مدل سازی تطبیقی نور طبیعی در مسکن شهری اقلیم مرطوب با استفاده از یادگیری ماشین
مدل سازی تطبیقی نور طبیعی در مسکن شهری اقلیم مرطوب با استفاده از یادگیری ماشین
در شهرهای شمال ایران مانند رشت، کیفیت نور طبیعی در آپارتمان ها تحت تاثیر عوامل متعددی قرار دارد: تراکم ساختمان ها، عمق پلان، ارتفاع طبقات و پوشش غالب ابری آسمان. به همین دلیل، الگوهای عمومی طراحی نور روز اغلب ناکافی هستند و نیاز به رویکردی تطبیقی که شرایط واقعی اقلیم و بافت شهری را مدنظر قرار دهد، احساس می شود. یادگیری ماشین امکان ایجاد مدل هایی را فراهم می کند که بر اساس داده های واقعی، پیش بینی و بهینه سازی نور طبیعی را انجام دهند.
مدل سازی تطبیقی با جمع آوری داده های میدانی و شبیه سازی آغاز می شود. این داده ها شامل روشنایی در نقاط مختلف پلان، ابعاد و موقعیت بازشوها، عمق و هندسه فضا، رنگ و بازتاب سطوح داخلی و همچنین مشخصات اقلیمی محلی است. الگوریتم های یادگیری ماشین، مانند شبکه های عصبی یا مدل های درختی، الگوهای پیچیده میان ویژگی های فضا و کیفیت نور را شناسایی می کنند و امکان پیش بینی عملکرد نور در طرح های جدید را فراهم می آورند.
نمونه ای از کاربرد این رویکرد در یک مجتمع مسکونی متراکم رشت نشان داد که تغییر موقعیت بازشوهای میانی پلان و افزودن نورگیرهای جانبی کوچک می تواند توزیع نور را به طور قابل توجهی بهبود دهد. مدل تطبیقی با شبیه سازی های سنتی مقایسه شد و مشخص گردید که پیشنهادات داده محور، کارایی بیشتری در افزایش یکنواختی روشنایی و کاهش نقاط تاریک دارند.
تحلیل تطبیقی با اقلیم های خشک ایران، مانند اصفهان و یزد، نشان می دهد که در آن مناطق، مدل ها بر کنترل تابش مستقیم و جلوگیری از خیرگی تمرکز دارند، در حالی که در اقلیم مرطوب، هدف اصلی بهبود نفوذ نور پخشیده و کاهش مناطق کم نور است. این تفاوت ها اهمیت استفاده از داده های محلی و مدل سازی تطبیقی برای تولید راهکارهای عملی و بومی را برجسته می کند.
در نهایت، مدل سازی تطبیقی نور طبیعی با یادگیری ماشین، ابزاری کاربردی برای بهبود طراحی مسکن شهری اقلیم مرطوب ایران است. این رویکرد امکان پیش بینی دقیق عملکرد نور، اصلاح پلان پیش از اجرا و ارتقای کیفیت فضایی و آسایش ساکنان را فراهم می کند و به طراحی پایدار و کارآمد منجر می شود.