MİMARLIK ALANINDA YAPAY ZEKANIN KULLANIM ALANLARININ İNCELENMESİ
MAHMUT ÇOLAK – 2022
Özet
Bu çalışma, mimarlık ve endüstrisi 4.0 ve 5.0 için yapay zeka (YAPAY ZEKA), makine öğrenimi (ML) ve derin öğrenme (DL) uygulamalarının mimari tasarım ve görselleştirme, malzeme tasarımı ve seçimi, yapısal tasarım, imalat ve kontrol sistemleri, inşaat yönetimi, , akıllı işletme, bina yönetimi ve iş sağlığı güvenliği gibi alanlardaki çalışmaları incelemeye odaklanmaktadır. Bu makale, konsept aşamasından, tasarım aşamasına, inşaat aşamasına, yaşam dönemi aşamasına kadar olan tam bina yaşam döngüsü için bu alanlardaki YAPAY ZEKA DL ML uygulamalarına bir bakış sunmaktadır. Ayrıca, akıllı görüntü ve sensörlerle veri toplama, veri düzenleme yöntemleri , bu modelleri geliştirmek gibi konular araştırılmıştır. Ve model geliştirme sırasındaki zorluklar ve bu zorlukları aşmak için stratejiler açıklanmaktadır. Bu alanlarda gelecekteki durum ve olası problemlerde sunulmaktadı, yapay zeka teknolojilerinin mimarlık alanında kullanımı, tasarım ve yapım sürecinde önemli bir rol oynayabilecek ve gelecekte mimarlık alanının gelişimine önemli katkılar sağlayacaktır.
Anahtar Kelimeler: Yapay zeka, endüstri 4.0, mimarlıkta yapay zeka, mimarlık makine öğrenimi, mimarlıkta derin öğrenme
1.Giriş
Yapı ve inşaat endüstrisi yavaş ama sürekli olarak gelişmektedir. Yeni teknolojileri, Sanal İkiz , Bina Bilgi Modelleme , Yapay Zeka (YAPAY ZEKA), Nesnelerin İnterneti ve Akıllı Görünüm (SV) gibi kabul ederek, inşa edilmiş ortamların verimliliğini, üretkenliğini, doğruluğunu ve güvenliğini artırmak için daha fazla ilerlemektedir. Endüstri 4.0, dördüncü endüstri devrimi olarak adlandırılan, geleneksel endüstri uygulamalarının ve üretim yöntemlerinin son teknolojilerle otomatik akıllı sistemlere dönüştürülmesidir. Benzer bir düşünce yoluyla, yapı ve inşaat endüstrisi 4.0, son teknoloji endüstriyel üretim sistemleri, siber-fizik sistemler ve dijital ve hesaplama teknolojilerinin bir araya gelmesi olarak tanımlanabilir.
Bu, yapı ve altyapı tasarımı, inşaat, işletme ve bakımı yeniden tanımlarken döngüselliği de dikkate alır. Endüstriyel üretim sistemlerine örnek olarak, 3 boyutlu yazıcı ve montaj, önceden hazırlanmış ve dışarıda üretim, robotlar ve dijital ve hesaplama teknolojileri arasında BIM, YAPAY ZEKA, derin öğrenme , makine öğrenimi , bulut hesaplama, büyük veri ve veri analitikleri, yapay zekan, artırılmış gerçeklik (AR), sanal ikizleri içerecektir. Bu dijital dönüşüm nedeniyle, büyük miktarlarda veri üretilir ve bu verilerin sistematik analizi ve tahmin modelleri kullanılarak yaratıcı mimari ve yapısal tasarımlar, inşaat ve operasyonel güvenliği iyileştirme, temel ve operasyonel enerji gereksinimlerini azaltma, inşaat ve operasyonel maliyetleri azaltma, inşaat hızlarını arttırma, geri dönüş dönemlerini iyileştirme ve sürdürülebilirlik yaklaşımları da sağlanabilir.
Ancak, büyük miktarlarda veriyi incelemek ve verileri kurallara dayalı yaklaşımlar kullanarak insan veya klasik bilgisayar programları tarafından tanımlamak gerçekçi değildir. Bu nedenle, YAPAY ZEKA’nin büyük miktarlarda veriyi işleme, desenleri tanıma ve büyük ölçekli istatistiksel modeller oluşturma yeteneği, yapı ve inşaat endüstrisi 4.0’ın dijital verilerini işlemesi için anahtar bir aracıdır. Ancak, YAPAY ZEKA 1940’larda tanıtılan bir kavramdır ve genel olarak, YAPAY ZEKA, insan zekasını taklit eden akıllı makine veya bilgisayar programlarının geliştirilmesi olarak tanımlanır.
Son yıllarda, YAPAY ZEKA alanında bilgisayar görüsü, robotik, otomatik araçlar, oyunlar, medikal tanı, konuşma tanıma ve üretken tasarımlar gibi birçok alanda ciddi bir ilerleme gözlenmiştir. Bu ilerlemelerin arkasındaki temel teknolojiler makine öğrenimi ve derin öğrenimdir. Makine öğrenimi, geçmiş deneyimlere dayalı tahminler yapılan YAPAY ZEKA alt alanıdır. Makine öğrenimi, girdi verileri kullanarak veriyi anlamlı şekilde dönüştürebilir ve kullanışlı desenler ve temsiller öğrenebilir. Derin öğrenim, makine öğreniminin alt alanıdır ve basit ve ayarlanabilir hesaplama elemanlarının birden fazla katmanı olan bir makine öğrenimi tekniği olarak tanımlanabilir. Derin öğrenim genellikle sinir ağları olarak adlandırılan bir katman dizisi kullanılarak gerçekleştirilir. Konvolüsyon Sinir Ağları (CNN) katman dizisiyle derin öğrenim, şu anda geniş kullanım alanına sahip olan bir tekniktir ve bu, görsel nesne tanıma, konuşma tanıma, görüntü sentezi, konuşma sentezi ve makine çevirisi gibi alanlarda sıklıkla kullanılır.
YAPAY ZEKA ML DL ve yaygın kullanılan algoritmaların mantığı Şekil 1’de gösterilmiştir. Burada MLP, Çok Katmanlı Algılayıcı . Ancak, büyük miktarlarda veriyi incelemek ve desenleri kurallara dayalı yaklaşımlar kullanarak insan veya klasik bilgisayar programları tarafından tanımlamak gerçekçi değildir. Bu nedenle, YAPAY ZEKA’nin büyük miktarlarda veriyi işleme, verileri tanıma ve büyük ölçekli istatistiksel modeller oluşturma yeteneği, yapı ve inşaat endüstrisi 4.0’ın dijital verilerini işlemesi için anahtar bir aracıdır.
Şekil 1: Algoritmanın çalışma prensipleri. Kaynak: (Uzun, 2020)
Bu çalışma, inşaat ve yapı 4.0’da ML/DL algoritmaları, veri edinme yöntemleri, YAPAY ZEKA, ML ve DL uygulamalarını ve zorlukları özetlemek ve inceleme yapmak amacını taşımaktadır. Bu makalede, yapı inşaat endüstrisinde YAPAY ZEKA uygulamaları yedi bölüme ayrılmıştır. Bu bölümler, mimari tasarım ve görselleştirme; malzeme tasarımı ve optimize etme; yapısal tasarım ve analiz; dışarıda üretim ve otomasyon; inşaat yönetimi, ilerleme izleme ve güvenlik; akıllı işletme, bina yönetimi ve sağlık izleme; dayanıklılık, ömür analizi ve döngüsel ekonomi şeklindedir. Bu inceleme makalesi, yapı ve inşaat endüstrisi 4.0’da yapay zeka ve bilgisayar görüsü uygulamalarının bütüncül bir perspektifini sunmaktadır ve bu makale diğer makalelerle karşılaştırıldığında, planlama aşamasından, inşaat aşamasına, işletme ve bakım aşamalarına kadar YAPAY ZEKA ve bilgisayar görüsü uygulamalarını kapsamaktadır.
ML ve DL algoritmalarının iyi anlamak mimarlık alanında da çok önemlidir ve sonraki bölüm bu algoritmaların temellerini ve bu ML ve DL modellerini eğitmek için gerekli olan girdi verilerini nasıl elde edeceğimizi kısaca bahsetmekteyiz. Sonra, belirtilen alanlarla ilgili olarak mimarlık üzerinde YAPAY ZEKA, ML ve DL uygulamaları tartışılmaktadır.
Bu çalışmada yer alması gereken literatürü tanımlamak için yerli ve yabancı literatür değerlendirildi. Kaynaklardan dergiler, konferanslar ve tezler ve makaleler seçildi. Literatürün ön araştırması için yukarıda belirtilen yedi büyük bölüm mimari tasarım ve görselleştirme, malzeme tasarımı ve optimize etme,yapı tasarımı ve analiz,yerinde üretim ve otomasyon,inşaat yönetimi, ilerleme izleme ve güvenlik, akıllı işletme, bina yönetimi ve sağlık izleme,dayanıklılık, yaşam döngüsü analizi ve döngüsel ekonomi olarak kullanıldı ve machine learning, deep learning ve artificial intelligence terimleriyle birlikte arama yapıldı.
Bu makalenin amacı, yapay zeka, derin öğrenme ve makine öğrenimi teknolojilerinin mimarlık ve inşaat alanındaki kullanımını incelemek ve literatürü taramaktır.. Bu çalışma ile, yapay zeka teknolojilerinin mimarlık ve inşaat alanında kullanımına yapay zekar yayınlanmış literatürün genel durumu ve gelecekteki potansiyelleri hakkında bilgi sağlamak amaçlanmıştır.
Bu çalışmada, mimarlık alanında kullanılan yapay zeka yöntemleri incelenecektir. Günümüzde, yapay zeka teknolojileri hızla gelişmekte ve birçok alanda kullanılmaktadır. Mimarlık alanı da bu teknolojilerin kullanımı ile birlikte hızla değişmektedir. Yapay zeka teknolojileri, mimarlık alanında fonksiyonel tasarımdan, enerji verimliliğine, malzeme seçiminden, yapı analizine ve yapım yönetimine kadar birçok alanda kullanılabilmektedir. Bu çalışmada, mimarlık alanında kullanılan yapay zeka yöntemleri ve uygulamaları incelenecek ve bu yöntemlerin avantajları ve dezavantajları tartışılacaktır. Ayrıca, gelecekte mimarlık alanında yapay zeka teknolojilerinin kullanımının nasıl gelişebileceği ve mimarlık alanının gelecekte nasıl etkileyeceği konusunda bir değerlendirme yapılacaktır.
Bu bölüm, mimarlıkta kullanımını anlamamız için yapay zeka işlemlerine kısa bir giriş yapacak, geniş kullanılan ML/DL algoritmalarına ve bu algoritmalara girdi olarak kullanılacak verileri toplamak için kullanabileceğimiz genel bir bakış sunacaktır.
Makine öğrenimi, bir bilgisayarın verilen bir veri kümesini gözlemleyerek girdi verilerine dayalı bir model oluşturmasını içeren yapay zeka alt alanıdır. ML, geleneksel programlama ile farklıdır. Geleneksel programlama içinde kurallar bir bilgisayar dili içinde yazılır ve verilerden açıkça öğrenme yapılmaz. Geleneksel programlamaya karşı olarak, ML verileri kullanarak tahmin modeli oluşturur ve bu modeller sonra görülmemiş verilerle tahmin yapmak için kullanılır. Bazı sorunlar için, kurallara dayalı bir program geliştirmek çok zordur ve kodun karmaşıklığı nedeniyle, bu durumda yeterli veri mevcutsa, ML kullanılabilir.
Şekil 2: DCAGN mimarlığı şeması. Kaynak: (Uzun, 2020)
Makine öğrenimi yöntemleri birçok şekilde sınıflandırılabilir. ML modellerinin sınıflandırılmasındaki önemli yöntemlerden biri, modellerin eğitim sürecinde alacakları denetim miktarına göre sınıflandırma yapmaktır. Burada, ML modelleri olarak denetlenen öğrenme, denetimsiz öğrenme veya pekiştirme öğrenimi olarak sınıflandırılabilir. Denetlenen öğrenme, veri kümesinde hem tahmin ediciler hem de ‘etiketler’ olarak adlandırılan sonuçlar içerir. Başlangıçta, denetlenen makine öğrenimi modeli gösterildiği gibi etiketli veri kümesi kullanarak eğitilir ve eğitilmiş ML modeli kullanarak görülmemiş veriler için varsayımlar yapılabilir. En yaygın kullanılan denetlenen görevler arasında sınıflandırma ve regresyondur. Sınıflandırma görevlerinde, diskret bir sınıf etiketi tahmin edilirken, regresyon görevlerinde sürekli bir değer tahmin edilir. En yaygın kullanılan denetlenen öğrenme algoritmaları arasında k-En Yakın Komşular, Destek Vektör Makine (SVMs), Lojistik Regresyon, Lineer Regresyon ve Sinir Ağları bulunur.
Şekil 3: mimarlıkta yapay zekanın kullanım alanları. Kaynak: (Brownlee, 2019)
Denetimsiz öğrenmede, etiketlenmemiş bir veri kümesi, verideki gizli desenleri veya iç yapıları belirlemek için kullanılır. Denetimsiz öğrenme, kümeleme, anomali tespiti, yenilik tespiti, görselleştirme ve boyut azaltma gibi görevler için yaygın olarak kullanılır. Pekiştirme öğrenimi, istenilen davranışları ödüllendirerek ve istenmeyen davranışları cezalandırarak ML modelini eğiten bir ML yöntemidir. Pekiştirme öğrenimi tanımı olarak bilinen öğrenme sistemi, çevre ile ilgili olarak gözlem yapar ve ödül veya ceza alabilecek eylemleri gerçekleştirir. Amaç, zaman içinde maksimum ödülleri elde etmek için ‘ilke’ olarak adlandırılan en iyi stratejiyi bulmaktır. Verilen bir durumda uygulanacak eylem, ilke tarafından belirlenir.
Denetlenen, denetimsiz ve pekiştirme öğrenimi dışında, bazen yarı-denetlenen öğrenme olarak adlandırılan başka bir kategori de kullanılır. Yarı-denetlenen öğrenme, veri kümesinin sadece kısmen etiketlenmiş olduğu durumlarda kullanılır.
DL, makine öğrenimi alt alanı olarak, yapay sinir ağları ve diğer ilgili makine öğrenimi algoritmalarının çalışması olarak anlaşılabilir. Bu yüzden, derin öğrenme algoritmasında girdilerden çıktılara uzanan birçok adımdan oluşur. Önceki bahsedilen ML algoritmalarına kıyasla, DL algoritmaları genellikle resimler, video ve ses gibi daha yüksek boyutlu verilerle daha yararlıdır çünkü uzun hesaplama yollarının varlığından dolayı. İnşaat ve bina endüstrisinde yaygın olarak kullanılan DL algoritmaları aşağıdaki alt başlıklarda kısaca tanıtılmıştır.
2.2.1. İleri besleme sinir ağları
İleri besleme sinir ağları (FNN), aynı zamanda “çok katmanlı algılayıcılar” (MLP) olarak da bilinir, geri bildirimsiz olarak sadece ileri doğrultuda bilgi akışı olan yaygın bir derin öğrenme algoritmasıdır. FNN’nin mimarisi, burada yapay zeka sinir hücrelerini temsil eder. FNN’lerin birden fazla katmanlı sinir hücreleri vardır ve bunlar birbirlerine bağlıdır ve girdi verileri girdi katmanına beslenir ve veriler gizli katmanlar aracılığıyla akıştırılır ve çıktı katmanı sonucu verir.
Şekil 4: mimarlıkta yapay zekanın kullanım alanları. Kaynak: (Aytaçlı, 2012)
Gizli katmandaki bir sinir hücresi önceki katmandan gelen girdiyi alır, ağırlıklı girdi (Aytaçlı, 2012) ile bir sapma terimi (b) ekler ve sonucu,şekil. 4’de gösterildiği gibi, bir nonlinear aktivasyon fonksiyonu olan f(x) aracılığıyla transfer eder. Uygulamaya bağlı olarak ReLu, sigmoid, softmax, tanh gibi farklı nonlinear aktivasyon fonksiyonları kullanılabilir.
Sinir ağı veri kümesi kullanarak eğitilebilir ve bu eğitim sürecinde ağın çıktı katmanlarından gelen çıktı gerçek değerlerle karşılaştırılır ve kayıp hesaplanır. Kayıpları hesaplamak için birçok yöntem var, örneğin ortalama kare hata, ortalama mutlak hata ve ikili çapraz entropi. Eğitim veri kümesinin tüm kayıplarını toplamak ve aşırı uyumu azaltmak için herhangi bir düzenleme eklemek, maliyet fonksiyonu hesaplanır. Amaç, arka yayılma olarak adlandırılan bir yöntemle sinir ağının ağırlıklarını ayarlamak suretiyle maliyet fonksiyonunu minimize etmektir. Arka yayılma hata ve ağırlıklar arasındaki gradienti hesaplar. Hata versus ağırlıklar arasındaki gradiente dayanarak, iniş gibi optimizasyon algoritmaları kayıplı minimize etmek için ağırlıkları hesaplayabilir. Aynı veri kümesi, bu ağırlıkları ayarlamak için birçok kez işlenir ve sonra minimize edilmiş hata ile eğitilmiş model elde edilir. Eğitilmiş modeller her sinir hücresi için her girdi verisi için ayarlanmış ağırlıklara sahiptir ve bu ağırlıklar çıktı sonuçları için girdi verilerinin önemine orantılıdır. Son olarak, model yeni veriler kullanarak çıktı tahmin etmek için kullanılır.
2.2.1. Konvansiyonel Sinir Ağları
Konvansiyonel Sinir Ağları (CNN), ızgaralı bir topolojide veri işlemek için kullanılabilecek benzersiz bir tür Yapay Sinir Ağı (ANN) ‘dir. CNN’ler çoğunlukla resimlerle sınıflandırma ve bilgisayar görüsü uygulamalarında kullanılır. CNN’nin mimarisinde üç tip katman vardır. Bunlar konvolüsyon katmanı, havuzlama katmanı ve tamamen bağlı (FC) katmandır. Tipik bir CNN’de, konvolüsyon katmanları bir havuzlama katmanı veya başka bir konvolüsyon katmanı takip eder ve FC katmanı sonunda gösterilir. (şekil5)
Şekil 5: Konvansiyonel Sinir Ağları Çalışması. Kaynak: (Domingos, 2015)
CNN’nin girdi katmanı girdi resim verilerini tutar. Konvolüsyon katmanı, CNN’nin temel yapı taşıdır ve filtre / çekirdek / özellik algılayıcı ve özellik haritası gibi birkaç bileşen kullanır. Özellik algılayıcısı / filtre / çekirdek, resim boyutundan daha küçük olan 2D bir ağırlık dizisidir. Resim piksel değeri ile filtrelerin ağırlıkları arasında bir nokta ürünü hesaplanır ve sonuç bir çıktı dizisine beslenir. Bu işlem konvolüsyon olarak bilinir ve özellik algılayıcısı tüm resmi boyunca bu hesaplamayı yapmak ve özellikleri belirlemek için hareket eder. Bu yöntemde, bir katmanın tüm nöronları, NN’de olduğu gibi, bir sonraki katmandaki nöronlarla bağlı değildir. Sadece filtresine yapay zekat nöronlar, sonraki katmandaki eklenti edilmiş nörona bağlıdır.(Uzun, 2020)
Bu işlemden çıkan çıktı, bir özellik haritası olarak veya aktivasyon haritası olarak veya eklenti edilmiş bir özellik olarak bilinir ve bu yöntem, nöronlar arasındaki bağlantıları azaltarak büyük girdiler için daha az bellek ve işlem gereksinimi sağlayarak derin öğrenmeyi devrimleştirdi. Resim, video ve ses gibi. Konvolüsyon katmanının derinliği filtre sayısına bağlı olacaktır. Eklenti katmanından sonra bir aktivasyon fonksiyonu uygulanır. Havuzlama katmanı, alanın toplamını ve ortalamasını alarak görüntünün boyutunu azaltmak için kullanılır. Bu işlem aynı zamanda indirgeme olarak da bilinir. Tamamen bağlı katman, ağda gösterilen sonda yer alır ve bu katmandaki nöronlar önceki katmandaki aktivasyonlarla tamamen bağlıdır. Filtre boyutu, filtre sayısı, dolgu ve adımlar, DL algoritmalarının mimarisini belirleyen hiperparametrelerdir (Chaillou, 2019). Maliyet fonksiyonu sonra gerçek değerlerle karşılaştırılan sonuçlara dayanarak hesaplanır ve çekirdeklerin ağırlıkları hata arkasından güncellenir.
2.2.2 Üretken ağlar
Üretken ağlar (GAN) görüntüler, videolar ve sesler oluşturmak için generatif modellemeye odaklanan bir derin öğrenme algoritmasıdır. GAN’lar kullanılarak, eğitim
veri setindeki veriye benzeyen yeni veri örnekleri oluşturulabilir. GAN’lar mimarisinde iki
tür derin sinir ağı kullanırlar: “üreteç” ve “ayırt edici”. Üreteç, eğitim veri setindeki veriye benzeyen yeni özellikleri oluşturmak ve ayırt edicinin geri bildiriminden yararlanarak sorumludur. (Uzun, 2012)
Ayırt edici, üreteç tarafından oluşturulan veriden gerçek veriyi tanımak ve üreteçe çıktı görüntülerin gerçek görüntülerle karşılaştırıldığında kalitelerini hakkında geri bildirim sağlamak için sorumludur. Eğitimin ilk aşamalarında, üreteç açık sahte sonuçlar oluşturur ve ayırt edici bu sahte sonuçları net olarak tanımlar. Ancak eğitim ilerledikçe, üreteç ayırt ediciyi kandıran sonuçlar oluşturabilir ve eğitim başarılı ise ayırt edici sahte veriyi gerçek olarak sınıflandırmaya başlar ve ayırt edicinin doğruluğu azalır.
Şekil 6: Çekişmeli üretken ağ modeli Çalışması. Kaynak: (Uzun, 2020)
Bu teknoloji, yayınlandığı andan itibaren dünya çapında görsel tasarım ilgilileri tarafından ilgi gördü. Pennsylvania ve Tsinghua Üniversitesi araştırmacıları Hao Zheng ve Weixin Huang, ilk kez Üretken Ağlarını mimari planlar üzerinde deneyimleyip sonuçları rapor ettiler. Zhang, Columbia Üniversitesi veri tabanından elde ettiği 800 adet kat planını, siyah boyalı kesimlerle birlikte, Üretken Ağını beslemek için kullandı. Test aşamasında, rastgele çizdiği kesimleri programa verip, gerçek bir plan çizmesini istedi.
Şekil 7: Oluşan mimari planlar. Kaynak: (Zheng, 2019)
Şekil 8: Mimari hava fotoğrafı taslağının üretken ağ etkisi. Kaynak: (Zheng, 2019)
Üretken Ağ, bir yazılım programıdır ve sınırları algılayarak planları oluşturur. Zheng, ilk denemesinde planların iç kısmının bulanık olduğunu fark etti ve daha fonksiyonel bir besleme biçimi tasarladı. Bu sefer planları renklendirmeye karar verdi ve iç sınırları, yaşama alanını ve mobilya alanını farklı renklere boyadı. Ayrıca fazladan modülarite kazandırmak için mimari eksenler belirledi. Huang ise benzer şekilde programladığı Üretken Ağ’ı odaları farklı renklere boyadığı ayrıntılı yapay zeka şemalarıyla besleyerek, Ağ’ın algılama ve üretme yeteneğini incelemek üzere iki farklı deneme yaptı. Program, odaları algılayarak renkli bir fonksiyon şeması geri döndürdü ancak koridor gibi geçitler söz konusu olduğunda renklendirmede küçük hatalar yaptı.( Uzun, 2020)
Şekil 9: Üretken ağlarla oluşturulan planlar. Kaynak: (Uzun, 2020)
2.2.4 Otomatik Kodlayıcılar
Otomatik kodlayıcılar (VAE) başka bir yaygın olarak kullanılan derin generatif algoritmadır. VAE, eğitim süresi boyunca kodlamaların dağılımının düzenli hale getirilmiş bir otomatik kodlayıcıdır. Bir otomatik kodlayıcı bir kodlayıcı ve bir çözücü sinir ağından ve bir evren (kodlanmış uzay) olarak gösterilir. (Chaillou, 2019) Kodlayıcı eski özellikleri gizli uzaydaki yeni bir özellik temsiliğine dönüştürür ve çözücü bu işlemi geri çevirmeye çalışır ve orjinal özellikleri yeniden oluşturmaya çalışır. Bir otomatik kodlayıcı verilerle eğitilir ve kodlama-çözümleme şeması iteratif bir optimize işlemi aracılığıyla aranır. Iyi organize edildiğinde, yeni veriler decoder aracılığıyla gizli uzayda örneklenen noktaları çözümleyerek oluşturulabilir. Böylece, varyasyonel otomatik kodlayıcılar eğitimin düzenlenmesini sağlar ve generatif işlemi kolaylaştırmak için iyi organize edilmiş olmasını kapsar.
2.2.5 Diğer Yapay Zeka Sistemleri
Bahsedilen temel algoritmaların yanı sıra, inşaat ve bina endüstrisi alanında araştırmacılar tarafından birçok makine öğrenme ve derin öğrenme algoritması kullanılmaktadır. Bu algoritmaların bazıları, çok kısa bir açıklaması ile Tablo 1’de sunulmuştur. Makine öğrenmesi ve istatistik arasında köken olarak benzerlikler olsa da, iki arasında açık bir farklılık vardır.(Bayer, Bukhari ve Dengel, 2017)İstatistikler genellikle bir örnekten nüfus sonuçları çıkarır ve makine öğrenmesinin temel amacı veri kullanarak genelleyebilir öngörülebilir keşiflerini bulmaktır
Tablo 1: Mimari alanlarda kullanılan diğer algoritmalar. Kaynak: (Domingos, 2015)
Yapay zeka, mimarlık alanında farklı uygulamalar için kullanılmaktadır. Örnekler arasında:
Bu örnekler sadece yapay zeka teknolojilerinin mimarlık alanındaki kullanımlarının bir örnekleridir, özellikle yapay zeka ve öğrenme teknolojilerinin gelişmesiyle bu kullanımların sayısı ve çeşitliliği artacaktır.
Bu kapsamdaki uygulamalara genel çerçevede bakılırsa;
4.1 Mimari Tasarım ve Görselleştirme
İnşaat sektöründe mimari tasarım, yapıların estetiği ve yapının işlevi dikkate alınarak planlama ve geliştirme işlemlerini içermektedir. Mimari tasarımın ana bileşenleri arasında yapının şeklinin planlanması, yapının estetiğinin dikkate alınması, renkler, doku, malzemeler, mimari unsurlarla yapıların planlarının oluşturulması yer alır.
Şekil 10: Yapay zeka görselleştirme sistemi. Kaynak: (Yoo ve Lee, 2021)
Mimari tasarım ve görselleştirme karmaşık bir işlemdir ve mimarların uzmanlığı, geçmiş tecrübesi ve yaratıcılığı gerektirir. Yapay zeka, önceki tasarım verilerinde görülen desenleri dikkate alarak yeni tasarımlar oluşturmakta yardımcı olabilir. Derin öğrenme algoritmaları, mimari tasarım ve görselleştirme alanında geniş ölçüde kullanılmaktadır ve 2D ve 3D generatif mimari tasarım, mimari tarzlar ve bina tiplerinin sınıflandırılması, mimari çizimler ve mekân tanıma ve iç mekan sentezi gibi uygulamaları içermektedir.
Yapay zeka üretici derin öğrenme modelleri, 2D ve 3D’de inovatif mimari tasarımlar oluşturmak için dikkate değer beceriler göstermiştir. GAN, bina kütleleri, kat planları, iç tasarım planları ve gibi mimari özelliklerin otomatik olarak oluşturulmasını yeniden tanımlamıştır.(Uzun, 2020)
Derin öğrenme algoritmaları kullanarak mimari kat planlarının oluşturulması geniş ölçüde araştırılan bir alandır. Bir eğitilmiş modeli ve bir görüntü veri kümesi kullanarak GAN kullanarak mimari çizimler oluşturuldu ve bu “ArchiGAN”olarak adlandırıldı.(Uzun, 2020) Çalışmasında, arsa şeklinin girdi olarak verildiğinde bina için tamamen donatılmış mimari planlar oluşturmak için birkaç adım izlendi. Nauata et al. [5], House-GAN algoritmasını önerdiler ve bu algoritma ile ev planlarını bir grafik kısıtlamalı GAN kullanarak ürettiler. Bu algoritmanın iş akışı şekilde görüntülenmektedir. Bu algoritmanın ilk girdisi odaların bağlantısı, odaların sayısı ve odaların türü gibi kısıtlamaları belirtmek için bir kabarcık diyagramıdır. Bu kabarcık diyagramında, düğümler odaların türlerini temsil eder ve kenarlar odaların bitişliğini temsil eder. Sonra odaların türüne göre odaların maskeleri oluşturulur.
Şekil 10: Yapay zeka görselleştirme örneği. Kaynak: (Borji, 2019)
Şekil 11: Oluşturulan otonom mimari plan taslağı. Kaynak: (Uzun, 2020)
Algoritmaların mimari tasarımda uygulanmasına yönelik denemelerini sürekli kullanmakta ve geliştirmekteyiz. Yapay zekanın mimari tasarımda uygulanması çok umut verici olmasına rağmen, bu algoritmaların tam potansiyelini elde etmek için dikkate alınması gereken bazı önemli faktörler ve zorluklar bulunmaktadır. Birincil bir dikkat edilmesi gereken şey, incelenen konu için uygun yüksek kaliteli bir veri kümesinin elde edilmesidir. Diğer önemli bir dikkat edilmesi gereken şey, bu algoritmalar için kullanılacak veriyi ön-işlemek için harcanan zaman ve kaynaklardır. (Uzun, 2020)Ancak bazı algoritmalar, modele girdi olarak verilmeden önce yoğun veri ön-işlemi gerektirir. Makine öğrenme ve derin öğrenme algoritmalarına ek olarak, mimari özellikleri oluşturmak için geniş ölçüde kullanılan bir çok kullandığımız programlar bulunmaktadır(skecth up, CAD, 3ds Max Rhino, ArchiCad, Lumion). Bu optimizasyon algoritmalarının binanın form üretimi, cephe tasarımı, enerji verimli mimari tasarım, kat planı üretimi gibi birçok uygulaması daha önceki literatürde bulunabilir.
4.2. Yapı Elemanlarının Seçimi
Uygun bir inşaat malzemesini seçmek, mimari tasarım aşaması tamamlandıktan sonra önemlidir. İnşaat malzemesi inşaat hızını, dayanıklılığı, gücü, enerji verimliliğini, emisyonu, estetiği ve yapının tamamını etkiler ve bu kriterleri dikkate alarak yüksek performanslı malzemeler ve kompozitler yapay zeka teknikleri kullanılarak tasarım ve geliştirilebilir.
Materyal tüketimini, maliyeti ve sınırlı testler sonucu oluşan zamanı azaltmak için mekanik özellikleri tahmin eden yapay zeka içeren modeller geliştirmek için sürekli araştırmalar yapılmaktadır.
Güncel teknolojiler YAPAY ZEKA uygulamaları ile beton, çelik ve ahşap üzerinde odaklanmaktadır ve bu
Şekil 12: yapay zekanın malzeme ve tasarım revizeleri. Kaynak: (Uzun, 2020)
Beton, ahşap ve çelik kullanımını optimize etmenin ana zorluğu, önceki veriler temelinde çeşitli amaç fonksiyonlarını tahmin eden ML ve DL algoritmalarının yardımı ile amaç fonksiyonuna ve çeşitli kısıtlamalara dayalı olarak tasarım ve kullanımı optimize etmektir.. Bu amaç fonksiyonları genellikle maliyeti, sıkıştırma dayanımı, kesme dayanımı gibi performans kriterleri ve benzeri karbon bileşenleri ve emisyonlar gibi çevresel kriterleri içerir (DeRousseau, 2016).
Seçimler çoğunlukla programlama, ikinci dereceden optimizasyon gibi algoritmaları ile gerçekleştirilir ve yapay zeka optimizasyon sürecinin bir parçası olarak özellik tahmini için kullanılır. Önceki araştırmalarda yapay zeka kullanımı malzeme optimizasyonunda;
çevresel performans, maliyet, dayanım gibi konular üzerinde yürütülür.
4.2. Şantiye ve Risk Yönetimi Etkisi
Yapı teknolojisindeki gelişmeler, daha iyi yapı kalitesi ve daha hızlı yapı sürelerine yol açmıştır. Yapı yönetimi, proje planlama, koordinasyon, bütçeleme ve denetim yoluyla yapı projesini yönetmeyi içerir. Şu anda, bu işlemler mühendislerin deneyimi ve piyasada mevcut olan yazılımlar kullanılarak gerçekleştirilir. İlerleme izleme de fotoğraf çekme ve ilerleme belgelendirmesi gibi sitelerden bilgi elde etme yoluyla manuel olarak gerçekleştirilir. Yapı güvenliği de yerinde manuel denetim yöntemleri kullanılarak uygulanır. Ancak, bu işlemler YAPAY ZEKA kullanarak verimliliği ve doğruluğu arttırmak mümkündür. Bu bölüm, yapı yönetiminde, ilerleme izlemede ve yapı güvenliğinde YAPAY ZEKA uygulamalarını inceler.
Şekil 13: Yapay zekanın imalat aşamasını değerlendirmesi. Kaynak: (Fang, 2018)
Yapı yönetimi alanındaki yayınların çoğunluğunun odak noktası, YAPAY ZEKA uygulamasıyla proje maliyetlerinin optimize edilmesiydi. Başka bir ana odak noktası ise, GA, ANN, Parçacık Sürü Optimizasyonu (PSO) ve Koloniyi Optimizasyonu (ACO) gibi akıllı algoritmalar kullanarak yapı projeleri için maliyet veya nakit akışı optimizasyonudur. Çok sayıda yayında nakit akışını optimize etmek için, proje süresi tahmini için ve kaynaklandırma, maliyet optimizasyonu ve atık azaltma gibi karmaşık sorunları çözmek için kullanıldı.
Risk yönetimi, yapı yönetiminin başka bir yönüdür ve yapay zeka uygulamasından yararlanmaktadır. Uzun kısa vadeli bellek , yol yapımı sektörü için maliyet endeksi tahmini (fiyat trendi göstergesi) yapmak için kullanılmıştır. Maliyet risklerini minimize etmek için. Benzer şekilde, işi en uygun şekilde yerine getirebilecek işçileri sıralamak ve seçmek için proje yönetim çabalarını ve proje maliyetlerini gecikmeye neden olmadan azaltmak için bir YAPAY ZEKA tabanlı sistem geliştirildi. Risk yönetiminde geleneksel yöntemlere cevap vermek için, bir sitenin risk seviyesini belirlemek için Random Forest (RF), en yakın komşu (KNN), Lojistik Regresyon (LR) ve Karar Ağacı (DT) algoritmaları ile kullanılması gösterilmiştir(Uzun, 2020). Yapay dil işleme (NLP) yalnızca tarafından yapı bilgi dokümantasyonu için bir veritabanı oluşturmak için kullanılan yöntemde görüldü.
4.3. Yapay Zeka Destekli Akıllı Ev ve Yapı Sistemleri
Geleneksel binalar sensörler eksik olduğu için, bina yönetimi ve bakımın karar verme aşamasında önemli verilerin eksikliği oluşur. Bina yönetim sistemi tasarlamak ve tüm elemanları birleştirmek için veri toplamak zor bir meydandır çünkü bina bileşenlerinde ciddi varyasyonlar, büyük veri miktarları, bina dinamiklerinin, hava durumunun ve kaçınılmaz olarak belirsizliklerin çeşitliliği vardır. Modern binalarda, IoT verileri toplamak için etkili bir şekilde temel oluşturur ve daha sonra YAPAY ZEKA gibi teknolojiler kullanarak analiz etmek için. Operasyonel ve bina yönetiminde YAPAY ZEKA kullanımı, “akıllı bina” terimini anmadan tartışılamaz. Bu, optimizasyonlu yapılar, hizmetler, sistemler ve aralarındaki ilişkiler aracılığıyla elde edilen verimli bir ortamı ifade eder. Akıllı bir bina, katılımcılara yüksek kaliteli ve güvenli, güvenli ve maliyet verimli hizmetler sunmak için birçok teknoloji birleştirilir, veri analitikleri, veri toplama, veri depolama ve veri görüntüleme dahil. Akıllı bir binada YAPAY ZEKA’nın entegrasyonunu gösteren bir şema (şekil 14).
Şekil 14: Yapay zeka bağlantılı akıllı ev sistemleri şeması. Kaynak: (Yoo ve Lee, 2021)
Yapay zeka cihazları, fiziksel ortam hakkında kritik bilgiler içeren büyük veri miktarlarını sağlar. Bu veriler geleneksel programlama ile işlenirse, desen ve kalıplar tanınmayacaktır.(Domingos, 2015) YAPAY ZEKA, desenleri ve trendleri analiz etmek ve bu bilgiye dayalı kararlar vermek için kullanılabilir. Bulut bilişim sistemleri, büyük veri işlemesini kolaylaştırır ve makine öğrenimi ve büyük veri analizi temelinde akıllı karar vermeye olanak tanır.
Tarihsel olarak, akıllı binalar için YAPAY ZEKA araştırmasının ana odak noktası enerji tasarrufu olmuştur. Bina sahipleri ve işleticileri de hemen maliyet azaltmalarına yol açabilecek teknolojileri ve taktikleri tercih etmektedir. Ayrıca, çeşitli üreticiler için protokol erişimi sunan ve enerji tasarrufu yapmak için IoT teknolojisini kullanan entegre bir bina yönetim sistemi (BMS) kullanılır. Bu yeni entegrasyon yönteminin yaklaşımı, gelişen YAPAY ZEKA teknolojileri ve robotik ML ile etkileşim gibi şeylerle desteklenmektedir
Şekil 15: Yapay zeka destekli akıllı şehir. Kaynak: (v.d. Xiao, 2017)
Akıllı binalar, şehirleri akıllı şehirlere dönüştürmek için temel başlangıç noktalarıdır. Akıllı şehirlerin üç özellik taşıması gerekir: araçlandırılmış, bağlantılı ve akıllı olmalıdır. Akıllı binalar, ısıtma ve enerji denetiminden güvenlik ve güvenliğe kadar geniş bir yelpazede ihtiyaçları karşılayan akıllı şehirlerin mikrokozmosudur. Akıllı şehir kavramı, akıllı hareketlilik, akıllı ekonomi, akıllı insanlar, akıllı yönetişim, akıllı çevre ve akıllı yaşam tarzı kavramlarını birleştiren en önemli modern trenddir. Akıllı şehir özellikleri, binaların ve altyapının inşaatını ve işletimini gerektirir. Operasyonel bir akıllı şehirün kavramsal bir gösterimini yansıtmaktadır.
4.4. Yapay Zeka Destekli Enerji Kontrol Sistemleri
Isıtma, ventilasyon ve klima (HVAC) sistemleri ile toplam enerji tüketiminin sürdürülebilir kullanımı, bir binanın enerji son kullanımının önemli bir yüzdesini oluşturur. Şimdiki teknolojiye göre, otomatik Arıza Tespiti ve Tanı (AFDD), çeşitli HVAC sistemleri ve bileşenlerinin enerji verimliliğini önemli ölçüde arttırma potansiyeline sahiptir. hava işleme birimleri (AHU) için gerçek zamanlı arıza tanısal modeli önermiştir; model, AHU’nun operasyonel verimliliğini arttırmak ve böylece binalardaki HVAC ısıtma, ventilasyon ve klima sistemlerinin enerji tüketimini azaltmak için derin öğrenme kullanmıştır. Diğer taraftan, soğutucu, kanal, kapak ve ventilasyon üzerinde çalışma kısıtlamalarının etkileri enerji tasarrufu belirlemek için kritiktir. Onlar, dağıtık optimizasyonu adaptif öğrenme ile birleştiren büyük çok bölgeli ticari bina enerji yönetim sistemi önermişlerdir, iş akışlarını iyileştirmek ve elle yapılan işlemleri dijitalleştirme ve otomasyonla değiştirmek için merkezi bir depo veya ortak bir veri modelini kullanır.”
Genel olarak bakıldığında, yapay zeka (YAPAY ZEKA) teknolojisi kullanımı inşaat sektöründe senelerdir yer almaktadır. Özellikle tasarım programları, planlama programları, akıllı ev sistemleri, maliyet optimizasyonu ve – kontrol sistemleri üzerinde etkin kullanılmaktadır. Bu yapay zeka sistemlerini içeren veya bu sistemlerle inşa edilmiş birkaç binanın olduğunu söyleyebiliriz. Bazı örnekler şunlar olabilir:
2015 yılında tamamlanmış olan Amsterdam, Hollanda’daki The Edge binası. Binanın enerji yönetim sistemi, YAPAY ZEKA kullanarak enerjinin kullanımını optimize etmeyi ve maliyetleri azaltmayı amaçlamaktadır.
Şekil 16: The Edge cephe görünüm. Kaynak: (Bloomberg)
The Edge binası, teknolojinin yenilikçi kullanımı ile ünlüdür, bunlar arasında binanın enerji yönetim sisteminde yapay zeka (YAPAY ZEKA) kullanımı da yer almaktadır. Binanın enerji yönetim sistemi, YAPAY ZEKA kullanarak, aydınlatma, ısıtma ve havalandırma gibi çeşitli sistemlerden elde edilen verileri izleyerek ve analiz ederek enerjinin kullanımını optimize etmeyi amaçlamaktadır. YAPAY ZEKA sistemi, bu bilgileri kullanarak gerçek zamanlı olarak binanın sistemlerini ayarlamakta ve enerji kullanımını optimize etmeyi ve maliyetleri azaltmayı sağlamaktadır. The Edge binası, dünyadaki en sürdürülebilir ve enerji verimli binalardan biri olarak kabul edilmektedir ve diğer binaların takip etmesi için bir örnek olarak hizmet vermektedir.
Şekil 17: The Edge iç görünüm. Kaynak: (Bloomberg)
2017 yılında açılmış olan Cambridge Üniversitesi’nin Leverhulme Geleceğin Zeka Merkezi. Binanın enerji yönetim sistemi, YAPAY ZEKA kullanarak enerjinin kullanımını optimize etmeyi ve maliyetleri azaltmayı amaçlamaktadır.
Şekil 18: The Leverhulme Centre . Kaynak: (Eurpean Sust)
2017 yılında açılmış olan Cambridge Üniversitesi’nin Leverhulme Geleceğin Zeka Merkezi, teknolojinin yenilikçi kullanımı ile ünlüdür, bunlar arasında binanın enerji yönetim sisteminde yapay zeka (YAPAY ZEKA) kullanımı da yer almaktadır. Binanın enerji yönetim sistemi, YAPAY ZEKA kullanarak, aydınlatma, ısıtma ve havalandırma gibi çeşitli sistemlerden elde edilen verileri izleyerek ve analiz ederek enerjinin kullanımını optimize etmeyi amaçlamaktadır. YAPAY ZEKA sistemi, gerçek zamanlı olarak binanın sistemlerini ayarlamakta ve enerji kullanımını optimize etmeyi ve maliyetleri azaltmayı sağlamaktadır. Leverhulme Geleceğin Zeka Merkezi, enerji verimli ve sürdürülebilir olması amacıyla tasarlanmış ve akıllı bina örneklerinden biridir.
2019 yılında tamamlanmış olan Almanya’daki “Akıllı Sürdürülebilir Ev”. Ev, YAPAY ZEKA kullanarak sıcak su, ısıtma, aydınlatma ve gölgeleme gibi çeşitli sistemleri kontrol etmekte ve ayrıca hava durumuna ve kullanıcı ihtiyaçlarına göre ayarlanabilen bir “akıllı duvar”a sahiptir.
Şekil 19: Akıllı sürdürülebilir ev almanya. Kaynak: (Home in Germany)
2019 yılında tamamlanmış olan Almanya’daki “Akıllı Sürdürülebilir Ev” yapay zeka (YAPAY ZEKA) teknolojisini kullanarak sıcak su, ısıtma, aydınlatma ve gölgeleme gibi çeşitli sistemleri kontrol etmektedir. Binanın tasarımı enerji verimli ve sürdürülebilir olması amacıyla yapılmış ve YAPAY ZEKA kullanarak çeşitli sistemlerden elde edilen verileri izleyerek ve analiz ederek enerji kullanımını optimize etmektedir. YAPAY ZEKA sistemi, gerçek zamanlı olarak hava durumuna ve kullanıcı ihtiyaçlarına göre binanın sistemlerini otomatik olarak ayarlayabilmektedir, böylece enerji tüketimini ve maliyetleri azaltmaktadır. Ayrıca evde hava durumuna ve kullanıcı ihtiyaçlarına göre ayarlanabilen bir “akıllı duvar” bulunmaktadır. Bu duvar, izolasyon, güneş şadingi ve havalandırma gibi özelliklerini hava durumuna ve güneş pozisyonuna göre değiştirebilir, böylece binanın enerji verimliliğini optimize etmektedir. Bu ev, akıllı bina örneklerinden biridir.
2020 yılında tamamlanmış olan İspanya’daki “Casa de Inteligencia Artificial” . Ev, enerji yönetimi, aydınlatma kontrolü ve güvenlik gibi çeşitli işlevler için YAPAY ZEKA kullanmaktadır.
Şekil 20: LA INTELIGENCIA ARTIFICIAL binası. Kaynak: (Steenit)
2020 yılında tamamlanmış olan İspanya’daki “Casa de Inteligencia Artificial” ev, enerji yönetimi, aydınlatma kontrolü ve güvenlik gibi çeşitli işlevler için yapay zeka (YAPAY ZEKA) kullanmaktadır. Binanın enerji yönetim sistemi, YAPAY ZEKA kullanarak, aydınlatma, ısıtma ve havalandırma gibi çeşitli sistemlerden elde edilen verileri izleyerek ve analiz ederek enerjinin kullanımını optimize etmeyi amaçlamaktadır. YAPAY ZEKA sistemi, gerçek zamanlı olarak binanın sistemlerini ayarlamakta ve enerji kullanımını optimize etmeyi ve maliyetleri azaltmayı sağlamaktadır. Ayrıca ev, aydınlatma kontrolü için YAPAY ZEKA kullanmaktadır. Bu, doğal ışık seviyesine göre aydınlatma seviyesini ayarlayabilmektedir ve güvenlik için, potansiyel saldırıları algılayabilip cevap verebilmektedir. Ev enerji verimli ve sürdürülebilir olarak tasarlanmış ve yapay zekanın binanın tasarımı ve inşasında enerji verimliliğini, aydınlatma kontrolünü ve güvenliği iyileştirmek için nasıl kullanılabileceği örneği olarak hizmet vermektedir. Bu şekilde binanın enerji tüketimini ve maliyetlerini azaltmasına yardımcı olarak, aynı zamanda kullanıcıların güvenliği ve rahatlığını sağlamasına izin verir. Bu binada yapay zeka kullanımı, gelecekte binaların nasıl tasarlanacağı ve inşa edileceği konusunda bu teknolojinin potansiyelini gösterir.
Şekil 20: LA INTELIGENCIA ARTIFICIAL binası sistemi. Kaynak: (Steenit)
Bu örnekle bakıldığında yapay zeka sistemlerinin inşaatın bir çok aşamasında ve alanlarında var olduğunu ve yapay zeka teknolojisi inşaat tasarımı ve inşaatında giderek daha sık kullanılmaya başlamıştır ve gelecekte yapay zeka ile tasarlanmış veya yapay zeka ile kontrol edilen binaların daha fazla örneğinin görülebileceği beklenmektedir.
Bu çalışmada, mimarlık alanında yapay zeka teknolojilerinin kullanım alanları incelenmiştir. İnceleme sonucunda, yapay zeka teknolojilerinin mimarlık alanında fonksiyonel tasarımdan, enerji verimliliğine, malzeme seçiminden, yapı analizine ve yapım yönetimine kadar birçok alanda kullanılabildiği ortaya çıktı. Ayrıca, yapay zeka teknolojilerinin kullanımı ile birlikte, tasarım sürecinin hızlandırılması, maliyetlerin azaltılması, enerji verimliliğinin arttırılması ve çevre dostu çözümlerin elde edilmesi gibi birçok fayda sağlandığı görüldü. Ancak, yapay zeka teknolojilerinin mimarlık alanında kullanımı halen araştırma aşamasında olduğu için, bu teknolojilerin kullanımı ile ilgili daha fazla araştırma ve çalışma yapılması gerekmektedir.
Ardından çıkarım olarak:
Bu makale, yapay zeka/öğrenme/derin öğrenme algoritmalarının inşaat ve endüstri 4.0 sektöründeki son durumunu incelemeyi amaçlamaktadır. Özellikle mimari tasarım ve görselleştirme, malzeme tasarımı ve optimize etme, yapısal tasarım ve analiz, dışarıda üretim ve otomasyon, inşaat yönetimi, ilerleme izleme ve güvenlik, akıllı işletme, bina yönetimi ve sağlık ve sürdürülebilirlik, yaşam döngüsü analizi ve döngüsel ekonomi alanlarına odaklanmıştır. Bu makale, yapay zeka/derin öğrenme/öğrenme algoritmalarının inşaat ve endüstri 4.0 sektöründeki uygulamalarının tamamını kapsayan, inşaat hayat döngüsünün tamamına yönelik yeni bir araştırmayı sunmaktadır. Araştırmacılar bu alanlarda yapay zeka/öğrenme/derin öğrenme algoritmalarını başarıyla kullanmıştır ve inşaat ve endüstri 4.0 sektöründeki süreçleri iyileştirmek ve otomatikleştirmek için. Bu inceleme makalesinden çıkarılabilecek sonuçlar şunlardır: yapay zeka/öğrenme/derin öğrenme algoritmalarının inşaat ve endüstri 4.0 sektöründe kullanımı, süreçlerin otomatikleştirilmesi ve iyileştirilmesi, malzeme ve yapı tasarımının optimize edilmesi, yapıların güvenliğinin ve sağlığının izlenmesi, inşaat yönetiminin ve ilerlemenin izlenmesi, bina işletmeninin ve sağlığının yönetilmesi, sürdürülebilirlik ve yaşam döngüsü analizi gibi konularda önemli rol oynamaktadır. Bu makale, yapay zeka/öğrenme/derin öğrenme algoritmalarının inşaat ve endüstri 4.0 sektöründeki potansiyelini göstermekte ve gelecekte bu teknolojinin inşaat ve endüstri 4.0 sektöründe nasıl kullanılacağını anlamak için önemli bir kaynak olarak kabul edilmektedir.
Sonuç olarak, yapay zeka teknolojilerinin mimarlık alanında kullanımı, tasarım ve yapım sürecinde önemli bir rol oynayabilecek ve gelecekte mimarlık alanının gelişimine önemli katkılar sağlayacaktır.
KAYNAKÇA
Aytaçlı, B. (2012). Durum çalıĢmasına ayrıntılı bir bakıĢ. Adnan Menderes Üniversitesi Eğitim Fakültesi Eğitim Bilimleri Dergisi, 3(1), 1-9.
Bayer, J., Bukhari, S. S., & Dengel, A. (2017). Floor plan generation and auto completion based on recurrent neural networks. In 2017 14th IAPR International Conference on Document Analysis and Recognition (ICDAR), 2, 49-50. IEEE.
Brownlee, J., (2019). Applications of Deep Learning for Computer Vision. Alındığı
Tarih: Kasım 24, 2020, EriĢim Adresi: https://machinelearningmastery
Chaillou, S. (2019). AI+ Architecture: Towards a New Approach. Harvard University.
Uzun, C. (2022). Yapay zeka ve mimarlık etkileşimi üzerine bir çalışma:Üretken çekişmeli ağ algoritması ile otonom mimari plan üretimi ve değerlendirmesi [Fen Bilimleri Enstitüsü].
Domingos, P. (2015). The master algorithm: how the quest for the ultimate learning machine will remake our world. New York: Basic Books, a member of the Perseus Books Group.
Huang, W., & Zheng, H. (2018). Architectural drawings recognition and generation through machine learning. In Proceedings of the 38th Annual Conference of the Association for Computer Aided Design in Architecture, Mexico City, Mexico.
and heavy equipment on construction sites: a convolutional neural network
approach, Advanced Engineering Informatics 37 (2018) 139–149, https://doi.
org/10.1016/j.aei.2018.05.003.com/applications-of-deep-learning-for-computer-vision/.
cyber-physical infrastructures, ISPRS International Journal of Geo-Information 6
(2017), https://doi.org/10.3390/ijgi6080251
(Bloomberg) www. Bloomberg.com ”15.01.2023”
(Eurpean Sust), www.europeansustinable.com ”15.01.2023”
( Home in Germany), www.homeingermany.com ”15.01.2023”
M.A. DeRousseau, J.R. Kasprzyk, W.V. Srubar, Computational design
optimization of concrete mixtures: a review, Cement and Concrete Research. 109
(2018) 42–53, https://doi.org/10.1016/j.cemconres.2018.04.007
