تحلیل مروری فرآیند معماری محاسباتی عملکردی (pca) با تاکید بر عوامل عملکردی و کالبدی

معماری محاسباتی عملکردی، رویکردی هوشمند به فرآیند طراحی بر مبنای عملکرد است که دارای آشفتگی‌های مفهومی زیادی در بین برخی دانشجویان، طراحان و پژوهشگران است. همچنین، این مفهوم، دارای عوامل مختلفی بسته به موضوع طراحی است؛ که نیاز به بررسی، اولویت‌سنجی و تحلیل دارد. هدف این مطالعه، تحلیل مروری معماری محاسباتی عملکردی بر مبنای روش‌های محاسبات تکاملی و ازدحام و تبیین عوامل عملکردی و کالبدی آن است. روش تحقیق این پژوهش با رویکردی کمی- کیفی و جامع‌نگر، تحلیل محتوای اسنادی بر مبنای ادبیات موضوعی معماری محاسباتی عملکردی است. جامعه آماری این تحقیق، پژوهش‌های انجام‌شده از حدود 2002 تا 2021 میلادی و نمونه‌گیری به‌صورت هدفمند و با ساختار گلوله برفی است. تحلیل داده‌ها از طریق بررسی توصیفی و آزمون‌های همبستگی و شانون بر روی موضوعات و عوامل، انجام ‌شده است. یافته‌ها نشان می‌دهد که پژوهش‌ها در حوزه معماری محاسباتی عملکردی در سه موضوع پوسته، فرم و پیکربندی ساختمان انجام ‌شده که در این میان، سایه‌اندازی، ابعاد پنجره، جانمایی پنجره و نسبت پنجره به دیوار، از مهم‌ترین عوامل فرم‌یابی پوسته ساختمان و طراحی نما، فرم کلی، ارتفاع طبقه و تعداد ساختمان‌ها از مهم‌ترین عوامل فرم‌یابی طراحی مولد فرم ساختمان و موقعیت فضایی، ماتریس مجاورت و شبکه‌ای از مهم‌ترین عوامل فرم‌یابی طراحی مولد پیکربندی ساختمان می‌باشند. بر اساس یافته‌ها، نتیجه‌گیری می‌شود که معماری محاسباتی عملکردی، به‌عنوان یک رویکرد طراحی مبتنی بر عملکرد، اشتراک سه مفهوم طراحی مولد، طراحی الگوریتمیک و طراحی پارامتریک، با تمرکز بر ارزیابی و بهینه‌سازی عملکرد است. همچنین، بر اساس یافته‌ها، می‌توان نتیجه گرفت که عوامل فرم‌یابی، دارای درجه اهمیت‌های متنوعی بر اساس موضوعات سه‌گانه هستند؛ که در این ‌بین، موقعیت فضا و ماتریس مجاورت در موضوع پیکربندی، سایه‌اندازی در موضوع پوسته و شکل کلی بنا در موضوع فرم به‌عنوان عوامل کلیدی فرم‌یابی تبیین می‌شوند.

a review analysis of performative computational architecture (pca) process with emphasis on performance goals and physical factors

performative computational architecture (pca) is an intelligent approach to the design process based on performance criteria, which has generated considerable conceptual confusion among some students, designers, and researchers. furthermore, this concept entails various factors depending on the design subject, necessitating examination, prioritization, and analysis. this study aims to conduct a review of performative computational architecture based on evolutionary and swarm computation methods and elucidate its performance and architectural factors. the research method employed is a comprehensive quantitative-qualitative approach, analyzing content from the literature on the subject of performative computational architecture. the statistical population of this research includes studies conducted from approximately 2002 to 2021, with purposive sampling and snowball sampling techniques utilized. data analysis was conducted through descriptive analysis and correlation and shannon tests on the topics and factors examined. the findings indicate that research in the field of performative computational architecture has been conducted on three main subjects: skin, form, and building layout. among these, shading, window dimensions, window placement, and window-to-wall ratio emerge as the most significant factors in skin formation and facade design. the overall form, floor height, and the number of buildings are highlighted as key factors in form generation for building design, while spatial location, adjacency matrix, and grid matrix are identified as crucial factors in generating building layout design. based on the findings, it can be concluded that performative computational architecture, as a performance-based design approach, embodies three shared design concepts: generative design, algorithmic design, and parametric design, with a focus on performance evaluation and optimization. additionally, form-finding factors exhibit diverse degrees of importance based on the triadic subjects, among which spatial location and adjacency matrix in building layout configuration, shading in skin formation, and overall building shape in form emerge as key form-finding factors.