Adaptive modularity: Deep reinforcement learning for optimized modular housing massing
Uyarlanabilir modülerlik: optimum modüler konut kütle yerleşimi için derin pekiştirmeli öğrenme
- Tez No: 963473
- Danışmanlar: DOÇ. DR. BURCU ŞENYAPILI ÖZCAN
- Tez Türü: Yüksek Lisans
- Konular: Mimarlık, Architecture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
- Bilim Dalı: Mimarlık Bilim Dalı
- Sayfa Sayısı: 150
Özet
Prefabrikasyon teknolojilerindeki ilerlemeler, modüler konutu, artan konut talebini karşılarken sera gazı emisyonlarını ve kaynak kullanımını azaltan, döngüsel ekonomiyi destekleyen ve enerji verimliliğini artıran hassas ve sürdürülebilir bir inşaat yöntemi olarak konumlandırmıştır. Ancak, modüler birimlerden kütle yerleşimlerinin tasarımı, mekânsal düzenlemelerin mimari, yapısal ve çevresel kriterler ile kısıtlamaları eşzamanlı dengeleyecek şekilde optimize edilmesindeki karmaşıklık nedeniyle zorluklar barındırmaktadır. Bu tez, modüler konut tasarımındaki bu zorluğa odaklanarak mekânsal düzenlemelerin optimizasyonundaki karmaşıklığı ele almaktadır. Amaç, mimari kriterler ve kısıtlamalar arasında denge kuran bir tasarım sürecini Derin Pekiştirmeli Öğrenme (DRL) ile geliştirmektir. Tez, DRL'in mekânsal konfigürasyonları optimize ederek, insan tarafından yürütülen yinelemeli süreçlerin sınırlılıklarını aşma ve geri bildirim temelli sistemlerden yararlanma potansiyelini araştırmaktadır. Bu kapsamda, Hücresel Özdevinim (CA) tabanlı voksel bir simülasyon ortamı önerilmiştir. Bu ortamda, Proximal Policy Optimization (PPO) algoritmasıyla eğitilen bir yapay zekâ ajanı, kütle hücrelerini özerk biçimde yerleştirerek optimize edilmiş konut konfigürasyonları üretmektedir. Bu konfigürasyonlar; inşa edilebilir alan içinde birim sayısını maksimize etme, sirkülasyon alanlarını minimize ederken tüm birimlere erişimi sağlama ve daha kompakt formlara sahip konut birimleri oluşturmayı teşvik etmek gibi çoklu performans kriterlerine göre değerlendirilmektedir. Bu tez, konut tasarımında modüler kütle konfigürasyonunun optimizasyonuna yönelik çabayı merkezine almakta; süreçte izlenen adımları, karşılaşılan zorlukları ve elde edilen nihai konfigürasyonların başarısını değerlendirmektedir.
Özet (Çeviri)
The advancement of prefabrication technology has positioned modular housing as a precise, sustainable construction method that reduces greenhouse gas emissions and resource intensiveness while enabling a circular economy and fostering energy efficiency in meeting increasing housing demands. The design of massing configurations from modular units presents challenges due to the complexity of optimizing spatial arrangements to simultaneously balance architectural, structural, and environmental performance criteria and constraints. This thesis addresses the challenge of modular housing design, tackling the considerable complexity of optimizing spatial arrangements. The aim is to improve the design process through Deep Reinforcement Learning (DRL) to balance architectural criteria and constraints. The thesis investigates how DRL can enhance modular housing design by optimizing spatial configurations, overcoming the limitations of human-driven iterations, and leveraging the benefits of a feedback-driven system. It proposes a simulation environment based on a Cellular Automata (CA) voxel space, where an AI agent, trained using the Proximal Policy Optimization (PPO) algorithm, autonomously places massing cells to generate optimized housing configurations. These configurations are evaluated based on multiple performance objectives, such as ensuring efficient space utilization by maximizing the number of housing units within the buildable area, minimizing circulation space while maintaining accessibility to all units, and promoting the creation of housing units that are more compact in shape. This thesis focuses on the effort to optimize modular mass configuration for housing design. It outlines the steps taken in the process, the challenges faced along the way, and evaluates the success of the final configurations that were developed.
Benzer Tezler
- Alt bantlarda ayrıştırma metotları ile uyarlanır dengeleme
Adaptive equalization using subband decomposition methods
İLKER SÖNMEZIŞIK
Yüksek Lisans
Türkçe
2009
Elektrik ve Elektronik MühendisliğiDeniz Harp Okulu KomutanlığıElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. M. TAHİR ÖZDEN
- Rekürsif en küçük kare kafes filtreleri
Recursive least squares lattice filters
SADIK ARSLAN
Yüksek Lisans
Türkçe
1992
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ. DR. AHMET H. KAYRAN
- PLC tabanlı bulanık mantık kontrolörü ile fırçasız doğru akım motorunun kontrolü
Control of brushless direct current motor using a PLC-based fuzzy logic controller
MUHAMMED ELTALEB
Yüksek Lisans
Türkçe
2025
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN ÇELİK
- Mechatronic design of a modular three-axis slider system for high-precision positioning applications
Yüksek hassasiyetli pozisyonlama uygulamaları için modüler üç-eksenli kızak sisteminin mekatronik tasarımı
ERVA ULU
Yüksek Lisans
İngilizce
2012
Makine Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. MELİH ÇAKMAKÇI
- Model based partial state and output feedback controller designs for various types of electromechanical systems
Farklı özelliklere sahip elektromekanik sistemler için model tabanlı kısmi durum ve çıkıs geri beslemeli denetleyici formulasyonları
BEYTULLAH OKUR
Doktora
İngilizce
2016
Elektrik ve Elektronik MühendisliğiGebze Teknik ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN ZERGEROĞLU