ارزیابی و بهینه سازی نور روز در آپارتمان ها با رویکرد یادگیری ماشین و تحلیل داده های اقلیمی
ارزیابی و بهینه سازی نور روز در آپارتمان ها با رویکرد یادگیری ماشین و تحلیل داده های اقلیمی
در بافت های شهری اقلیم مرطوب ایران، مانند رشت و لاهیجان، کیفیت نور طبیعی در آپارتمان ها با محدودیت های ویژه ای مواجه است. پوشش غالب ابری، تراکم ساختمان ها و ارتفاع طبقات باعث می شود که بخش های میانی و انتهایی پلان ها از نور کافی محروم بمانند و تجربه بصری ساکنان کاهش یابد. استفاده از یادگیری ماشین و تحلیل داده های اقلیمی، رویکردی پیشرفته برای ارزیابی دقیق و بهینه سازی روشنایی طبیعی فراهم می کند و امکان اتخاذ تصمیمات طراحی موثر پیش از اجرا را مهیا می سازد.
این روش شامل سه مرحله اصلی است: جمع آوری داده، آموزش مدل و بهینه سازی طراحی. داده ها شامل روشنایی واقعی یا شبیه سازی شده، ابعاد و موقعیت پنجره ها، عمق و هندسه فضا، رنگ و بازتاب سطوح داخلی و پارامترهای اقلیمی محلی مانند شدت نور پراکنده و ساعات ابری است. الگوریتم های یادگیری ماشین این داده ها را تحلیل می کنند تا الگوهای توزیع نور و نقاط کم نور شناسایی شوند و پیش بینی عملکرد روشنایی برای تغییرات طراحی ارائه شود.
نمونه ای کاربردی در یک پروژه آپارتمانی رشت نشان داد که افزودن نورگیرهای سقفی کوچک و تغییر موقعیت جزئی بازشوهای میانی پلان، روشنایی فضاهای مرکزی را تا ۱۸ درصد افزایش داد. همزمان با تحلیل داده های اقلیمی، پیشنهاد شد که استفاده از رنگ های روشن برای سطوح داخلی و کاهش موانع بین پنجره و فضای داخلی، یکنواختی نور را بهبود بخشد و وابستگی به نور مصنوعی کاهش یابد.
تحلیل تطبیقی با اقلیم خشک ایران، مانند اصفهان و یزد، نشان می دهد که اولویت ها در آن مناطق متفاوت است؛ الگوریتم ها بیشتر بر کاهش خیرگی و کنترل تابش مستقیم تمرکز دارند، در حالی که در اقلیم مرطوب، تمرکز اصلی بر افزایش نفوذ نور پراکنده و یکنواختی روشنایی است. این تفاوت ها ضرورت استفاده از داده های واقعی محلی برای آموزش مدل ها و ارائه راهکارهای کاربردی را برجسته می کند.
در نهایت، رویکرد یادگیری ماشین و تحلیل داده های اقلیمی، امکان ارزیابی دقیق و بهینه سازی نور روز را در آپارتمان های شهری اقلیم مرطوب فراهم می کند. این روش ابزار علمی و داده محور موثری برای ارتقای کیفیت فضایی، آسایش ساکنان و کاهش مصرف انرژی در مسکن شهری محسوب می شود.