Erken tasarım aşamasında makine öğrenmesi tabanlı bina enerji performansı tahmin modeli
Machine learning -based building energy performance prediction model in early design phase
- Tez No: 996980
- Danışmanlar: DOÇ. DR. ENES YAŞA, DR. ERDEM KÖYMEN
- Tez Türü: Doktora
- Konular: Mimarlık, Enerji, Architecture, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Sabahattin Zaim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
- Bilim Dalı: Mimarlık Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mimarlık disiplini, yalnızca yapıların biçimsel ve işlevsel gereksinimlere uygun biçimde tasarlanmasını değil, aynı zamanda bu yapıların kullanıcılar için sağlıklı, konforlu ve enerji verimli yaşam alanları oluşturmasını da kapsamaktadır. Bu bağlamda, iç mekân konforunun sağlanması mimari tasarımın ayrılmaz bir parçası hâline gelmiş; özellikle ısısal konfor, insan vücudunun ısıl dengesi ve uyumu açısından doğrudan bir etki oluşturmaktadır.Günümüz yapı sektöründe sürdürülebilirlik, enerji verimliliği ve iklimsel konfor gibi konular giderek önem kazanmakta; bu çerçevede mimari tasarım süreci, estetik ve işlevsellik parametrelerinin ötesine geçerek, fiziksel çevre koşullarını dikkate alan çok boyutlu kararların alınmasını gerektirmektedir. Özellikle tasarımın ilk aşamalarında alınan kararların, bina performansı üzerinde uzun vadeli etkiler yaratması, bu süreçte hızlı ve güvenilir enerji analiz araçlarının kullanılmasını zorunlu kılmaktadır. Mevcut bina performans simülasyonu (BPS) araçlarının detaylı veri ihtiyacı ve uzun hesaplama süreleri, mimarların erken karar aşamasında bu araçlardan faydalanmasını sınırlamaktadır. Bu bağlamda çalışma, bina geometrisine bağlı enerji tüketimini tahmin edebilen, veri üretimi, model eğitimi ve kullanıcı arayüzü bileşenlerinden oluşan bütünleşik bir makine öğrenmesi (ML) tabanlı tahmin modeli önermektedir. Çalışmanın birinci bölümü olan giriş kısmında, mimari tasarım sürecinde enerji verimliliği ve iklimsel konforun artan önemi vurgulanmış, özellikle erken tasarım aşamasında alınan kararların yapı performansı üzerindeki belirleyici rolü tartışılmıştır. Bu bağlamda, geleneksel simülasyon araçlarının sınırlılıkları ve bu araçların mimari tasarım sürecine entegrasyonundaki zorluklar ele alınarak, yapay zeka ve makine öğrenmesi tabanlı yeni yaklaşımlara duyulan ihtiyaç temellendirilmiştir. Ayrıca çalışma kapsamında geliştirilecek modelin, bu ihtiyaca yanıt verecek şekilde tasarlandığı ve enerji odaklı tasarım kararlarını destekleyecek bir araç sunmayı hedeflediği ifade edilmiştir. Çalışmanın ikinci bölümünde mimari tasarım süreçlerinden bahsedilmiş, erken tasarım aşamasının bina performansına olan etkisi irdelenmiştir. İkinci bölümün diğer kısmında ise bina erken tasarım aşamasında iklimsel konfor ve enerji tüketimini etkileyen tasarım parametreleri incelenmiştir. Çalışmanın üçüncü bölümünde, erken tasarım aşamasında bina iklimsle konfor ve enerji tüketimini değerlendirmek için kullanılan araçlar incelenmiştir. İlk bölümde bu alanda yapılan sınıflandırmalar incelenirken, bölümün diğer kısmında ise veri güdümlü bina enerji performansı değerlendirme yöntemleri incelenmiş, literatürde bu alanda yapılan çalışmalara yer verilmiştir. Çalışmanın dördüncü bölümü olan yöntem bölümünde ise bina erken tasarım aşamasında kullanılabilecek bir model önerisinde bulunulmuştur. Yöntem bölümünün ilk bölümünde veri üretimi için parametrik tasarım aracı Grasshopper'da bir parametrik analiz düzlemi geliştirilmiştir. Geliştirilen modelde, belirlenen plan geometrileri 3m × 3m ebatlarında değişken yükseklikteki voxel birimlerine ayrılarak, yüzey esaslı parametreler ile temsil edilmiştir. Bu kapsamda 6125 bina formu ve 986.000 birimden oluşan bir veri seti oluşturulmuştur. Veri üretim sürecinde, Grasshopper ortamında geliştirilmiş parametrik bir ayrıştırma algoritması ile başlatılmış; bina varyasyonları sistematik biçimde modellenmiş ve Pollination Cloud platformu üzerinden EnergyPlus tabanlı enerji simülasyonları gerçekleştirilmiştir. Isıtma ve soğutma yükleri, cephe saydamlık oranları, yönlenme, yüzey-hacim oranı gibi değişkenlerle ilişkilendirilmiş ve yapı kabuğu analiz düzlemleri oluşturulmuştur. Elde edilen enerji verileri, Google Colab üzerinde CatBoost, Random Forest ve MLP gibi farklı ML algoritmaları ile işlenmiş, modellerin karşılaştırmalı performansları değerlendirilmiştir. Bu süreçte MLP modeli en yüksek başarı oranını göstermiştir (R²: 0.99, MSE: 1.03). Modelin, tasarım arayüzü bölümünde çıktı dosyaları dışa aktarılarak Python betimi aracılığıyla Grasshopper ortamına entegre edilmiştir. Bu entegrasyon, Human UI arayüzü ile desteklenerek, tasarımcıların erken aşamada yapı geometrisini tanımlayıp enerji tahminlerini anında alabileceği bir sistem haline getirilmiştir. Çalışmada geliştirilen enerji değerlendirme modeli, Türkiye'de yürürlükte olan Binalarda Enerji Performansı Yönetmeliği kapsamında yer alan BEP-TR ulusal hesaplama yöntemi ile ilişkilendirilmiştir. Bu bağlamda, çalışmada geliştirilen modelin çıktıları, BEP-TR'de esas alınan referans bina yöntemi doğrultusunda değerlendirilmiş; parametrik veri setinde yer alan bina varyasyonları, BEP-TR sınıflandırma aralıklarına göre enerji sınıflarıyla karşılaştırmalı olarak analiz edilmiştir Modelin doğruluğu, Emlak Konut projelerinden elde edilen 12 farklı bina plan geometrisi örneği ile test edilmiştir. Ayrıca modelin sonuçları, EnergyPlus tabanlı klasik simülasyonların hesap süreleri ile karşılaştırılmış; ML tabanlı modelin %90'a varan zaman tasarrufu sağladığı ortaya konmuştur. Bu sayede geliştirilen sistem, tasarım sürecine entegrasyon açısından yüksek bir verimlilik ve kullanılabilirlik sunmaktadır. Bu çalışma, literatürde sıkça dile getirilen veri temelli ve tasarım sürecine entegre enerji analiz modeli ihtiyacına karşılık veren bütüncül bir çözüm sunmuştur. Geliştirilen model, hem akademik hem de sektörel uygulamalarda kullanılabilecek, karar destek aracı niteliği taşıyan bir değerlendirme modeli ortaya koymakta; enerji verimliliği hedeflerine ulaşmada erken tasarım sürecinin etkinliğini artıran önemli bir katkı sağlamaktadır.
Özet (Çeviri)
As a discipline, architecture encompasses not only the formal and functional design of buildings but also the creation of healthy, comfortable, and energy-efficient environments for users. In this regard, ensuring indoor environmental comfort has become an integral aspect of architectural design. Among these comfort parameters, thermal comfort plays a particularly crucial role, as it directly affects the human body's thermal balance and adaptation. Sustainability, energy efficiency, and climatic comfort are gaining increasing significance in the building industry. As a result, architectural design is no longer limited to aesthetics and functionality; it now involves multidimensional decision-making processes that consider physical environmental conditions. The long-term impact of decisions made during the early design phase on overall building performance necessitates the use of fast and reliable energy analysis tools. However, existing Building Performance Simulation (BPS) tools often require detailed input and long processing times, limiting their usability by architects during the early design stages. Addressing this challenge, the present study proposes an integrated machine learning (ML)-based prediction model that estimates energy consumption based on building geometry. This model integrates data generation, model training, and user interface components into a cohesive framework. The first chapter introduces the growing importance of energy efficiency and climatic comfort in architectural design. It highlights the decisive impact of early-stage design decisions on overall building performance. The limitations of conventional simulation tools and the integration challenges they pose for architectural workflows are critically discussed, emphasizing the need for AI- and ML-based approaches. The proposed model is introduced as a potential solution to support energy-conscious design decisions. Chapter two focuses on the architectural design process, with an emphasis on the influence of early-phase decisions on building performance. The chapter also examines key design parameters that affect energy consumption and climatic comfort in the early stages of design. Chapter three reviews tools used to evaluate energy performance and thermal comfort during the early design phase. The first part classifies existing evaluation tools, while the second part explores data-driven performance assessment methods and relevant literature. Chapter four presents the proposed model developed for use during early design phases. Initially, a parametric analysis framework was constructed in Grasshopper to generate the necessary data. Building plan geometries were decomposed into 3×3 meter voxel units with variable heights and encoded using surface-based parameters. This process resulted in a dataset comprising 6,125 building forms and approximately 986,000 spatial units. The data generation phase employed a custom parametric decomposition algorithm developed in Grasshopper. Variations in building forms were systematically generated, and simulations were performed using EnergyPlus via the Pollination Cloud platform. Heating and cooling loads were associated with geometric variables such as façade-to-surface ratio, orientation, and surface-to-volume ratio, enabling detailed envelope performance assessments. The resulting energy data were processed using Google Colab, applying various ML algorithms including CatBoost, Random Forest, and MLP. The MLP model achieved the highest predictive performance (R² = 0.99, MSE = 1.03). The trained model was integrated into the design workflow by exporting outputs and embedding them in the Grasshopper environment via Python scripting. This integration was further enhanced using the Human UI plugin, enabling designers to input geometric definitions and receive real-time energy predictions through an interactive interface. The energy assessment model developed in this study has been linked to the BEP-TR national calculation method, which is included in Turkey's Building Energy Performance Regulation. In this context, the model's outputs were evaluated in accordance with the reference building method adopted in BEP-TR. Building variations in the parametric dataset were comparatively analysed according to BEP-TR classification ranges. Model accuracy was validated using 12 real-world building plans obtained from Emlak Konut projects. Additionally, the ML model's performance was compared to conventional EnergyPlus simulations, demonstrating up to 90% reductions in computation time. This illustrates the model's efficiency and its practical value for integration into architectural design processes. In summary, this study offers a comprehensive solution to the frequently highlighted need in the literature for data-driven, design-integrated energy evaluation tools. The proposed model functions as a decision support system that can be utilized in both academic and professional settings, improving the effectiveness of early-stage design in achieving energy efficiency goals.
Benzer Tezler
- Arızalı bilyalı rulmanların tespitinde makine öğrenmesi kullanımı ve nesnelerin interneti tabanlı durum izleme ve ikaz sisteminin geliştirilmesi
Using machine learning in the detection of faulty ball bearings and the development of the internet of things based condition monitoring and warning system
MUSTAFA ÇAKIR
Doktora
Türkçe
2022
Makine Mühendisliğiİskenderun Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK MISTIKOĞLU
- Multi-Task U-Net Surrogate for Aerodynamic and Aeroacoustic Source Field Prediction of Airfoils
Kanat Profillerinin Aerodinamik ve Aeroakustik Kaynak Alanı Tahmini için Çoklu Görev U-Net Vekil Modeli
YUSUF AKTAŞ
Yüksek Lisans
İngilizce
2026
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. BAHA ZAFER
- Hasar değerlendirme süreçlerinde makine öğrenmesi ve derin öğrenme tabanlı hibrit model yaklaşımı
Machine learning and deep learning based hybrid model approach in damage assessment processes
KEREM ÖZÇELİK
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- A radiogenomics-based approach to clinical decision making
Klinik karar vermede radyogenomik tabanlı bir yaklaşım
MERVE KAŞIKCI ÇAVDAR
Doktora
İngilizce
2025
BiyoistatistikHacettepe ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ERDEM KARABULUT
DOÇ. DR. ERDAL COŞGUN