کاربرد یادگیری ماشین در ارتقای کیفیت نور طبیعی فضاهای مسکونی در اقلیم مرطوب

کاربرد یادگیری ماشین در ارتقای کیفیت نور طبیعی فضاهای مسکونی در اقلیم مرطوب

در فضاهای مسکونی اقلیم مرطوب، کیفیت نور طبیعی بیش از آنکه به شدت روشنایی وابسته باشد، به یکنواختی توزیع، کنترل خیرگی و هماهنگی با الگوی زندگی ساکنان گره خورده است. در شهرهای شمال ایران، از جمله رشت، واحدهای مسکونی اغلب با نور پخشیده و متغیر آسمان سروکار دارند؛ نوری که در ساعات مختلف روز و فصل های سال رفتار متفاوتی دارد. در چنین بستری، یادگیری ماشین به عنوان شاخه ای از هوش مصنوعی، امکان می دهد که الگوهای پنهان میان ویژگی های فضا و تجربه نوری ساکنان استخراج و به راهکارهای عملی طراحی تبدیل شود.

برخلاف رویکردهای صرفا فیزیکی که خروجی آن ها معمولا به چند شاخص عددی مانند میانگین روشنایی محدود می شود، یادگیری ماشین می تواند مجموعه ای متنوع از ورودی ها را هم زمان تحلیل کند؛ از هندسه فضا و ابعاد بازشوها گرفته تا جهت گیری بنا، رنگ سطوح داخلی و حتی نحوه چیدمان مبلمان. این توانایی به ویژه در آپارتمان های اقلیم مرطوب اهمیت دارد، زیرا تغییرات کوچک در این متغیرها می تواند تاثیر قابل توجهی بر توزیع نور پخشیده داشته باشد.

در یک چارچوب کاربردی، ابتدا داده هایی از واحدهای مسکونی موجود یا طرح های شبیه سازی شده جمع آوری می شود. برای هر فضا، علاوه بر شاخص های کمی نور روز، ارزیابی کیفی مانند رضایت ساکنان از روشنایی، میزان خیرگی یا نیاز به روشنایی مصنوعی ثبت می گردد. سپس الگوریتم های یادگیری ماشین، مانند رگرسیون های غیرخطی یا مدل های درختی، تلاش می کنند رابطه میان ویژگی های فضا و کیفیت ادراک شده نور را بیاموزند. نتیجه، مدلی است که می تواند برای طرح های جدید، سطح کیفیت نوری مورد انتظار را پیش بینی کند.

نمونه ای نزدیک به واقعیت را می توان در آپارتمان های متداول رشت با پلان های باریک و کشیده در نظر گرفت. در بسیاری از این واحدها، فضاهای نشیمن در جبهه نورگیر قرار دارند، اما اتاق های میانی یا آشپزخانه ها از نور کافی بی بهره اند. تحلیل داده های چندین واحد نشان می دهد که وجود بازشوهای ثانویه کوچک یا نورگیرهای سقفی کم عمق، حتی با سطح محدود، می تواند توزیع نور را به طور معناداری بهبود دهد. مدل یادگیری ماشین با مشاهده این الگوها، قادر است در مرحله طراحی پیشنهاد دهد که در چه موقعیتی افزودن یک بازشوی کوچک بیشترین اثر را بر کیفیت کلی نور خواهد داشت.

نکته قابل توجه این است که یادگیری ماشین تنها به بهینه سازی هندسه محدود نمی شود، بلکه می تواند به تصمیم های جزئی تر نیز جهت دهد. برای مثال، در اقلیم مرطوب که سطوح داخلی اغلب در معرض رطوبت و تیرگی قرار دارند، انتخاب رنگ و مصالح با ضریب بازتاب مناسب اهمیت ویژه ای دارد. مدل های داده محور نشان می دهند که افزایش بازتاب سطوح دیوارهای جانبی در فضاهای کم عمق، گاه اثری معادل افزایش چندین درصدی سطح پنجره دارد، بدون آنکه پیامدهای حرارتی آن را به همراه آورد.

در مقایسه تطبیقی با اقلیم های خشک مرکزی ایران، الگوهای استخراج شده تفاوت معناداری دارند. در آن مناطق، کنترل شدت نور و سایه زنی اولویت دارد، در حالی که در اقلیم مرطوب، مدل ها بیشتر بر افزایش نفوذ نور پخشیده و کاهش نواحی تاریک تمرکز می کنند. این تفاوت نشان می دهد که یادگیری ماشین، اگر بر داده های محلی آموزش داده شود، می تواند به تولید راهکارهای بومی شده منجر شود و از تعمیم های نادرست جلوگیری کند.

کاربرد عملی این رویکرد در دفاتر طراحی و شرکت های ساختمانی، به ویژه در پروژه های انبوه سازی، بسیار قابل توجه است. به جای آزمون وخطای پرهزینه، طراح می تواند با وارد کردن ویژگی های اولیه طرح، پیش بینی نسبتا دقیقی از کیفیت نوری فضاها دریافت کند و پیش از ورود به مرحله اجرا، اصلاحات لازم را انجام دهد.

در نهایت، یادگیری ماشین این امکان را فراهم می کند که کیفیت نور طبیعی از یک معیار ثانویه به یکی از محرک های اصلی تصمیم گیری طراحی در مسکن اقلیم مرطوب ایران تبدیل شود. اگر این رویکرد با داده های واقعی پروژه های بومی تغذیه شود، می تواند به ارتقای تجربه زیستی ساکنان و کاهش وابستگی به روشنایی مصنوعی در شهرهای شمالی کشور بینجامد؛ مسیری که هم از نظر انسانی و هم از منظر پایداری، ارزش راهبردی دارد.