تبیین مدل نظری چیدمان عناصر نما با بهره گیری از بردار فاصله سنجی در هوش طراحی خودکار نما
محورهای موضوعی : معماری و شهرسازیمهسا صفرنژاد ثمرین 1 , آزاده شاهچراغی 2 , حسین ذبیحی 3
1 - دکتری معماری، پژوهشگر، گروه معماری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - دانشیار، گروه معماری، واحد علوم و تحقیقات؛ دانشگاه آزاد اسلامی، تهران، ایران. *(مسوول مکاتبات)
3 - دکتری معماری،دانشیار گروه شهرسازی، دانشکده هنر و معماری، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران
کلید واژه: طراحی محاسباتی, هوش طراحی خودکار, چیدمان عناصر نما, ساختمان های مسکونی.,
چکیده مقاله :
زمینه و هدف: یادگیری ماشین از مسایل نوظهور در تحقیقات معماری است که به دنبال طراحی و ترسیم نقشه های معماری مانند، پلان و نما با کمک الگوریتم های یادگیری ماشین میباشد. در واقع محققان در زمینه تولید طراحی محاسباتی نمای ساختمان از مدت ها پیش به دنبال رویکردهایی بودندکه بتوانند عامل هوشمند مصنوعی را قادر به مشارکت در ایجاد طرح های معماری نمایند. لذا هدف این پژوهش تبیین مدلی نظری برای چیدمان عناصر سازنده نما از طریق یادگیری ماشین میباشد به گونه ای که فرآیند محاسبات لازم برای پیاده سازی این عناصر توسط هوش طراحی خودکار نما با الگوریتم های یادگیری ماشین امکان پذیر گردد.
روش بررسی: روش پژوهش ترکیبی از مطالعات کتابخانه ای و محاسبات ریاضی و همچنین استفاده از کتب مقررات ملی ساختمان ها در رابطه با نما می باشد.
یافته ها: یافته های پژوهش در سال 1400نشان می دهد که می توان با استفاده از روابط ریاضی اقلیدسی و منهتن به همراه تبدیل داده های نما به بردارهای یکه و همچنین تبدیل داده های مقرارت ملی و استانداردهای طراحی نما به بردارهای عددی، به کمک زبان برنامه نویسی پایتون و الگوریتم های دسته بندی نزدیکترین همسایه KNN، نتایج مناسبی را به دست آورد.
بحث و نتیجه گیری: و در نهایت نتایج نشان میدهد می توان چیدمان عناصر اصلی نما را از پلان های معماری به کمک الگوریتم هوش مصنوعی، خوانش و نمای ساختمان های مسکونی را براساس پلان هاس معماری ترسیم نمود.
Background and Objectives: Machine learning is one of the emerging issues in architectural research that seeks to design and draw architectural plans such as plans and facades with the help of machine learning algorithms. In fact, researchers in the field of computational design of building facades have long been looking for approaches that can enable the artificial intelligence factor to participate in the creation of architectural designs. Therefore, the purpose of this study is to find the answer to the question of what theoretical model can ultimately be fruitful for the arrangement of building elements through machine learning so that the computational process required to implement these elements by automated facade design intelligence with Make machine learning algorithms possible
Material and Methodology: The research method is a combination of library studies and mathematical calculations as well as the use of books on national building regulations in relation to the facade.
Finding: The research findings show that using Euclidean and Manhattan mathematical relations with the conversion of facade data into unique vectors as well as the conversion of national regulation data and facade design standards to numerical vectors, with the help of Python programming language And KNN's nearest neighbor classification algorithms achieved good results.
Discussion and conclusion: And finally, the results show that the arrangement of the main elements of the facade can be drawn from architectural plans with the help of artificial intelligence algorithm, reading and facade of residential buildings based on architectural plans.
1. Raza Khan, Mustakeem,. Gupta, S.K,& Kumar, Rakesh. (2018). Role of Computer’s Tech nology: Architectural Design. International Journal for Research in Applied Science & Engineering Technology (IJRASET). pp 2936-2942. ISSN: 2321-9653; IC Value: 45.98; SJ Impact Factor: 6.887. http://doi.org/10.22214/ijraset.2018.5479.
2. Alexander, C. (1967). Notes on the Synthesis of Form, Cambridge: Harvard University Press.
3. Russell, S. J. and P. Norvig. (2016). Artificial Intelligence: A Modern Approach. 3rd ed. Boston: Pearson Education.
4. Newton, David. (2019). Generative Deep Learning in Architectural Design. Technology|Architecture + Design, 3:2, 176-189, DOI: 10.1080/24751448.2019.1640536.
5. Goodfellow, I. J., J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde- Farley, S. Ozair, A. Courville, and Y. Bengio. 2014. “Generative Adversarial Nets.” In Proceedings of the Twenty-Seventh International Conference on Neural Information Processing Systems (NIPS), 2:2672–2680. Montreal, Canada, December 8–13.
6. Reddy TE, et al. (2007) Positional clustering improves computational binding site detection and identifies novel cis-regulatory sites in mammalian GABAA receptor subunit genes. Nucleic Acids Res 35(3): e20.
7. Thompson, D.B. and Miner, R.G. (2007) Building Information Modeling - BIM: Contractual Risks are Changing with Technology, online at http://www.aepronet.org/ge/no35.html .
8. Cudzik, Jan, & Radziszewski, Kacper . (2018). Artificial Intelligence Aided Architectural Design. AI FOR DESIGN AND BUILT ENVIRONMENT. 77-84. https://www.researchgate.net/publication/328018944.
9. Goertzel, B 2006, The Hidden Pattern, Brown Walker Press, Florida.
10. Isaev, lya and Smetannikov, Ivan. (2016). Optimization of filter ensemble algorithm withparallel computing. InIFIP International Conference on Artificial Intelligence Applica-tions and Innovations, pages 341–347.
11. Moore, GE 2006, ’Cramming more components onto integrated circuits’, IEEE Solid-State Circuits Society Newsletter, 11(3), pp. 33-35.
12. Jordan, M. I. and Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. sciencemag.org. ISSUE 6245. 260-255.
13. Mohri, M, Rostamizadeh, A and Talwalkar, A (2012), Foundations of Machine Learning, MIT Press, New York.
14. Garcia Belém, Catarina,. Santos, Luis, & Menezes Leitão, António (2019). On the Impact of Machine Learning Architecture without Architects?. Conference: CAAD Futures 2019, At: Daejon, South Korea. https://www.researchgate.net/publication/335175592.
15. Deo, R. C. (2015). Machine Learning in Medicine.Architectural Education in the 21st Century. First International Conference on Critical Digital. Design Studies. https://www.academia.edu/25884262/The_impact_of_information_technology_on_design_methods_products_and_practices.
16. Ferreira, D. R. (2018) Applications of Deep Learning to Nuclear Fusion Research.
17. Bolton, R. J., & Hand, D. J.(2015). Statistical Fraud Detection: A review. Statistical Science, 17(3), 235–255.
18. Behera, R. N., & Das, K. (2017). A Survey on Machine Learning: Concept, Algorithm and Applications. International Journal of Innovative Research in Computer and Communication Engineering, 5(2).
19. Khean, N., Fabbri, A., & Haeusler, M. H. (2018). Learning Machine Learning as an Architect, How to?.
20. Steinfeld, K. (2017). Dreams May Come. In Acadia 2017, 590–599.
21. Claus L. Cramer-Petersen, Bo T. Christensen, Saeema Ahmed-Kristensen. (2019). Empirically analysing design reasoning patterns: Abductive-deductive reasoning patterns dominate design idea generation, Design Studies, 60, 39-70.
22. Samalavicius, Almantas. (2019). Architecture, City and Mathematics: The Lost Connection, Mathematics Interdisciplinary Research, 1-10. to the Future, Volume I: Antiquity to the 1500s, Birkhäuser Basel.
23. Zappulla, Carmelo. (2013). Connections Between Architectural Design and Mathematical Patterns. Materials Architecture Design Environment. https://www.academia.edu/5309062/Connections_Between_Architectural_Design_and_Mathematical_Patterns.
24. K. Terzidis,(2006). Algorithmic Architecture (Oxford: Architectural Press), p. xii.
25. Williams.k and. Ostwald. M. J. (2015). Architecture and Mathematics from Antiquity.
26. EA, Botchway,. SA, Abanyie, & SO, Afram (2015). The Impact of Computer Aided Architectural Design Tools on Architectural Design Education. The Case of KNUST. Architectural Engineering Technology, 1-6. http://dx.doi.org/10.4172/2168-9717.1000145.
27. E. Kalay, Yehuda. (2006). The Impact of Information Technology on design methods, products and practices, Design Studies, 27(3): 357-380, https://doi.org/10.1016/j.destud.2005.11.001
28. Sariyildiz, S. & S. Ozsariyildiz. S. (1998). The future of Architectural Design Practice within ICT developments. omputerised Craftsmanship, eCAADe Conference Proceedings, Paris, September 24-26, http://resolver.tudelft.nl/uuid:87601877-406e-487a-9122-64d91798d4f8.
29. Malaeb, Jamal,& Ma, Wejung. (2019). Artificial Intelligence in Architecture, GENERAL UNDERSTANDING AND PROSPECTIVE STUDIES, i-14.
30. Likai, WEI. (2018). AI Concepts in Architectural Design. IOP Conf. Series: Materials Science and Engineering 392, doi:10.1088/1757-899X/392/6/062016.
31. As, Imdat,. Pal, Siddharth, & Basu, Prithwish (2018). Artificial intelligence in architecture: Generating conceptual design via deep learning. International Journal of Architectural Computing 306– 327. DOI: 10.1177/1478077118800982.
32. Mathias, Markus, Martinovic, Andelo, Weissenberg, Julien, & Van Gool, Luc. (2012). Automatic architectural style recognition. • ISPRS - International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences XXXVIII-5/W16(5):171-176. DOI: 10.5194/isprsarchives-XXXVIII-5-W16-171-2011.
33. Dolnicar, Sara., Grün, Bettina, & Leisch, Friedrich (2018). Step 5: Extracting Segments. Market Segmentation Analysis pp 75-181.https://doi.org/10.1007/978-981-10-8818-6_7.
تبیین مدل نظری چیدمان عناصر نما با بهره گیری از بردار فاصله سنجی در هوش طراحی خودکار نما
چکیده
یادگیری ماشین از مسایل نوظهور در تحقیقات معماری است که به دنبال طراحی و ترسیم نقشه های معماری مانند، پلان و نما با کمک الگوریتم های یادگیری ماشین میباشد. در واقع محققان در زمینه تولید طراحی محاسباتی نمای ساختمان از مدت ها پیش به دنبال رویکردهایی بودندکه بتوانند عامل هوشمند مصنوعی را قادر به مشارکت در ایجاد طرح های معماری نمایند. اما تحقق بخشیدن به چنین هدفی امری بسیار دشوار و سخت است چرا که طراحی نما فرایندی چند بعدی و پیچیده است و حتی انسان نیز امکان دارد در بررسی و حل و پیاده سازی این پیچیدگی ها در طراحی، دچار سردرگمی و مشکل گردد. لذا هدف این پژوهش یافتن پاسخ به این سوال است که تبیین چه مدلی نظری می تواند در نهایت برای چیدمان عناصر سازنده نما از طریق یادگیری ماشین مثمر به ثمر باشد به گونه ای که فرآیند محاسبات لازم برای پیاده سازی این عناصر توسط هوش طراحی خودکار نما با الگوریتم های یادگیری ماشین امکان پذیر گردد. لذا روش پژوهش ترکیبی از مطالعات کتابخانه ای و محاسبات ریاضی و همچنین استفاده از کتب مقررات ملی ساختمان ها در رابطه با نما می باشد که نتیجه یافته های پژوهش نشان داده است که می توان با استفاده از روابط ریاضی اقلیدسی و منهتن به همراه تبدیل داده های نما به بردارهای یکه و همچنین تبدیل داده های مقرارت ملی و استانداردهای طراحی نما به بردارهای عددی، به کمک زبان برنامه نویسی پایتون و الگوریتم دسته بندی نزدیکترین همسایه KNN، ماشین می تواند چیدمان عناصر اصلی نما را از پلان های معماری خوانش و نمای ساختمان های مسکونی را ترسیم نماید.
واژگان کلیدی: طراحی محاسباتی، هوش طراحی خودکار، چیدمان عناصر نما، ساختمان های مسکونی.
زمینه و هدف
در عصر جهانی شدن، معماران در کشورهای در حال توسعه باید همگام و هم راستا با آخرین پیشرفت های فناوری قدم بردارند. امروزه استفاده از نرم افزارهای مختلف در طراحی معماری به دانشجویان، معماران حرفهای و دانشگاهیان آزادی عمل می دهد تا به شیوه ای بهتر و دقیق تر تجسم کنند، امروزه این فناوری ها پیشرفت های زیادی داشته است چرا که نتایج فرآیندهای طراحی پیشرفت های چشمگیری را نشان می دهد که قبل از این امکان پذیر نبوده است [۱].
در اوایل دهه 1960، الكساندر [2] كتابی بسیار تأثیرگذار با عنوان یادداشت هایی درباره سنتز فرم را منتشر كرد. در آن کتاب الكساندر نیاز به عقلانیت را در روند طراحی نقل می كند. او معتقد است، اگر طراحی تعاملی مفهومی بین خواسته های زمینه و ناکافی بودن فرم باشد، ممکن است راهی برای بهبود آن با ایجاد یک تصویر انتزاعی از مسئله وجود داشته باشد، که فقط ویژگی های انتزاعی ساختاری خود را حفظ خواهد کرد. وی به عنوان یک ریاضیدان، نظریه مجموعه ها، تحلیل ساختاری و تئوری الگوریتم ها را به عنوان ابزاری برای پرداختن به مسئله طراحی معرفی کرد. به این صورت که مسائل مربوط به کیفیت را می توان با متغیرهای دودویی نشان داد. در صورت بروز اشتباه، متغیر مقدار 1 را می گیرد. اگر اینگونه نباشد، 0 در هر متغیر باینری مخفف یک نوع ممکن عدم تطابق بین فرم و زمینه است. این رویکرد با انبوهی از تحقیقات مرتبط درمورد این مسئله دنبال شد، با این حال، سهم الکساندر در شروع این بحث بسیار گسترده تر بود. بعلاوه، وی پیشنهاد كرد كه فرآیند طراحی مستلزم تغییر مكرر ذهن (یا تغییر محدودیت ها، از نظر علمی) می باشد و یك سیستم باید اجازه دهد این تغییرات رخ دهد. یکی از زمینه هایی که رایانه می تواند برای یک معمار مفید باشد، تخصیص فضا، یافتن تعداد زیادی از طرح های ممکن در مرحله اولیه مراحل طراحی و انتخاب بهترین مورد برای توسعه بیشتر است. تلاش اولیه سیستمBUILD MIT، بود که می توانست برای توصیف فضاهایی که ممکن است در داخل ساختمان بکاربروند و با نشان دادن ابعاد، ترتیب و مواد آنها، مورد استفاده قرار گیرد . سپس در ادامه کامپیوتر فضاها را مرتب نماید [۱].
در واقع (محققان در زمینه طراحی تولید محاسباتی از مدتها پیش به دنبال رویکردهایی بودند که بتوانند هدف از بالا بردن رایانه را از یک ماشین تهیه کننده گنگ به یک عامل هوشمند مصنوعی که قادر به مشارکت در ایجاد طرح ها به عنوان یک شریک همکاری یا به عنوان طراح اصلی است، تحقق بخشند [3]. این نوع هوش مصنوعی (AI) مبتنی بر عامل را به عنوان توانایی یادگیری و تفسیر تجربه برای رسیدن به اهداف با انطباق تعریف می کنند. تأثیر ایجاد چنین نمایشی می تواند برای رشته معماری تحول آمیز باشد. این نمایندگان به عنوان یک شریک همکاری در فرایند طراحی می توانند به طور چشمگیر زمان کار را کاهش دهند، کیفیت طراحی را بهبود بخشند و با کمک به معماران بتوانند طرح ها را با کارآیی بیشتری کشف کنند. در نقش های مستقل تر، آنها ممکن است نقش معمار را از نو تعریف کنند، زیرا برخی از کارهای طراحی کاملاً خودکار می شوند. اگرچه پیشرفت در این عوامل با هوش مصنوعی محدود بوده است، اما پیشرفت های اخیر در تحقیقات هوش مصنوعی این توانایی را دارند که این رشته را به طور قابل توجهی به عملیاتی شدن نزدیک نمایند [4].
یادگیری ماشینی1 زیر مجموعه ای از هوش مصنوعی است که بر روی توسعه تکنیک ها برای شناخت الگوهای در داده ها متمرکز است [3]. ظهور شبکه های عصبی عمیق2 در زمینه یادگیری ماشینی باعث خودکار شدن وظایف مربوط به شناخت الگوهای کیفی در داده ها شده است. این مدل های عمیق دسته بندی چنان عملکرد خوبی داشته اند که حتی توانسته اند از متخصصان انسانی در زمینه کارهای طبقه بندی به اندازه متناسب با تصویر و تشخیص صدا متفاوت باشند. شبکه های عصبی عمیق علاوه بر وظایف دسته بندی، همچنین قادر به انجام وظایف تولیدی هستند که در آن می توان الگوهای داده را تولید کرد. این "مدل های تولید عمیق" کمتر مورد مطالعه قرار گرفته اند اما به عنوان یک زمینه اصلی در حال ظهور می باشند. یک مدل تولیدی عمیق که نتایج چشمگیر در تولید طرح های دو بعدی و سه بعدی نشان داده است، شبکه های مولد تخاصمی3 است [5]. شبکه های مولد تخاصمی سطح پیشرفته ای را نشان داده اند که با کارهای قبلی در طراحی تولید محاسباتی برابر نیست. توانایی آن ها در یادگیری از نمونه ها و برون یابی این است که یادگیری در ایجاد موارد جدید می تواند بسیاری از بخش های مرتبط با طراحی را تحت تأثیر قرار دهد، اما کاربرد آن ها در معماری فقط در تولید تصاویر دو بعدی به صورت محدود مورد بررسی قرار گرفته است [4]، و هنوز در بخش نما پژوهش های کاربردی زیادی صورت نپذیرفته است.
اما مسئله اصلی در طراحی و ترسیم نمای ساختمان ها چیدمان عناصری مثل کف، سقف، در، پنجره، پله و تراس و سایر عناصر سازنده آن می باشد که شاید نتوان با هر روش و الگوریتمی آن را پیاده سازی نمود. لذا هدف ما در این پژوهش تبیین فرایند چگونگی چیدمان و جانمایی عناصر سازنده نما مطابق پلان مربوطه در طراحی معماری نما ها به کمک یادگیری ماشین می باشد و سعی در یافتن پاسخ این سوال داریم که تبیین چه مدلی نظری می تواند در نهایت برای چیدمان عناصر سازنده نما از طریق یادگیری ماشین مثمر ثمر باشد، چرا که استفاده از تکنولوژی های جدیدی از جمله هوش مصنوعی در فرآیند طراحی نما روش و منطق خواستی را می طلبد که نیاز به کشف و تبیین آن است.
نقش فناوری کامپیوتر: از اتوکد تا هوش مصنوعی در طراحی معماری
در اوایل دهه 1980 معماران شروع به استفاده از کد4 مبتنی بر پی سی5 کردند. پرونده های دی دبیلو جی6 به جای ترسیم های نقاشی وار با مشاوران معمار رد و بدل می شدند. این تحول معطوف به معرفی اتوکد در اوایل دهه 1990 می باشد. در واقع در این روش اشیا و داده هایی مانند؛ درها، دیوارها، پنجره ها، سقف ها و داده های غیر گرافیکی مربوط به یک ساختمان را در یک ساختار منطقی همراه با گرافیک ساختمان ذخیره می نمایند. اما نقطه ضعف این فرآیند چه بود، در واقع سیستم های اتوکد شی گرا ریشه در گرافیک ساختمان دارند که بر پایه اتوکد مبتنی بر گرافیک ساخته شده اند و در نتیجه برای ایجاد و مدیریت اطلاعات مربوط به ساختمان کاملاً بهینه نمی باشند. در ادامه نسل دیگری از راه حل های نرم افزاری طراحی شده که با فناوری روز و برای درک کامل مزایایی که فناوری اطلاعات می تواند برای صنعت ساختمان به همراه داشته باشد، همگام گردید. که این نسل بعدی نرم افزار اطلاعات محور، مدل سازی اطلاعات ساختمان را به جای مدل سازی گرافیک ساختمان، فراهم می نماید[۱]. لذا بیم7 با ایجاد مدل های ساختاری هوشمند و چند بعدی، نمایانگر کوچ در زمینه طراحی معماری از دو بعد به سه بعد است [6]. که از طریق بیم، طراحان می توانند پیش بینی های رایانه ای خود را برای ترکیب اطلاعات واقعی افزایش دهند. بیم یک ساختمان را در هر جنبه از توسعه خود نشان می دهد و ساختمان، طرح و مواد را با جزئیات بیان می نماید. ظرفیت های جاسازی شده بیم، آن را به یک بستر پویا تبدیل نموده است و به صورت چندین گروه در مکان های مختلف امکان کار روی یک پروژه را می دهد [7]. بیم از پایگاه داده های غنی از اطلاعات برای توصیف تقریباً همه جنبه های مربوط به یک ساختار استفاده می نماید.
در واقع سنتز رایانه ای - که تولید راه حل های رسمی طراحی با کمک رایانه ها می باشد، به سال 1963 باز می گردد و نشان می دهد با تغییر زمان، معماران شروع به استفاده از نرم افزارهای پیشرفته می کنند که نه تنها اطلاعات را ذخیره نمایند، بلکه ماشینی شدن را در روند طراحی و ساخت فراهم کنند. انقلاب فناوری رایانه ها کاملاً فرایندهای فکری طراحی معماری را تغییر داده است. انقلاب فناوری نه تنها زمان را کاهش می دهد بلکه با در نظر گرفتن هزینه ها، فرآیند ساخت را نیز مدیریت می نماید. این امر ممکن است در نهایت به بهبود بیشتر وضعیت طراحی و ساخت معماری منجر شود[۱]. امابرای رسیدن به چنین اهداف بلند پروازانه ای باید از به کارگیری تکنولوژی های نوینی همچون هوش مصنوعی در معماری صحبت به میان آورد.
تاثیر هوش مصنوعی در معماری
ابزارها و روش های مورد استفاده معماران همیشه در نحوه طراحی ساختمان تأثیر داشته است. با تغییر در روش های طراحی و رویکردهای جدید نسبت به فرآیند آفرینش و طراحی، آن ها بیش از هر زمان دیگری به عناصر مهم فرآیند آفرینش تبدیل شده اند. ماشینی شدن کار معماران با توابع محاسباتی که بجای ابزارهای طراحی سنتی با کمک رایانه معرفی شده اند، آغاز شده است. امروزه معماران تمایل به استفاده از ابزارهای مشخص متناسب با نیازهای خاص آنها دارند. در برخی موارد، آن ها از هوش مصنوعی استفاده می کنند. علیرغم شباهت های بسیار، مزایا و معایب مختلفی دارند. تغییر در پروسه طراحی امری قابل مشاهده و کشف کردنی است اما قبل از آن راه حل ها غیرقابل مشاهده هستند. تکنیک های ارائه شده باعث می شود راه حل های مکانی جدید هوشمند نسبتاً ساده مبتنی بر الگوریتم هایی ظهور کنند، که بسیاری از آن ها تنها با نرم افزار اختصاصی قابل دستیابی است. رواج روش های زیر در بین معماران، منجر به ایجاد ابزارهای طراحی بصری می شود [8].
در واقع ابزارهای مورد استفاده معماران دائماً در حال پیشرفت هستند. از طرح ها، نقاشی دو بعدی و مدل فیزیکی گرفته تا ایجاد ابزار طراحی پیشرفته اختصاص داده شده به راه حل های خاص را می توان نام برد، در واقع معماران معاصر اغلب از یک سیستم محاسباتی پیشرفته برای ایجاد اشکال پیچیده و بدست آوردن ابزارهایی برای کنترل و تغییر آزادانه آن استفاده می نمایند. با این حال، بیشتر ابزارهای دیجیتال موجود در حال حاضر به دستورات از پیش تعریف شده محدود می شوند. این دامنه محدودیت ابزارها، که در برابر دیدگاه پیچیده طراحان قرار می گیرد، طراحان را ترغیب می کند تا الگوریتم های خود را بر اساس نیاز خود که به زمینه های پروژه طراحی مرتبط است، ایجاد نمایند.
تا کنون بیشتر فرآیندهای طراحی مبتنی بر رویکرد سلسله مراتبی و تقریباً خطی نسبت به روند طراحی است، با این وجود توجه بیشتر و بیشتری به سمت تکنیک های جدیدتر طراحی مبتنی بر رویکرد اکتشافی شده است. با توجه به تغییر در روند طراحی ناپایدار، تکنیک های جدید به ما امکان می دهند فرم و چشم انداز معماری را به روش غیر سلسله مراتبی با رویكردی متفاوت امکان پذیر نماییم. این تغییر نسبت به ایجاد فرم در رویکرد معاصر قابل مشاهده است. طراحان ساختار خود را بر اساس داده های ورودی ارائه شده ایجاد می کنند که می تواند منجر به استفاده از سیستم محاسباتی خودکار پیشرفته شود، نه طراحی بر اساس دیدگاه هنری شخصی و برگرفته از ذهن طراحان باشد. در واقع هر دو روش الگوریتمی و مبتنی بر داده منجر به ایجاد فرایندی می شوند که با طراحی معماری کاملاً سازگار است. ذکر این نکته حائز اهمیت است که همه الگوریتم ها و روش ها باید توسط طراح یا معمار، که مسئول شکل واقعی و کامل معماری است، و بر اساس تجربه و ترجیحات آن می باشد، تبیین گردد [8].
لذا بررسی انجام شده نشان میدهد روش های معاصر منجر به استفاده از سیستم های طراحی خودکار خواهد شد که بر اساس الگوریتم های هوش مصنوعی خواهند بود. در واقع می توان گفت "دستیابی به اهداف پیچیده در محیط های پیچیده" توصیفی بسیار دقیق از هوش مصنوعی در فرآیندهای طراحی است [9]. که میتواند موجب، تقویت مجموعه ابزار طراحی معماری، در فرایند بهینه سازی، طراحی مبتنی بر رفتار و رویکرد یادگیری ماشین تحت نظارت باشد.
طراحی معماری و یادگیری ماشین
محاسبات در طراحی معماری مبتنی بر خودکارسازی است. تمام نرم افزارهای طراحی ابزارهای خودکار مختلفی را ارائه می دهند که از روند خلاقیت پشتیبانی می کنند. از نظر طراحی خودکار رایانه ای، یکی از مواردی که به طراحان کمک می نماید تا طرح خود را بررسی کند، استفاده از اسکریپت نویسی بصری است. این روش به کاربر امکان می دهد الگوریتم های خود را با استفاده از زبان برنامه نویسی سطح بالا یا تکنیک های اسکریپت نویسی بصری به اجرا در آورد. در واقع هیچ سیستم دیگری برای ایجاد و طراحی ابزار متناسب با نیازها و عادت طراحان، چنین سطحی از کنترل و امکان را به طراحان نمی دهد. سیستم های طراحی خودکار معمولاً در معماری معاصر مورد استفاده قرار می گیرند، زیرا این پتانسیل برای افزایش بهره وری و آزادی اصلاح حتی در اکثر محیط های پیچیده با توسعه ابزارهای سفارشی و موضوعی را می دهند. این رویکرد باعث گردیده تا استراتژی های طراحی الگوریتمی و مجموعه ابزارهای معماری محاسباتی به سمت رویکرد هوش مصنوعی حرکت نمایند تا بتوانند از پتانسیل های الگوریتم های تکاملی، هوش جمعی، شبکه عصبی، یادگیری ماشین بهره برده و آن را به یکی از امیدوار کننده ترین روش های طراحی محاسباتی تبدیل نمایند [10]. مطابق قانون مور، در سال های اخیر با کاهش هزینه عملیات محاسباتی، فرآیند محاسبات سرعت بیشتری گرفته و افزایش مداوم توان محاسباتی موجب پیش بینی بهتر گردیده است [11]. این تاثیر را می توان در برنامه یادگیری ماشین با برنامه نویسی به صورت روزمره یافت [12]. با این حال، هنوز هم در زمینه ابزار طراحی معماری محدودیت هایی است. اما یکی از متداول ترین روش ها، شبکه های عصبی مصنوعی می باشد که یک رویکرد هوش مصنوعی است که در اصل از شبکه های عصبی بیولوژیکی الهام گرفته شده، این سیستم امکان آموزش شبکه های عصبی مصنوعی را بر اساس مثال های ارائه شده (مجموعه پایگاه داده قابل آموزش) به صورت پارامترهای ورودی و مقادیر خروجی متناظر، در طی فرایند یادگیری تحت نظارت فراهم می نماید [13]. در واقع باید بیان نمود که یادگیری ماشین از داده های معماری به چندین روش و با کمک انواع الگوریتم های موجود در دانش هوش مصنوعی امکان پذیر می باشد.
محاسبات به کمک رایانه
ما می توانیم بسیاری از اشکال مختلف رویکرد هوش مصنوعی را که در فرایندهای طراحی استفاده می شود، تشخیص دهیم. از خودکارسازی با سطح خودمختاری پایین، تا ازدحام هوش و شبکه عصبی که می تواند به استقلال بالایی دست یابد. با این وجود، همه آنها راهی جدید برای ایجاد فرم معماری معرفی می کنند. که اغلب منجر به اثرات فضایی جدیدی خواهد شد. اما با توجه به پیچیدگی فرآیند طراحی معماری و تعداد زیادی از مستندات ایجاد شده به دلیل ویژگی فرآیند ساخت، سیستم های مدیریت پروژه پیشرفته، یکپارچه و مبتنی بر داده باید همزمان با توسعه هوش مصنوعی در فرآیند طراحی، تولید شوند. تا برای دستیابی به بهترین نتیجه طراحی محاسباتی این امکان فراهم گردد. در واقع طراحی معماری باید به عنوان یک فرآیند پردازش داده در نظر گرفته شود. چرا که در آینده، سیستم ها باید بر اساس داده های ساختاریافته فعالیت نمایند[8]. لذا وقتی فرآیند معماری به فرآیند پردازش داده تبدیل گردد، معماران معاصر نیاز دارند از انواع مختلف ابزارهای طراحی استفاده نمایند. در واقع انتخاب آن ها براساس تجربه، ترجیحات، عملکرد و کار خاص انجام می گیرد. بنابراین بسیاری از ابزارهای اساسی طراحی اولیه که به کمک رایانه امروزه استفاده می شوند قادر به تامین نیازهای طراحی معماری معاصر نخواهند بود، و نیاز به ابزارهای پیچیده تر با بهره وری بالاتر در ایجاد اشکال پیچیده یک ضرورت خواهد بود.
در طی سال های متمادی ابزارهای طراحی بررسی شده بر اساس دو سیستم نمادین و سیستم های زیر نمادین طبقه بندی گردیده است. سیستم های نمادین در اشکال الگوریتم های سلسله مراتبی ایجاد شده اند، جایی که به دلیل پارامترهای انتخاب شده فرم ها یا روابط ایجاد می شوند. در حالی که در سیستم های زیر نمادی وابستگی سیال تر است و بنابراین راه حل های کمتری انتظار می رود. اما نتایج نشان می دهد هوش مصنوعی می تواند در بسیاری از ابزارهای مختلف طراحی معماری وارد می شود. از خودکارسازی فرآیندها و بینایی رایانه گرفته تا شبکه عصبی پیشرفته و هوش ازدحامی که این امر منجر به ایجاد اشکال جدید فضایی خواهد شد. بنابراین قطعاً می توانیم استدلال کنیم که هوش مصنوعی توانایی ایجاد تغییرات وسیع در رشته معماری را دارد و به آن فرصت ها و مسیرهای جدیدی برای کاوش ارائه خواهند نمود. مثلاً سیستم های طراحی پیشرفته می توانند سبک و روش را بر اساس پروژه های خاص معماری بیاموزند. با این وجود، نقش معمار هنوز به دلیل مسئولیت وی در انتخاب مناسب ترین راه حل از بین محاسبات صورت گرفته و روش های ارائه شده، بسیار مهم است. انتظار نمی رود که در آینده نزدیک سیستم به عنوان طراح جایگزین معمار شود. نه تنها به دلیل پیچیدگی فرآیند معماری، بلکه همچنین به دلیل نیازهای مداوم در حال تغییر و آرزوهای ما برای ایجاد و کنترل محیط است [8].
تأثیر یادگیری ماشین در معماری
معماری همیشه پیشرفت های فنی در زمینه های دیگر را دنبال کرده است. به عنوان نمونه، در دهه های گذشته، زمینه محاسبات چهره عملی معماری را تغییر داد، در واقع در دهه های گذشته، پیشرفت های محاسباتی شیوه طراحی معماران را تغییر داد. محاسبات، انقلابی در معماری ایجاد کرد و امروزه رویکردهای محاسباتی کاملاً در عمل معماری جانمایی شده است. این انقلاب توسط پیشرفت های اخیر در زمینه یادگیری ماشین صورت گرفته است[14]. و قبلاً بسیاری از زمینه ها را تحت تأثیر قرار داده است، از جمله پزشکی [15] ، فیزیک [16] و امور مالی [17]، و با توجه به پیشرفت های اخیر این حوزه جدید، انتظار می رود که معماری رویکردهای مبتنی بر یادگیری ماشین را اتخاذ کند. با این حال، هنوز مشخص نیست که این تصمیم تا چه اندازه می تواند، روش های معماری را تغییر دهد و برای پیش بینی این تغییر لازم است که مبانی یادگیری ماشین و تأثیر آن در سایر دانش های مشابه معماری بررسی و ادارک شود.
یادگیری ماشین شاخه ای غیر نمادین از هوش مصنوعی است که بر اساس آمار محاسباتی و رویه های بهینه سازی، تکنیک های یادگیری خودکارسازی را برای حل مشکلات یا انجام وظایف خاص کشف می کند. برخلاف رویکردهای نمادینِ هوش مصنوعی، رویکردهای غیر نمادین در ساخت سیستم های محاسباتی تلاش می کنند تا برای انجام وظیفه نیازی به برنامه ریزی نداشته باشند. به طور خاص، یادگیری ماشین مدل های ریاضی داده های نمونه گیری شده را مورد ارزیابی قرار می دهد که این داده ها، معروف به داده های آموزشی می باشند و با ارزیابی پارامترهای خود، می تواند بهبودی تدریجی عملکرد خود در کارها را بدون مداخله انسانی انجام دهد[18].
تأثیر یادگیری ماشین در طراحی معماری
تحقیقات فعلی، برخی از کاربردهای یادگیری ماشین در معماری را نشان می دهد[8] [19]، و چندین مورد از برنامه های پیشنهادی، بهبود ابزارهای طراحی موجود را با استفاده از یادگیری ماشین پیشنهاد میکنند تا فرآیند طراحی کارآمدتر و آگاهانه تر میسر گردد. در حقیقت، یادگیری ماشین پتانسیل زیادی برای افزایش روند طراحی نشان می دهد، زیرا برخی از الگوریتم های یادگیری آن شبیه فرآیندهای استدلال است که اغلب توسط معماران انجام می شود [20] مانند؛ استدلال ربایشی که نوعی استنتاج منطقی بر اساس مشاهده و استنباط از محتمل ترین توضیح آنچه مشاهده شده است [21]، استدلال ربایشی در طراحی روش مكرر بازنمایی طرح ها قبل از اجرای آنها را توضیح می دهد، یعنی بر اساس مشاهدات و تجربه، معماران هر عنصری را كه هدف اولیه را برآورده كند انتخاب می كنند [20].
نقش رایانه برای توسعه الگوهای ریاضی
علوم رایانه ای کاربردی، طی سال های گذشته بسیار پیشرفت کرده است و ما نمی توانیم پیش بینی کنیم که همه این ها ما را به کجا می رساند. با این حال، جای سوال نیست که چنین توسعه ای عواقبی نیز بر معماری داشته باشد. در سال های اخیر رویکرد معماران به ابزارهای دیجیتال تغییر کرده است تا آنجا که آن ها اکنون قادر به ساختن ابزارهای خود و تولید اسکریپت ها و الگوریتم های ریاضی هستند که هندسه پروژه را ایجاد می نماید. در واقع تاکنون گرافیک رایانه ای و هندسه محاسباتی نقشی اساسی در معماری ایفا نموده اند و به گسترش هندسه فراکتال و اشکال پیچیده کمک کرده اند. در واقع در عصر حاضر، استفاده از "اسکریپت نویسی" به معماران این امکان را داده است که از صرف استفاده از نرم افزار فراتر رفته و در برنامه نویسی ابتکار عمل به خرج بدهند. به گفتهTerzidis ، معماران از "برنامه ریزی معماری" به " برنامه نویسی معماری" تغییر جهت داده اند [24].
به طور خلاصه، برنامه نویسی یا ریاضیات نحوه طراحی را به ما نمی آموزند، اما مطمئناً می توانند به ما در بهبود شیوه طراحی کمک نمایند. رشته ریاضیات متعلق به علوم سخت است و علوم سخت پیش بینی هایی را در تولید انجام می دهند که به طور کلی قابل آزمایش هستند و بر اساس عملکرد و نتایج آزمایش ها کاملاً قابل کنترل می باشند و علاوه بر این آن ها به کمی سازی داده ها و مدل های ریاضی متکی هستند، بنابراین اعتقاد بر این است که درجه بالاتری از دقت و عینیت را دارا میباشند. در همین حال، علوم انسانی از جمله معماری که شبه علمی محسوب می شود ذهنی، فاقد قابلیت آزمایش در ارائه داده های قابل تأیید می باشد که علوم نرم را از سایر دانش ها کاملاً متفاوت میکند و اغلب با منطق متفاوت از روش علمی قابل بیان است [23]. در همین رابطه بیش از دو دهه پیش، ماریو سالوادوری، ریاضیدان و مهندس مشهور ایتالیایی در سخنرانی خود به اعضای یکی از کنفرانس ها که به بررسی روابط بین علم ریاضیات و هنر معماری می پرداخت، در مورد پیگیری خود برای جستجو روابط بین "علمی به اندازه ریاضیات انتزاعی و هنری مانند؛ معماری عینی" و قلمروهای آن ها که "از نظر تئوری غیرقابل تصور" است میگفت. با این حال، پس از برخی تجدید نظر ها در هنگام بحث در مورد این موضوع، وی بیان می دارد كه امكان ارتباط ریاضیات و معماری را در ذهن خود به تدریج امکان پذیر یافته است، و آن را به عنوان یك فن دانسته است تا جایی که نقش ریاضیات را آنقدر پر رنگ بیان نموده که اگر ریاضیات اختراع نمی شد، معماران خود مجبور بودند آن را ابداع نمایند [25].
پیشینه پژوهش
'Role of Computer’s Technology: Architectural Design' پژوهشی است که توسط Khan و همکاران (2018) انجام شده و نتایج آن بیان میکند معماران در کشورهای در حال توسعه باید همگام با آخرین پیشرفت های فناوری و محاسبات باشند و استفاده از نرم افزارهای مختلف در طراحی معماری به معماران آزادی عمل می دهد تا بتوانند به شیوه ای بهتر و دقیق تری تجسم کنند[۱]. همچنین Botchway و همکارانش (2015) در پژوهش دیگری با عنوان 'The Impact of Computer Aided Architectural Design Tools on Architectural Design Education The Case of KNUST' در ارتباط با تاثیر تکنولوژی و نرم افزار ها از جمله اتوکد و بیم بر آموزش و فرآیندِ گذار از روش های سنتی آموزش به روش های مدرن در آموزش معماری بحث میکنند و نتایج آن نشان از تاثیر مثبت و زیاد ادغام روشهای جدید با روشهای سنتی در آموزش معماری دارد [26]. David (2019) در پژوهشی با عنوان 'Generative Deep Learning in Architectural Design' سعی دارد GAN به عنوان مولد عمیق، را برای انجام وظایف طراحی معماری (دو بعدی و سه بعدی) به عنوان ابزار طراحی و برطرف کننده محدودیت های موجود در طراحی معماری به کار بگیرد [4]. Yehuda (2006) در پژوهش دیگری با عنوان 'The Impact of Information Technology on Architectural Education in the 21st Century' معماری را با فناوری مرتبط دانسته و بیان میدارد از فناوری هم در فرآیند طراحی و هم در محصول معماری میتوان استفاده نمود و فن آوری باعث تغییر در رشته معماری می شود. و اهمیت فناوری برای این رشته و عملکرد معماری بارها در طول تاریخ نشان داده شده است و بیان میکند در قرن بیست و یکم ، ظهور طراحی به کمک رایانه ، ساخت و ساز خودکار، ساختمانهای هوشمند و مکانهای مجازی، نوید پیشرفتهای فن آوری و تاثیرات آن بر فرآیندهای طراحی معماری را میدهد [27]. در رابطه با استفاده معماران از ساختارها و الگوهای ریاضی Carmelo (2013) پژوهشی با عنوان 'Connections Between Architectural Design and Mathematical Patterns' که در رابطه با استفاده معماران از ساختارها و الگوهای ریاضی میپردازد و به بررسی چگونگی استفاده معماران از فرصتهای ارائه شده توسط ریاضیات و سهم مربوطه به آنها در پیشرفت ریاضیات بحث میکند [23]. Almantas (2019) در این راستا پژوهش The Lost Connection':'Architecture, City and Mathematics در رابطه با ارتباط معماری با ریاضیات از زمان ظهور تمدن کلاسیک و توسعه آن تاکنون در جهان غرب صحبت میکند و ریشه های کاربرد ریاضیات و هندسه را در طراحی شهرک های شهری و طراحی شهری اولیه میداند [22]. و در ارتباط با جایگاه شغلی معماران در اینده Sariyildiz و Ozsariyildiz (1998) پژوهشی با عنوان The future of Architectural Design Practice within ICT developments' انجام شده که تاثیر ICT یا فناوری ارتباطات و اطلاعات، در جایگاه طراح و آینده طراح و چشم اندازهای آینده یک معمار به عنوان یک حرفه و جایگاه معمار در کل روند طراحی بیان میکند و سرانجام تأثیر این تغییرات در آموزش معماری را بیان میدارد [28]. همچنین Jan و Kacper (2018) پژوهش دیگری با عنوان 'Artificial Intelligence Aided Architectural Design' در ارتباط با تاثیر ابزار ها در معماری و اینکه با تغییر در ابزار، رویکرد های جدید بروز مینمایند و ظهور توابع محاسباتی با رایانه ها و تمایل به استفاده ابزارهایی متناسب با نیاز آنها از جمله هوش مصنوعی و تغییر در روند طراحی را مورد بحث قرار داده است و نتایج آن بیان میکند که روش هوش مصنوعی و استفاده از الگوریتم به عنوان یک ابزار طراحی عمومی بین معماران رواج میابد [8]. در این راستا Garcia Belém و همکاران (2019) در مقاله ای با عنوان 'On the Impact of Machine Learning Architecture without Architects' در ارتباط با همگام بودن معماری با پیشرفت های روز و تاثیر محاسبات در معماری بحث میکنند و لزوم همگام شدن معماری بر پایه ml (یادگیری ماشین) را پیشنهاد میدهد و سعی در پیش بینی آینده حرفه ای معماری دارد [14]. همچنین Malaebو Ma (2019) در پژوهش 'Artificial Intelligence in Architecture' بیان میدارد که رایانه های اولیه به عنوان ماشین های منطقی یا مغزهای مکانیکی تصور می شدند که دارای توانایی های انسانی مانند حساب کردن و حافظه بودند و به دلیل پیشرفت سریع فناوری و پس از درک بیشتر نحوه کارکرد ذهن انسان، مفهوم هوش مصنوعی تغییر کرد. تا جاییکه به جای انجام محاسبات پیچیده رسید و هوش مصنوعی اکنون بر تقلید از رفتار انسان تمرکز دارد. و نتایج آن نشان میدهد در حال حاضر تلاش های مختلفی برای ورود فن آوری های هوشمند مصنوعی به حوزه معماری (طراحی ، مدیریت ، ساخت و ساز، برنامه ریزی شهری و غیره) انجام شده است [29]. و در این راستا Likai (2018) در پژوهش 'AI Concepts in Architectural Design' بیان میکند هوش مصنوعی (AI) تقریباً در همه زمینه ها نفوذ می کند، و نیز نقش مهمی در زمینه معماری دارد و با تکیه بر سه مکتب هوش مصنوعی، با هدف ایجاد یک سیستم تفکر برای درک تلاقی میان هوش مصنوعی و طراحی معماری، یک مدل AID از طراحی هوشمند معماری را پیشنهاد می کند [30]. از طرفی Imdat (2018) در تحقیق 'Artificial intelligence in architecture': Generating conceptual design via deep learning بیان میکندکه هوش مصنوعی و به ویژه یادگیری ماشین، زمینه ای است که به سرعت در حال ظهور است. و تحقیقات باید در مورد هوش مصنوعی متمرکز شوند و از الگوریتم شبکه های عصبی برای تولید طرح های کاملاً جدید و منحصر به فرد استفاده کرده است[31] و Dolnicar و همکاران (2012) در پژوهش'Automatic architectural style recognition' ، تشخيص خودکار سبک معماری را مورد مطالعه و بررسی قرار داده که هدف اين مقاله پيشنهاد الگوريتمی است که از تصاوير نما به صورت خودکار سبک ها را دسته بندی نمايد و نتيجه حاصل ارائه سيستمی برای شناخت خودکار سبک معماری ميباشد [32].
در این راستا برآنیم تا در این پژوهش گام اولیه در جهت هوشمند سازی فرآیند طراحی براساس الگوریتم و کدنویسی و برقراری ارتباط بین طراحی و منطق و محاسبات ریاضی را برداریم و در پژوهش های بعدی آن را ارتقا دهیم لذا در گام اول در این پژوهش سعی در تبیین فرآیند یادگیری ماشین برای خوانش پلان در جهت چیدمان و جانمایی عناصر سازنده نمای ساختمان داریم. تا به این ترتیب هم فرآیند طراحی با کیفیت تر و سریع تر گردد هم طراحی معماری با پشتوانه علمی و نه صرفا سلیقه و احساس صورت گیرد و هم دانش لازم در فرآیند طراحی نما مدیریت، حفظ و منتقل گردد.
روش پژوهش
این پژوهش بر اساس روش های کمی و فرمول های متداول و اثبات شده ریاضی صورت گرفته است. محاسبات انجام شده در جهت اثبات روش های جاگذاری عناصر اصلی نمای ساختمان های مسکونی می باشد در واقع در این روش نمای اصلی ساختمان به مثابه یک مختصات دو بعدی دکارتی تشبیه گردیده است و هوش طراحی خودکار باید بتواند از طریق رابطه ریاضی که روش های فاصله سنجی می باشد عناصر اصلی نما را که شامل ( درها، پنجره ها، نرده ها و غیره) میباشد در این فضای مختصات دکارتی نقطه یابی و جاگذاری نماید، این جا گذاری بر اساس دو برداری است که یکی از طریق طراحی خودکار پلان صورت گرفته است یعنی عناصر اصلی نما به صورت بردارهایی که دارای مختصات قرارگیری این عناصر می باشند توسط ماشین یادگیری می شود و دومی ضوابط و استاندارد های مقرارت ملی می باشد که در ادامه توسط الگوریتم های مخصوص خوانش بردارها پیاده سازی می گردند و هوش طراحی نما باید بتواند بردارهای مربوط به پلان و ضوابط طراحی نما را خوانده و به کمک فرمول های اقلیدسی و منهتن در نمای اصلی ساختمان از طریق دستور زبان ویژه پایتون جاگذاری نماید تا نمای ساختمان مسکونی بر اساس طرح پلان، به صورت خودکار تقسیم گردد. در ادامه تعاریف و فرمول رابطه فاصله سنجی منهتن و اقلیدسی را مشاهده می نماییم.
:(Euclidean distance فاصله اقلیدسی (
فاصله اقلیدسی متداول ترین معیار فاصله است که در تحلیل تقسیم بازار استفاده می شود. فاصله اقلیدسی مربوط به فاصله مستقیم "مستقیم" بین دو نقطه (x,y) در فضای دو بعدی است ، همانطور که در شکل 1 نشان داده شده است.
d(x, y)=
شکل1: نمایش فاصله یابی اقلیدسی Figure 1: Euclidean distance representation
فاصله منهتن(Manhattan distance):
فاصله منهتن نام خود را از این واقعیت گرفته است که فرض می کند برای رسیدن از یک نقطه به نقطه دیگر باید از خیابان های شبکه ای استفاده شود (مانند منهتن) فاصله بین دو نقطه (x,y) را ایجاد می کند. فاصله منهتن در شکل 2 نشان داده شده است. فاصله اقلیدسی و منهتن از همه ابعاد بردارهای x و y استفاده می کنند [33].
d(x, y)=
شکل2: نمایش فاصله یابی منهتن Figure 2: Manhattan distance display
تحلیل یافته ها
برای کاهش پیچیدگی و اعمال محدودیت های لازم، این پژوهش براساس حداقل و حداکثر (عرض و ارتفاع) نمای ساختمان های مسکونی متداول شهر تهران صورت گرفته است، یعنی ساختار فرآیند چیدمان عناصر سازنده نما در هوش طراحی خودکار نمای ساختمان های مسکونی براساس ماتریسی از حداقل و حداکثرهای متداول در نماهای شهری می باشد. این ماتریس را می توان در جدول 1 مشاهده نمود که محور X آن اطلاعات عرض نماها و محور Y تعداد طبقات و ارتفاع نماها را نشان می دهد، البته الگوریتم توانایی خوانش و طراحی بازه های بیشتر و اعداد غیر رند را نیز دارد این ماتریس صرفاً تجسمی از بازه های متداول در طراحی نمای ساختمان های شهری را بیان می دارد.
جدول1: ماتریس عرض و ارتفاع و تعداد طبقات نما Table 1: Matrix of width and height and number of facade floors
نمای یک ساختمان مسکونی یک طبقه براساس شکل 3 از عناصر و ساختاری ساده که در واقع متشکل از اشکال مربع و مستطیل می باشند ساخته شده است. خطوط انتقال عناصر نما که از پلان معماری ترسیم گردیده در واقع در حال انتقال اطلاعات نمای ساختمان می باشد (مانند فرآیند ترسیم نما توسط انسان) و این نقاط در دستگاه مختصات نمایانگر اعدادی خواهند بود که نشان دهنده مختصات قرارگیری عناصر نما هستند. اکنون می توان به واسطه زبان برنامه نویسی تمام این نقاط را به بردارهای عددی تبدیل و لیستی از آن ها را تهیه و به الگوریتم های خوانش بردارها آموزش داد تا این بردارها را بتوانند در دستگاه مختصات نقطه یابی و پیاده سازی نمایند.
شکل3: نمایش نقاط و مختصات عناصر کرسی چینی، جداره اصلی نما و جان پناه در نمای یک ساختمان مسکونی یک طبقه.
Figure 3: Showing the points and coordinates of the elements of the sleeper wall, the main wall of the facade and the parapet in the facade of a one-story residential building
الگوریتم ابتدا نقاط را براساس بردار خوانش و سپس برای پیاده سازی نقاط بر روی محور مختصات ابتدا از نقطه (0،0) دستگاه مختصات شروع به حرکت می نماید. برای این امر الگوریتم باید فاصله هر نقطه را براساس جدول 2 در دستگاه مختصات از طریق فرمول های فاصله یابی اقلیدسی و منهتن محاسبه و نقاط جدید را در آن پیاده سازی نماید و ترکیب هر چهار نقطه در نهایت به یک عنصر نمای ساختمان بدل خواهد شد و بدین ترتیب عناصر نما به وسیله الگوریتم چیده خواهد شد. شکل 3 و جدول 2 نشان دهنده نقاط و مختصات عناصر اولیه در نمای یک ساختمان مسکونی 1 طبقه می باشد.
در اینجا بردار V1 به عنوان عنصر کرسی چینی در فرآیند طراحی نما توسط هوش طراحی مختصات یابی و ترسیم می گردد و بردار V2 به عنوان جداره اصلی نما که عناصری مانند؛ پنجره، در و سایر را دارد در فرآیند طراحی پیاده سازی خواهد نمود و بردار V3 عنصر جان پناه را نشان خواهد داد.
جدول2: محاسبه فاصله نقاط عناصر کرسی چینی، جداره اصلی نما و جان پناه با فرمول فاصله یابی اقلیدسی و منهتن
Table 2: Calculation of the distance between Coordinates of points of the sleeper wall, the main wall of the facade and the parapet with the formula of Euclidean and Manhattan distance
| Coordinates of points of objects | Data objects Xj | Data objects Yj | Objects distance | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
v1
| A(0,0), C(10,0.36) | X1=0 | X2=10 | Y1=0 | Y2=0.36 | d Euclidean = d Manhattan = | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
B(0,0.36),D(10,0) | X3=0 | X4=10 | Y3=0.36 | Y4=0 | d Euclidean = d Manhattan = | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
V2
| B(0,0.36), F( 10,3.60) | X1=0 | X2=10 | Y1=0.36 | Y2=3.60 | d Euclidean = d Manhattan = | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
E(0,3.36),C(10,0.36) | X3=0 | X4=10 | Y3=3.36 | Y4=0.36 | d Euclidean = d Manhattan = | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
V3
| E(0,3.36),H( 10,4.70) | X1=0 | X2=10 | Y1=3.36 | Y2=4.70 | d Euclidean = d Manhattan = | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
G(0,4.70), F(10,3.60) | X3=0 | X4=10 | Y3=4.70 | Y4=3.60 | d Euclidean = d Manhattan =
شکل4: نمایش نقاط و مختصات عناصر پله ، تراس و نرده در نمای یک ساختمان مسکونی یک طبقه Figure 4: Showing the points and coordinates of the elements of stairs, terraces and stair rod in the facade of a one-story residential building جدول3: محاسبه فاصله نقاط عناصر عناصر پله ، تراس و نرده با فرمول فاصله یابی اقلیدسی و منهتن Table 3: Calculation of the distance between Coordinates of points of the stairs, terraces and stair rod with the formula of Euclidean and Manhattan distance
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
