نگاشت ویژگی های معماری سنتی در معماری نوین و پایدار با استفاده از یادگیری عمیق: یک چارچوب روش شناختی

گسترش کاربرد یادگیری عمیق در طراحی معماری، ظرفیت های جدیدی برای توسعه روش های محاسباتی و دانش محور ایجاد کرده است. بااین حال، بسیاری از رویکردهای موجود بر بازنمایی های هندسی و تصویری متکی هستند و سازوکاری نظام مند برای تلفیق دانش اقلیمی، سازمان دهی فضایی و الزامات عملکردی در فرآیندهای طراحی هوشمند ارائه نمی کنند. از سوی دیگر، بخش عمده دانش زیست اقلیمی نهفته در معماری سنتی ایران، به ویژه در اقلیم گرم و خشک، عمدتا در قالب مطالعات تاریخی و تفسیرهای کیفی ارائه شده و کمتر به ساختارهای محاسباتی در محیط های طراحی هوشمند تبدیل شده است. پژوهش حاضر با بهره گیری از رویکرد پژوهش علم طراحی، چارچوبی مفهومی و روش شناختی برای نگاشت دانش زیست اقلیمی معماری سنتی به فرآیند طراحی نوین و پایدار ارائه می کند. در این چارچوب، ویژگی های معماری در قالب پایگاه دانش، ماتریس های ویژگی، ماتریس های نگاشت و بازنمایی های گرافی سازمان دهی شده و روابط میان دانش معماری، متغیرهای طراحی، شاخص های عملکرد محیطی و مسیرهای محاسباتی به صورت نظام مند صورت بندی می شوند. همچنین، معماری مفهومی شبکه مولد گراف یکپارچه با دانش، با عنوان KIGGN، برای تبیین چگونگی به کارگیری روابط فضایی، اقلیمی و عملکردی در مدل های مولد دانش محور پیشنهاد شده است. در کنار آن، خط لوله مفهومی نمایش معنایی اطلاعات ساختمان، با عنوان BISVP، برای تشریح مسیر انتقال بازنمایی های محاسباتی به محیط های مدل سازی اطلاعات ساختمان و مدل سازی انرژی ساختمان تعریف می شود؛ به گونه ای که روابط معنایی، فضایی و محیطی حفظ شوند. افزون بر این، چارچوب پیشنهادی مفهوم تابع زیان دانش محور را مطرح می کند که مولفه هایی همچون بازسازی ویژگی ها، انسجام فضایی، اعتبار روابط ساختاری و الزامات عملکرد محیطی را دربر می گیرد. دستاورد اصلی پژوهش، ارائه یک مصنوع پژوهشی در قالب چارچوبی مفهومی و روش شناختی است که ارتباط میان دانش معماری سنتی، طراحی پایدار و یادگیری عمیق را به صورت نظام مند تبیین می کند. این چارچوب، بدون ادعای توسعه، آموزش یا اعتبارسنجی یک سامانه هوش مصنوعی، مبنایی نظری برای توسعه و آزمون سامانه های هوشمند طراحی اقلیم پاسخ فراهم می سازد.

کلیدواژه ها:

نگاشت ویژگی های معماری ، معماری سنتی ایرانی ، معماری نوین و پایدار ، یادگیری عمیق ، اقلیم گرم و خشک