Kompleks Cephe Tasarımlarında Makine Öğrenme Eğrileri: Tahminleme Modelleri Doğru Optimizasyonu Beraberinde Getiriyor Mu?

Abstract

Birleşmiş 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.