Abstract:
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.
Space layout designs have always played a crucial role in the early stages of architectural design. This layout representation implies its topological and geometrical constraints which are the resultant of some subjective and objective agents. These subjective and objective agents are hidden semantics that is embedded in the layouts. In the last few decades, the scholars have proposed several algorithmic methods to solve the space layout design problem. However, defining the function of the layout design have always been the challenging part. In this paper, artificial intelligence data-driven methods are applied to generate synthetic layout design. Instead of using a rule-based optimization model a data-driven prediction modelling approach is applied. Specifically, a conditional generative adversarial network is trained with the prepared dataset. Since the innovation of generative adversarial networks(GAN) with Ian Goodfellow’s influential paper in 2014, different branches of GANs for solving different problems have emerged. Conditional generative adversarial networks (cGAN) is one of the main streams. In this research, cGAN is trained with a specific dataset which could be used for predicting the probability of space allocation in a given boundary. This generated layout could be helpful in the early stage of an architectural design. For this task, a specific training dataset is generated which is used to train a cGAN model. The training dataset consists of 300 existing apartment layouts which are coloured in four different sets of low feature representations. The cGAN model is trained with each of these datasets and the four trained models are evaluated based on the quality of their generated layouts regarding the five pre-defined benchmarks.