Abstract:
پژوهش حاضر، با تأکید بر قابلیت هوش مصنوعی در پیشبینی پارامترهای پایداری محیطی، به مطالعه فرآیند استفاده از الگوریتم شبکه عصبی مصنوعی در پیشبینی میزان انرژی تابشی دریافتی در یک بافت شهری میپردازد. در این راستا ابتدا مجموعه دادههای آموزشی از طریق فرآیندهای قاعده محور تهیه میشود و سپس با استفاده از فرآیند دادهمحور، سه شبکه عصبی مصنوعی آموزش داده شده و سه تابع برازش جداگانه برای آن تقریب زده میشود. این توابع بر اساس سه ساختار متفاوت از شبکههای عصبی مصنوعی تنظیم شدهاند. در پایان با مقایسه میزان خطای هر مدل، مقادیر پیشبینی شده نیز مورد بررسی قرار میگیرد و تأثیر ساختار شبکه عصبی در پاسخهای به دست آمده، تحلیل میشود. مدل ارائه شده این پژوهش قابلیت تعمیم پذیری به سایر مسألههای مشابه پیشبینی پارامترهای پایداری محیطی را دارد و دو کاربرد اساسی برای این مدلها وجود دارد. ابتدا امکان محاسبه دقیق و بدون نیاز به محاسبات سنگین را ایجاد میکند و دوم در شبیهسازیهای پیچیده با در اختیار داشتن پارامترهای مستقل و وابسته و بدون نیاز به مطالعه قواعد و قوانین حاکم، قابلیت تخمین تابع را دارد و میتواند پارامتر پایداری مد نظر را با دقت بالا پیشبینی کند.
This research is to study the capabilities of artificial neural network (ANN) for predicting solar radiance in an urban context in order to materialize the concept of high-performance architecture. Literature review of the research implies that artificial intelligence (AI) is going to be a new emerging tool to contribute to high-performance architecture, as well as a way of thinking for a significant paradigm shift in environmental sustainability. In the first step, a rule-based method is applied to generate the dataset. In the next step, three different ANN models with different architectures are defined. These models are trained with the generated dataset and regarding the defined algorithm architecture, different results are predicted. The results indicate the precision of each model in predicting the amount of received solar radiation in a new sample location. Finally, these results are compared and the best ANN architecture is selected. The proposed model in this research could be generalized to other similar simulations and it has two main applications. First, it could predict the target parameter instantly without intensive computation. Secondly, it could fit a function for simulating a sustainable parameter only with the given input and output dataset and without needing to know any specific rules for the simulation. The results conclude that AI might be introduced as a comprehensive methodology for sustainable design in contemporary architecture. However, the research shows capability of ANN for outlining and predicting environmental sustainable parameters particularly.
Machine summary:
در این راستا ابتدا مجموعه دادههای آموزشی از طریق فرآیندهای قاعده محور تهیه میشود و سپس با استفاده از فرآیند دادهمحور، سه شبکه عصبی مصنوعی آموزش داده شده و سه تابع برازش جداگانه برای آن تقریب زده میشود.
پس از تهیه دادههای مورد نظر، شبکه عصبی مصنوعی میتواند با دریافت پارامترهای متغیر و پاسخ تابش دریافتی هر حالت، یک تابع و فرمول غیر خطی برای آن محاسبه کند و برای نقاط جدید موجود در سایت، بدون نیاز به برداشت محیطی یا شبیهسازی نرمافزاری در زمانی کمتر از یک ثانیه و با دقت بالا پاسخ را ارائه دهد.
در پژوهش حاضر، ابتدا مجموعه دادههای آموزشی شبکه عصبی مصنوعی که میزان تابش دریافتی در بافت شهری است با استفاده از روش شبیهسازی نرمافزاری تهیه میشود.
پی نوشت 1 Data-driven process 2 Training Dataset 3 Surrogate Modelling 4 Local coordinates 5 Dataset 6 Training Dataset 7 Validation Dataset 8 Test Dataset 9 Number of Layers 10 Number of neurons 11 Fine tuning 12 Deep Blue 13 IBM 14 Giebel 15 Jayaraj 16 Recurrent Neural Networks (RNN) 17 Wong 18 Fitness Landscape 19 Machine Learning 20 Supervised Learning 21 Unsupervised Learning 22 Iterative 23 Epoch 24 Hyper-parameter 25 Gradient based optimization 26 Overfitting 27 Under fitting 28 Fine tuning 29 Fully connected 30 Activation Function 31 Bias 32 Relu 33 Dataset 34 Solar Radiation (Insolation) 35 Rhinoceros Software 36 Grasshopper3D 37 Ladybug and Honeybee 38 Tensor Flow 39 Keras 40 Python 41 Holdout method 42 Batch size 43 Iteration 44 Manifold منابع Ansett, M.