شیرین طیبی - کارشناس اداره مطالعات و طراحی شهری، شهرداری شیراز

در دنیای امروز رویکردها و پارامترهای مختلفی برای طراحی یک پلان و تعیین مکان و مکان آن وجود دارد. از این رو، هنگامی که یک پلان معماری در ابعاد مختلف طراحی می شود، حالت های مختلفی برای شناسایی مکان های حیاتی قابل بررسی است. در حالی که طراحی همه این حالت ها زمان قابل توجهی را می طلبد، کاربردهای بالقوه متعددی برای هوش مصنوعی (AI) در این حوزه وجود دارد. هدف این مطالعه محاسبه و استفاده از یک ماتریس مجاورت برای تولید پلان های مسکونی معماری است. علاوه بر این، یک الگوریتم تولید پلان را در نرم افزار Rhinoceros توسعه می دهد و از پلاگین Grasshopper برای ایجاد مجموعه داده ای از نقشه های معماری استفاده می کند. در مرحله بعد، داده ها برای شناسایی نوع پلان معماری، مبلمان، آیکون ها و استفاده از فضاها وارد یک شبکه عصبی شد که با استفاده از YOLOv۴، EfficientDet، YOLOv۵، DetectorS و RetinaNet به دست آمد. اجرا، آزمایش و آموزش الگوریتم با استفاده از Darknet و PyTorch انجام شد. مجموعه داده تحقیق شامل ۱۲۰۰۰ طرح است که ۷۰ درصد در مرحله آموزش و ۳۰ درصد در مرحله آزمایش استفاده شده است. شبکه به طور عملی و دقیق در رابطه با دقت متوسط (AP) حاصل از ۹۱.۵۰% آموزش داده شد. پس از شناسایی انواع کاربری فضا، الگوریتم اصلی تحقیق طراحی و کدگذاری شده است که شامل تعیین ماتریس مجاورت فضاهای پلان معماری در هفت مرحله می باشد. تمام فرآیندهای تحقیقاتی در پایتون انجام شد، از جمله آماده سازی مجموعه داده، تشخیص اشیاء شبکه و طراحی الگوریتم ماتریس مجاورت. در نهایت، ماتریس مجاورت به ورودی شبکه مولد طرح پیشنهادی داده می شود که در نتیجه بر اساس مجاورت حاصل، حالت های قرارگیری متفاوتی برای فضاها و مبلمان به دست می آید.

طراحی ، معماری، ماتریس مجاورت، ایجاد پلان طبقه، پلان تشخیص