بهینه سازی نور طبیعی در آپارتمان های اقلیم مرطوب با بهره گیری از الگوریتم های هوش مصنوعی

بهینه سازی نور طبیعی در آپارتمان های اقلیم مرطوب با بهره گیری از الگوریتم های هوش مصنوعی

در شهرهای اقلیم مرطوب ایران، به ویژه در نوار شمالی کشور، نور طبیعی نه تنها یک مولفه زیبایی شناختی، بلکه عامل تعیین کننده ای در سلامت ساکنان، کیفیت فضایی و کاهش مصرف انرژی به شمار می آید. با این حال، رطوبت بالا، پوشش ابری گسترده، بارش های مکرر و تراکم شهری سبب می شود که دستیابی به نور روز مطلوب در آپارتمان ها به چالشی جدی بدل شود. در چنین بستری، الگوریتم های هوش مصنوعی می توانند به عنوان ابزارهایی داده محور و تطبیقی، فرآیند بهینه سازی نور طبیعی را از سطح تجربه طراح فراتر برده و به تصمیم سازی علمی نزدیک کنند.

در اقلیم مرطوب، برخلاف مناطق خشک ایران که تابش مستقیم خورشید غالب است، سهم عمده روشنایی داخلی از نور پخشیده آسمان تامین می شود. این ویژگی سبب می شود که پارامترهایی مانند نسبت سطح پنجره به دیوار، عمق فضا، ارتفاع جان پناه ها، وجود بالکن ها و حتی رنگ سطوح داخلی نقش پررنگ تری در کیفیت نور روز داشته باشند. در آپارتمان های متداول شهری ایران با عمق 8 تا 12 متر، اگر این متغیرها به درستی تنظیم نشوند، فضاهای میانی به نواحی کم نور و وابسته به روشنایی مصنوعی تبدیل می شوند.

الگوریتم های هوش مصنوعی، به ویژه شبکه های عصبی و مدل های یادگیری نظارت شده، این امکان را فراهم می کنند که رابطه پیچیده میان این پارامترهای طراحی و شاخص های نور روز به صورت غیرخطی مدل سازی شود. در یک رویکرد کاربردی، ابتدا مجموعه ای از گزینه های طراحی آپارتمان شامل تغییر در اندازه و موقعیت بازشوها، جهت گیری واحدها و عمق پلان تعریف می شود. برای هر گزینه، عملکرد نور طبیعی با شبیه سازی دقیق محاسبه شده و به عنوان داده آموزشی به الگوریتم داده می شود. پس از آموزش، مدل قادر است برای طرح های جدید، کیفیت نور روز را به سرعت پیش بینی کند و بهترین ترکیب پارامترها را پیشنهاد دهد.

نمونه ای از این رویکرد را می توان در یک بلوک آپارتمانی در شهر رشت تصور کرد؛ شهری با رطوبت نسبی بالا و تعداد قابل توجه روزهای ابری. در چنین شرایطی، تجربه نشان می دهد که افزایش صرف سطح پنجره الزاما به بهبود محسوس روشنایی منجر نمی شود، بلکه گاه با افزایش اتلاف حرارتی و خیرگی موضعی همراه است. مدل هوش مصنوعی، با تحلیل داده های شبیه سازی شده، می تواند نشان دهد که ترکیبی از پنجره های عریض ولی با ارتفاع کنترل شده، استفاده از بالکن های نیمه شفاف و سطوح داخلی با بازتاب مناسب، توزیع یکنواخت تری از نور پخشیده ایجاد می کند. این نتیجه با منطق معماری بومی گیلان، که ایوان ها و بازشوهای سرتاسری نقش تعدیل کننده نور و رطوبت را دارند، همخوانی دارد.

از منظر تطبیقی، اگر همین مدل برای یک شهر با اقلیم گرم و خشک مانند یزد به کار رود، الگوی بهینه کاملا متفاوت خواهد بود؛ بازشوهای محدودتر، عمق بیشتر سایه و تاکید بر نور غیرمستقیم. این تفاوت نشان می دهد که ارزش واقعی هوش مصنوعی در توانایی انطباق با داده های اقلیمی محلی و پرهیز از نسخه های کلی و یکسان برای همه مناطق است.

کاربرد دیگر الگوریتم های هوش مصنوعی، امکان بهینه سازی هم زمان چند هدف است؛ برای مثال بیشینه سازی نور طبیعی در کنار کنترل خیرگی و کاهش بار انرژی. در پروژه های مسکونی انبوه، این قابلیت می تواند به تصمیم هایی منجر شود که نه تنها کیفیت فضایی واحدها را ارتقا می دهد، بلکه در مقیاس محله نیز مصرف انرژی را کاهش می دهد.

در نهایت، بهینه سازی نور طبیعی در آپارتمان های اقلیم مرطوب ایران با کمک هوش مصنوعی، پلی میان دانش اقلیمی بومی و فناوری های نوین است. اگر این ابزارها بر پایه داده های واقعی پروژه های داخلی و شرایط اقلیمی شهرهایی مانند رشت توسعه یابند، می توانند به خلق الگوهای طراحی بومی شده، قابل تکرار و در عین حال انعطاف پذیر منجر شوند؛ الگویی که هم پاسخگوی نیازهای معاصر است و هم ریشه در واقعیت های اقلیمی کشور دارد.