طراحی رایانشی

در دهه های آینده آنچه مسلم است استفاده گسترده از صنعت رباتیک در ساخت می باشد که این موضوع منجر به تحولی شگرف در معماری خواهد شد. روش ها و تکنیک های ساخت به طور کامل دگرگون شده و پروسه های ماشینیزه جای روش های فعلی را در ساخت خواهد گرفت. هزینه های عملیات ساختمانی و نیاز به نیروی انسانی به طرز چشمگیری کاسته می شود، در طرف مقابل سرعت، دقت، ایمنی و امنیت افزایش خواهد یافت. این ها تنها مواردی نخواهند بود که ساخت به کمک ربات ها برای معماری آینده به ارمغان خواهد آورد. درک این نکته که در سال های اخیر پروژه های بسیاری در سراسر دنیا با استفاده از این ربات های سازنده ساخته شده اند کمک شایانی به پذیرش هرچه بیشتر و بهتر این تکنیک ها از سوی مؤسسات آموزشی، استودیوها و آتلیه های معماری و حتی سرمایه گذاران خواهد کرد. به هر حال نباید فراموش کرد معماری رباتیک هنوز در ابتدای راه خود قرار دارد اما در همین مدت کم هویت مستقل خود را به عنوان یک گفتمان جدید در معماری عصر دیجیتال اثبات نموده است.

بیان مسئله: ساختارهای طبیعی، طی قرون متمادی، برای رسیدن به راه حل های قابل قبول در برابر عوامل خارجی توسعه یافته اند. در جریان این فرایند فقط کاراترین فرم های طبیعی در طی میلیون ها سال باقی مانده اند. یکی از این ساختارهای طبیعی ساختار آوندی برگ گیاهان است که در مقاله حاضر مورد بررسی قرار گرفته است. بدون شک ساختار گیاهان از اصولی مشابه با اصول مهندسی ساخت بشر، اما با عملکردی بسیار ظریف تر و پیچیده تر، پیروی می کند. این پیچیدگی تا آنجایی است که درک ساختار و رفتار این عناصر طبیعی بعضاً غیرممکن می شود. اما امروزه با استفاده از توانایی تحلیل و مدل سازی کامپیوتری می توان ساختارهای پیچیده طبیعی را درک کرد و به ساده سازی و استخراج ساختار الگوریتمیک آن ها پرداخت. این پژوهش به تحلیل رایانشی ساختارهای آوندی برگ گیاهان، به منظور دست یابی به یک افزونه (پلاگین)، برای طراحی پوشش های سازه ای برگرفته از طبیعت، می پردازد. در این راستا پژوهش حاضر براساس پایداری سازه ای موجود در برگ ها، در پی یافتن پاسخی برای این سؤالات است که: 1) آیا ساختار آوندی برگ برای یک سازه انسان ساز در مقیاس بزرگ قابلیت استفاده دارد و در مقایسه با سازه های متداول شرایط مطلوب تری را ایجاد خواهد کرد؟ و 2) آیا سازه طراحی شده بر مبنای ساختار آوندی برگ گیاه توان باربری بیشتری نسبت به سازه های متداول دارد؟هدف پژوهش: این پژوهش به دنبال طراحی یک سازه متفاوت با الهام از ساختارهای آوندی برگ گیاهان است که به بهبود عملکرد سازه ای در جهت افزایش توان باربری سازه ای کمک خواهد کرد؛ همچنین، دستیابی به جذابیت بصری در سیستم های تیر و ستونی از طریق دورشدن از ساختارهای متعامد نیز هدف دیگری است که در این پژوهش دنبال خواهد شد.روش پژوهش: این تحقیق توصیفی-تحلیلی است و گردآوری اطلاعات و تحلیل و تلفیق آن ها به روش اسنادی انجام شده است.نتیجه گیری: افزونه طراحی شده با استفاده از ساختار آوندی گیاهی کاربران را قادر می سازد با تغییر پارامترهای تعبیه شده در آن طیف گسترده ای از ساختارهای پوششی با ابعاد مختلف تولید کنند. این توانایی برای اعمال تغییرات، به معمار اجازه می دهد فرم های پیچیده تری ایجاد کند که بدون استفاده از این افزونه به دلیل پیچیدگی زیاد در شکل یا ساختار طرح، امکان پذیر نخواهد بود.

اهداف: امروزه استفاده از هوش مصنوعی رشد چشمگیری داشته، و به عنوان یک حوزه نوین در حال پیشرفت است. هدف اصلی این پژوهش، شناخت ظرفیت های هوش مصنوعی در پیشبرد فرآیند طراحی و اجرا در محیط مصنوع است. هدف کاربردی پژوهش، توسعه و کاربردی سازی مهمترین دستاوردهای یادگیری ماشینی و در حوزه طراحی است. روش ها: روش تحقیق اصلی پژوهش «فراتحلیل» در پارادایم «آزادپژوهی» با رویکرد انتقادی و طراحی مبنا است که با استفاده از تکنیک های پهنانگر، حوزه کلی دانشی این حوزه را بررسی می کند. سپس به منظور تثبیت اشراف به ادبیات موضوع، از طریق جستوجو در سه پایگاه های معتبر دانشی این حوزه، نسبت به جمع آوری مقالات مرتبط به یادگیری ماشین در حوزه های روش های یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی اقدام شده؛ مهمترین ظرفیت ها و کاستی ها، و نقاط قوت و ضعف مورد نقد و بررسی قرار می گیرد. یافته ها: یافته های کمی حاصل از داده های ترکیب شده بیانگر آن است که یادگیری ماشینی تحت نظارت و یادگیری عمیق هدایت شده، می تواند بهترین گزینه برای توصیه در آینده طراحی باشد. در حالی که فرآیند یادگیری در یادگیری عمیق تدریجی و کندتر است، یادگیری ماشینی تحت نظارت در مرحله آزمون و تست سریع تر عمل می کند. نتیجه گیری: نتایج پژوهش تاکید دارد که یادگیری ماشینی تحت نظارت، بهترین گزینه برای پیش بینی پاسخ ها در فرآیند طراحی است اما در صورتی که علاوه بر پیش بینی، موضوع خلاقیت در طراحی مورد نظر باشد، یادگیری عمیق کارآمدتر است.