Yaşama mekanlarında gün ışığının etkin kullanılması için makine öğrenmesi ile optimum pencere tasarımı
Optimum window design with machine learning for effective use of daylight in living spaces
- Tez No: 884175
- Danışmanlar: DOÇ. DR. İLKER ERKAN
- Tez Türü: Doktora
- Konular: Mimarlık, Architecture
- Anahtar Kelimeler: Gün ışığı, optimum pencere tasarımı, karar verme, makine öğrenmesi, derin öğrenme, Daylight, optimal window design, decision making, machine learning, deep learning
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mimarlık, Planlama ve Tasarım Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 162
Özet
Bu tez çalışmasında mekanlarda gün ışığının etkin kullanımı ve makine öğrenmesinin pencere tasarım sürecine dahil edilmesi için üç farklı amaç doğrultusunda çeşitli modeller geliştirilmiştir. İlk olarak daha önce yapılan çalışmaların aksine pencere tasarımının mekanlara gün ışığı alımında etkisini değerlendirmek ve tasarımcılara karar vermede yardımcı olmak için mekansal gün ışığı otonomisi ve gün ışığı faktörü tahmin modelleri geliştirilmiştir. Modellerin geliştirilmesinde doğrusal regresyon, polinom regresyon, destek vektör regresyonu, karar ağacı regresyonu, rastgele orman regresyonu, derin sinir ağları, evrişimli sinir ağları ve kapsül ağları kullanılmıştır. Bu amaç için girdi olarak mekan boyutları, pencere yönü, pencere boyutları, pencere parapet yüksekliği, pencere biçimi, pencere alanının duvar alanına oranı ve pencere alanının taban alanına oranı kullanılmıştır. İkinci olarak istenilen gün ışığı performansına uygun, mekanlara göre pencere tasarımı elde etmek amacıyla mekan boyutları, istenilen mekansal gün ışığı otonomisi ve gün ışığı faktörü ele alınarak pencere boyutları ve parapet yüksekliği elde edilmiştir. Bu amaçta birinci amaçtan farklı çıktının pencere boyutları ve parapet yüksekliği olmasından dolayı destek vektör regresyonu ile model geliştirilmemiştir. Son olarak ise görsel veriler kullanılarak istenilen gün ışığı otonomisi ile gün ışığı faktörü değeri için uygun olup olmadığını sınıflandıran evrişimli sinir ağları ve kapsül ağları ile modeller geliştirilmiştir. Bu tez çalışması sadece mekanlarda gün ışığının etkin kullanılması için makine öğrenme yöntemleri ile model geliştirilmesini amaçlamaz aynı zamanda çeşitli modellerin geliştirilmesi ile bu problem için uygun modelin seçilmesi amaçlanmaktadır. Geliştirilen modeller sonucunda birinci amaçta doğrultusunda mekansal gün ışığı otonomisi tahmini için rastgele orman algoritması gün ışığı faktörü tahmini için geliştirilen modellerde ise rastgele orman regresyonu ve karar ağacı regresyonu aynı derecede başarılı olmuştur. Ancak gün ışığı faktörünün yönlere göre değişimi çok az veya hiç olmamasından dolayı verilerin ezberlenme ihtimalinden dolayı tek yön için tekrar modeller geliştirilmiştir. Verilerin azalmasıyla en başarılı model polinom regresyon modeli olmuştur. İkinci amaç için geliştirilen modellerde ise rastgele orman regresyon modeli daha başarılı olmuştur. Üçüncü amaç için geliştirilen sınıflandırma modellerinde ise evrişimli sinir ağları daha başarılı olmuştur. Amaçlar ve veri çeşitlerine göre yöntemlerin başarısı değişim göstermiştir. Bu durum probleme uygun yöntemin seçilmesinin önemini vurgulamaktadır. Elde edilen başarılı modeller simülasyonların aksine maliyet, zaman ve uygulama kolaylığı sağlayarak erken tasarım aşamasında yaşama mekanlarının gün ışığı analizleri için bir destek aracı sağlayacaktır. Geliştirilen bu modeller pencere tasarım sürecinde tasarımcılara rehberlik ederek istenilen gün ışığı performansına uygun pencere boyutlarına karar vermek mümkün olacaktır. Projelerin uygulanmasından önce kontrol eden tasarımcılar için pencere tasarımın uygun olup olmadığını karar vermeye yardımcı olacaktır. Geliştirilen bu modellerin mimari tasarım sürecine entegre edilmesinde verimli ve etkin bir şekilde gün ışığını mekana alan pencere tasarımların yapılmasına imkan sağlayacaktır. Böylece kullanıcıların fizyolojik ve psikolojik ihtiyaçları karşılanır; verimliliği ve üretkenliği artar. Yeterli doğal aydınlatmanın sağlanması ile sürdürülebilir tasarımlar elde edilir ve enerji tasarrufu sağlanır. Tez çalışmasında dengesiz veri seti kullanılmıştır. Farklı gün ışığı performans değerlendirme metrikleri de eklenerek ve dengeli veri seti kullanılarak modellerin başarısı artırılabilir. Ayrıca çeşitli yöntemlerin kullanılması ve karşılaştırılması gelecek çalışmalar için geliştirilecek modellerin performanslarını optimize etmede yardımcı olabilir.
Özet (Çeviri)
In this thesis study, various models have been developed for three different purposes for the effective use of daylight in spaces and the inclusion of machine learning in the window design process. First of all, unlike previous studies, spatial daylight autonomy and daylight factor prediction models have been developed to evaluate the effect of window design on daylight intake into spaces and to help designers in decision making. Linear regression, polynomial regression, support vector regression, decision tree regression, random forest regression, deep neural networks, convolutional neural networks and capsule networks were used in the development of the models. For this purpose, space dimensions, window direction, window dimensions, window parapet height, window shape, ratio of window area to wall area and ratio of window area to floor area were used as input. Secondly, window dimensions and parapet height were obtained by considering the space dimensions, the desired spatial daylight autonomy and the daylight factor, in order to obtain a window design suitable for the desired daylight performance and according to the spaces. For this purpose, a model was not developed with support vector regression because the outputs were different from the first purpose: window sizes and parapet height. Finally, using visual data, models were developed with convolutional neural networks and capsule networks that classify whether the desired daylight autonomy and daylight factor value are suitable or not. This thesis study not only aims to develop a model with machine learning methods for the effective use of daylight in spaces, but also to select the appropriate model for this problem by developing various models. As a result of the developed models, in line with the first aim, random forest algorithm for spatial daylight autonomy estimation, random forest regression and decision tree regression in the models developed for daylight factor estimation were equally successful. However, since the daylight factor has little or no variation depending on the direction, new models have been developed for one direction due to the possibility of memorizing the data. As the data decreased, the most successful model became the polynomial regression model. In the models developed for the second purpose, the random forest regression model was more successful. In the classification models developed for the third purpose, convolutional neural networks were more successful. The success of the methods has varied depending on the purposes and data types. This situation emphasizes the importance of choosing the appropriate method for the problem. The successful models obtained will provide a support tool for daylight analyzes of living spaces at the early design stage, providing cost, time and ease of application, unlike simulations. These developed models will guide designers in the window design process and it will be possible to decide on window sizes suitable for the desired daylight performance. For designers who check before the implementation of projects, the window will help decide whether the design is suitable or not. Integrating these developed models into the architectural design process will enable window designs that allow daylight into the space efficiently and effectively. Thus, the physiological and psychological needs of the users are met; efficiency and productivity increases. By providing sufficient natural lighting, sustainable designs are achieved and energy savings are achieved. An unbalanced data set was used in the thesis study. The success of the models can be increased by adding different daylight performance evaluation metrics and using a balanced data set. Additionally, using and comparing various methods can help optimize the performance of models to be developed for future studies.
Benzer Tezler
- Cephe açıklıklarının iç mekandaki günışığı performansına etkisinin konut örneğinde incelenmesi
Investigation of the effect of the facade apertures to daylight performance in interior in the residential buildings
ZEHRA AYBİKE KILIÇ
Yüksek Lisans
Türkçe
2018
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ALPİN KÖKNEL YENER
- Tarihi binalarda doğal aydınlatma performansının incelenmesi: Rami Kışlası örneği
Investigation of daylighting performance in historical buildings: The case of Rami Barracks
DİLARA KARABULUT
- Karasal iklim bölgesinde doğal aydınlatmanın toplu konutlarda incelenmesi; Elazığ örneği
Investigation of natural lighting in mass housing in continental climate zone; Elazığ example
MEHMET ALİ TATAR
- Antalya AVM'leri genel mekanlarında yapay aydınlatma tasarımının algısal etkilerinin incelenmesi
Investigation of perceptual effects of artificial lighting design in general places of Antalya shopping centers
ÜMİT AKYILDIZ
Yüksek Lisans
Türkçe
2019
İç Mimari ve DekorasyonAkdeniz ÜniversitesiSanat ve Tasarım Ana Sanat Dalı
DR. ÖĞR. ÜYESİ ÖZGÜ ÖZTURAN
- A parametric design proposal for multi-story residential buildings to enhance daylight performance
Çok katlı konut binaları için gün ışığı performansını artıracak bir parametrik tasarım önerisi
HAKAN OĞUZ BOR
Yüksek Lisans
İngilizce
2021
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
DOÇ. DR. SEMA ALAÇAM