تبیین پارامترهای پایداری محیطی با استفاده از شبکه عصبی مصنوعی

پژوهش حاضر، با تاکید بر قابلیت هوش مصنوعی در پیش‌بینی پارامترهای پایداری محیطی، به مطالعه فرآیند استفاده از الگوریتم شبکه عصبی مصنوعی در پیش‌بینی میزان انرژی تابشی دریافتی در یک بافت شهری می‌پردازد. در این راستا ابتدا مجموعه داده‌های آموزشی از طریق فرآیند‌های قاعده محور تهیه می‌شود و سپس با استفاده از فرآیند داده محور، سه شبکه عصبی مصنوعی آموزش داده شده و سه تابع برازش جداگانه برای آن تقریب زده می‌شود. این توابع بر اساس سه ساختار متفاوت از شبکه‌های عصبی مصنوعی تنظیم شده‌اند. در پایان با مقایسه میزان خطای هر مدل، مقادیر پیش‌بینی شده نیز مورد بررسی قرار می‌گیرد و تاثیر ساختار شبکه عصبی در پاسخ‌های به دست آمده، تحلیل می‌شود. مدل ارائه شده این پژوهش قابلیت تعمیم پذیری به سایر مساله‌های مشابه پیش‌بینی پارامترهای پایداری محیطی را دارد و دو کاربرد اساسی برای این مدل‌ها وجود دارد. ابتدا امکان محاسبه دقیق و بدون نیاز به محاسبات سنگین را ایجاد می‌کند و  دوم در شبیه‌سازی‌های پیچیده با در اختیار داشتن پارامترهای مستقل و وابسته و بدون نیاز به مطالعه قواعد و قوانین حاکم، قابلیت تخمین تابع را دارد و می‌تواند پارامتر پایداری مد نظر را با دقت بالا پیش‌بینی کند.

Artificial neural network for outlining and predicting environmental sustainable parameters

This research is to study the capabilities of artificial neural network (ANN) for predicting solar radiance in an urban context in order to materialize the concept of highperformance architecture. Literature review of the research implies that artificial intelligence (AI) is going to be a new emerging tool to contribute to highperformance architecture, as well as a way of thinking for a significant paradigm shift in environmental sustainability. In the first step, a rulebased method is applied to generate the dataset. In the next step, three different ANN models with different architectures are defined. These models are trained with the generated dataset and regarding the defined algorithm architecture, different results are predicted. The results indicate the precision of each model in predicting the amount of received solar radiation in a new sample location. Finally, these results are compared and the best ANN architecture is selected. The proposed model in this research could be generalized to other similar simulations and it has two main applications. First, it could predict the target parameter instantly without intensive computation. Secondly, it could fit a function for simulating a sustainable parameter only with the given input and output dataset and without needing to know any specific rules for the simulation. The results conclude that AI might be introduced as a comprehensive methodology for sustainable design in contemporary architecture. However, the research shows capability of ANN for outlining and predicting environmental sustainable parameters particularly.