğrusal regresyon (MLR), destek vektör makineleri (SVM), rastgele orman (RF) ve karar ağacı (DT) algoritmaları 250 ile 2000 örneğe sahip toplanan her bir veri seti üzerinde aydınlatma ve solar radyasyon performans hedeflerine uygulanmıştır. Tahmin sonuçlarının optimizasyon sonuçları ile kıyaslanması adına yüksek zaman gerektiren fonksiyon değerlendirmeleri üzerine geliştirilen radyal tabanlı işlev yöntemi ile optimizasyon (RBFOpt) algoritması tek hedefli ve iki kısıt fonksiyonu olan bir optimizasyon probleminde kullanılmıştır. Çalışma sonunda elde edilen sonuçlar, sadece toplanan örneklere dayanan tahmin modellerinin optimizasyon sürecinde hatalı sonuçlara neden olabileceğini göstermektedir. Makine öğrenmesi algoritmaları toplanan veriler hakkında doğru tahminlerde bulunabilirken, bu tahminler optimizasyon süreci boyunca toplanan verilerin dışına çıktığı zaman yanlış tahmin sonuçlarını doğurabilmektedir. Bu kapsamda önerilmiş olan yöntem karar vericiler için hangi makine öğrenmesi algoritmasının daha doğru optimizasyon sonuçları verebileceği hakkında yardımcı olmaktadır.Conference Object Citation - WoS: 6Citation - Scopus: 13A Methodology for Daylight Optimisation of High-Rise Buildings in the Dense Urban District Using Overhang Length and Glazing Type Variables With Surrogate Modelling(Iop Publishing Ltd, 2019) Ekici, Berk; Kazanasmaz, Zehra Tuğçe; Turrin, Michela; Taşgetiren, M. Fatih; Sarıyıldız, I. SevilUrbanization and population growth lead to the construction of higher buildings in the 21st century. This causes an increment on energy consumption as the amount of constructed floor areas is rising steadily. Integrating daylight performance in building design supports reducing the energy consumption and satisfying occupants' comfort. This study presents a methodology to optimise the daylight performance of a high-rise building located in a dense urban district. The purpose is to deal with optimisation problems by dividing the high-rise building into five zones from the ground level to the sky level, to achieve better daylight performance. Therefore, the study covers five optimization problems. Overhang length and glazing type are considered to optimise spatial Daylight Autonomy (sDA) and Annual Sunlight Exposure (ASE). A total of 500 samples in each zone are collected to develop surrogate models. A self-adaptive differential evolution algorithm is used to obtain near-optimal results for each zone. The developed surrogate models can estimate the metrics with minimum 98.25% R2 which is calculated from neural network prediction and Diva simulations. In the case study, the proposed methodology improves daylight performance of the high-rise building, decreasing ASE by approx. 27.6% and increasing the sDA values by around 88.2% in the dense urban district. © Published under licence by IOP Publishing Ltd.