تحلیل و تولید الگوهای بومی در معماری با کمک شبکه های عصبی مصنوعی

پژوهش حاضر با هدف تحلیل ظرفیت شبکه های عصبی مصنوعی در شناسایی، بازنمایی و تولید الگوهای بومی در معماری و ارائه الگویی داده محور برای پشتیبانی از فرایند طراحی معماری متناسب با ویژگی های فرهنگی، اقلیمی و بصری زمینه انجام شد. این پژوهش از نظر هدف کاربردی و از نظر روش، توصیفی همبستگی و مبتنی بر مدل یابی معادلات ساختاری بود و در سال ۱۴۰۵ اجرا شد. جامعه آماری پژوهش را متخصصان و فعالان حوزه معماری، طراحی و فناوری های هوشمند تشکیل دادند که ۲۴۶ نفر از آنان با روش نمونه گیری در دسترس و بر اساس معیارهای ورود در مطالعه مشارکت کردند. برای گردآوری داده ها از پرسشنامه محقق ساخته تحلیل الگوهای بومی معماری، مقیاس قابلیت شبکه عصبی در بازشناسی ویژگی های معماری و مقیاس ارزیابی کیفیت تولید الگوهای بومی استفاده شد که روایی محتوایی آن ها با نظر متخصصان تایید و پایایی ابزارها به ترتیب با ضرایب آلفای کرونباخ ۰/۸۸، ۰/۹۱ و ۰/۸۶ مطلوب ارزیابی شد. داده ها با استفاده از SPSS و SmartPLS تحلیل شدند و در بخش مدل سازی، روایی سازه، ضرایب مسیر، اثرات مستقیم و غیرمستقیم و ضریب تعیین بررسی شد. نتایج نشان داد قابلیت تحلیل داده های بصری و استخراج ویژگی های معماری توسط شبکه های عصبی مصنوعی، رابطه مثبت و معناداری با توانایی بازشناسی الگوهای بومی دارد (β=۰/۶۴، p<۰/۰۰۱) و بازشناسی دقیق الگوهای بومی نیز به طور معناداری کیفیت تولید الگوهای معماری جدید را پیش بینی می کند (β=۰/۵۷، p<۰/۰۰۱). همچنین، استفاده از ویژگی های اقلیمی، هندسی و فرهنگی به عنوان ورودی شبکه، اثر معناداری بر دقت تولید الگوهای بومی داشت (β=۰/۴۸، p<۰/۰۰۱). ضریب تعیین نشان داد متغیرهای مدل در مجموع ۵۳ درصد از واریانس کیفیت تولید الگوهای معماری بومی را تبیین می کنند (R²=۰/۵۳). اثر غیرمستقیم قابلیت شبکه های عصبی بر کیفیت تولید الگوها از مسیر بازشناسی الگوهای بومی نیز معنادار بود (β=۰/۳۶، p<۰/۰۰۱). شاخص های برازش مدل شامل SRMR=۰/۰۶۱، NFI=۰/۹۲ و RMS_theta=۰/۱۱ نشان دهنده برازش قابل قبول مدل پیشنهادی بود. بر اساس یافته ها، شبکه های عصبی مصنوعی می توانند از طریق یادگیری ویژگی های تکرارشونده در داده های معماری، به استخراج ساختارهای بصری و فرهنگی الگوهای بومی و بازتولید خلاقانه آن ها در فرایند طراحی کمک کنند؛ بااین حال، اثربخشی این فناوری به کیفیت داده های آموزشی، تنوع نمونه های معماری و تعریف دقیق شاخص های فرهنگی و اقلیمی وابسته است. در مجموع، یافته ها بر ضرورت توسعه سامانه های هوشمند طراحی معماری تاکید می کنند که به جای تقلید سطحی از عناصر سنتی، قادر به یادگیری منطق شکل گیری الگوهای بومی و تبدیل آن ها به راهکارهای معاصر و زمینه گرا باشند.

کلیدواژه ها:

شبکه های عصبی مصنوعی ، معماری بومی ، الگوهای معماری ، طراحی مولد ، هوش مصنوعی ، تحلیل الگو ، معماری زمینه گرا