Architecture / Mimarlık
Permanent URI for this collectionhttps://hdl.handle.net/11147/24
Browse
2 results
Search Results
Conference Paper Tek Katlı Yapılar için Çekişmeli Üretici Ağlarda Ölçeklendirme ve Kontrol Yöntemleri(2024) Güldilek, Mertcan; Ekici, Berk; İlal, Mustafa EmreYapay zeka (YZ) teknolojilerinin, birçok alanda insanlardan daha hızlı ve etkili çözümler sunabilme kapasitesine sahip olduğu gözlemlenmektedir. Mimarlıkta ise, YZ'nin daha işlevsel ve daha yüksek başarımlı yapılar oluşturması beklenmektedir. YZ ile mimari plan tasarımı üretme çalışmalarında Çekişmeli Üretici Ağlar (ÇÜA - Generative Adversarial Networks - GAN) kullanımı literatürde tercih edilmektedir. Sunulan bu çalışma kapsamında, literatürde var olan tek katlı bina plan çözüm kütüphanelerinden öğrenip yeni planlar oluşturabilen bir model geliştirilmiştir. U-Net Mimarisi ve Uygulamalı Evrişimsel Mesaj Aktarımı (UEMA) ÇÜA modeline entegre edilmiş ve modelin odalar arası ilişkileri daha iyi öğrenmesi ve kenar algısını güçlendirmesi sağlanmıştır. Eğitimi tamamlanmış model için pikselleri gerçek alanlara çevirmek üzere bir ölçeklendirme yöntemi geliştirildikten sonra kullanıcının üretilen planlar üzerinde kontrolünün sağlanması için iki ayrı yaklaşım araştırılmıştır. İlk yaklaşım model üretirken oda boyutlarını kısıtlamaya, ikinci yöntem ise üretilen planların kısıtlara uymayanlarını kabul etmemeye dayalıdır. İki yaklaşım da başarılı sonuçlar verirken, ilk yaklaşımda odalar arası ilişkilerde sorunlar gözlemlenmiş, ikinci yaklaşımda ise plan üretim süreci uzamıştır. Kullanıcılar, geliştirilen sistemde odaların boyutlarını ve planın toplam metrekaresini belirleyerek tek katlı plan tasarımları üretebilmektedirler. Bu araştırma, tasarım süreçlerinde kullanıcı merkezli tasarım süreçlerinin geliştirilmesinin önemini ve mimari planlamada veriye dayalı yaklaşımların kullanım potansiyelini vurgulamaktadır.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.