Deep reinforcement learning for urban modeling: Morphogenesis simulation of self-organized settlements
Derin pekiştirmeli öğrenme ile kentsel modelleme: Kendiliğinden örgütlenen yerleşimlerin morfogenez simülasyonu
- Tez No: 830384
- Danışmanlar: Assoc. Prof. Dr. BURCU ŞENYAPILI ÖZCAN, Dr. YİĞİT ACAR
- Tez Türü: Yüksek Lisans
- Konular: Mimarlık, Şehircilik ve Bölge Planlama, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Architecture, Urban and Regional Planning, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mimarlık, Planlama ve Tasarım Ana Bilim Dalı
- Bilim Dalı: Mimari ve Kentsel Enformatik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kendiliğinden örgütlenen kentsel büyüme modları, yüksek kaliteli kentsel alanlar üretme, uygun fiyatlı konut sağlama ve şehirler içinde ekonomik fırsatlara daha geniş erişim sağlama gibi potansiyelleri barındırır. Bu tip yerleşimler, ve tabandan yukarı örgütlenen tasarım süreçleri kısıtlı alanda ve özellikle eğimli arazilerde, çevresel etmenler açısından da verimli çözümler sunar. Bu tip doğrusal olmayan, karmaşık ve dinamik sıralı kentsel toplama süreçlerinin modellenmesi, uyarlanabilir, sıralı kararlar almayı gerektirir. Bu çalışmada, belirli performans hedeflerini en üst düzeye çıkaran kendiliğinden örgütlenmiş yerleşimler oluşturmak için derin pekiştirmeli öğrenme (Deep Reinforcement Learning: DRL) yaklaşımı önerilir. Bu yaklaşım kapsamında, kendiliğinden örgütlenen yerleşimlerin morfogenez problemini simüle edecek tekil ajanlara dayalı (single-agent) bir pekiştirmeli öğrenme (Reinforcement Learning: RL) çerçevesi önerilmiştir. Önerilen çerçeve, iki hücresel otomata temelli kentsel büyüme modeline dayanan üç ortam geliştirilerek, derin Q-öğrenme (DQN) ve Proksimal Politika Optimizasyonu (Proximal Policy Optimization: PPO) algoritmaları kullanılarak, RL ajanlarının eğitilmesiyle ve bu ortamlardaki performans metriklerine dayalı sıralı kentsel oluşum politikaları üretilmesi yoluyla test edilir. Ajanlar, performansı en üst düzeye çıkarmak, geçiş hakkını korumak ve topografik kısıtlamalara uyum sağlamak için kentsel biçimi uyarlarken, yerleşimleri sırayla büyütmeyi sürekli olarak öğrenirler. Bu çalışmada önerilen yöntem sadece önceden belirlenmiş performans hedeflerine dayalı olarak kendi kendine organize edilen yerleşim büyümesini modellemek için değil, aynı zamanda benzer nitelikli tasarım problemlerinin formülizasyonu için de kullanılabilir bir çerçeve sunar.
Özet (Çeviri)
Self-organized modes of urban growth could result in high-quality urban space and have notable benefits such as providing affordable housing and wider access to economic opportunities within cities. Modeling this non-linear, complex, and dynamic sequential urban aggregation process requires adaptive sequential decision-making. In this study, a deep reinforcement learning (DRL) approach is proposed to automatically learn these adaptive decision policies to generate self-organized settlements that maximize a certain performance objective. A framework to formulate the self-organized settlement morphogenesis problem as single-agent reinforcement learning (RL) environment is presented. This framework is then verified by developing three environments based on two cellular automata urban growth models and training RL agents using the Deep Q-learning (DQN) and Proximal Policy Optimization (PPO) algorithms to learn sequential urban aggregation policies that maximize performance metrics within those environments. The agents consistently learn to sequentially grow the settlements while adapting their morphology to maximize performance, maintain right-of-way, and adapt to topographic constraints. The method proposed in this study can be used not only to model self-organized settlement growth based on preset performance objectives but also could be generalized to solve various single-agent sequential decision-making generative design problems.
Benzer Tezler
- Reinforcement learning based coaxial multicopter control for electrical vertical take off and landing
Pekiştirmeli öğrenme temelli elektrikli dikey kalkış ve iniş için eksendeş çoklu döner kanat kontrolü
MUHAMMED ALİ KUL
Yüksek Lisans
İngilizce
2025
Havacılık ve Uzay MühendisliğiYıldız Teknik ÜniversitesiAviyonik Mühendisliği Ana Bilim Dalı
PROF. DR. UFUK SAKARYA
- Efficient autonomous driving with foundation models
Temel modeller ile verimli otonom sürüş
SHADI SAMEH MOHAMMED HAMDAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. FATMA GÜNEY
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Deprem sonrası betonarme kolonlarda boyuna donatı burkulmasının makine öğrenmesi ile tespiti
Detection of longitudinal reinforcement buckling in reinforced concrete columns post-earthquake by machine learning
BAHADIR GÜLEŞMEN
Yüksek Lisans
Türkçe
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN
- Şehir içi trafik sinyal ağının takviyeli öğrenme algoritmaları ve nesnelerin interneti tabanlı kontrolü
The reinforcement learning algorithms and internet of things based control for urban traffic signal network
SEYİT ALPEREN ÇELTEK
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AKİF DURDU