فناوری های نوین معماری و شهرسازی

اهداف: پیچیدگی مسائل شهری امروزه به حدی است که پژوهشگران و طراحان شهری کمتر می توانند بر روی همه موضوعات به طور همزمان تمرکز کرده و عواقب تصمیم ساز ی های متبلور در طراحی های خود را بر فضاهای شهری تبیین کنند. منطق نحو فضا که یکی از سازوکارهایی است که می تواند در فائق آمدن به این نوع مسائل یاری رساند، از نرم افزارهایی استفاده می کند که دقت بالایی در محاسبات ریاضی و ارائه نقشه های گرافیکی دارد. هدف از این پژوهش بررسی کیفیت های بعد فضا و تجربه عابرین پیاده در میدان رسالت تهران می باشد. روش ها: در پژوهش حاضر، ضمن استفاده از نرم افزار DepthMap از طریق برداشت های میدانی و مصاحبه های صورت گرفته با ساکنین، کسبه و عابرین و مشاهده مشکلات موجود در دسترسی شهروندان به بخش های مختلف میدان، ضعف های تکنیکی نرم افزار مرتبط با منطق نحو فضا شناسایی شده و با شیوه منطقیSWOT نقاط قوت و ضعف آن به دست آمد. یافته ها: پس از بررسی نتایج اولیه و مشاهده مغایرت های شیوه شناختی، برداشت میدانی تجدید شد تا الزامات تکمیلی معلوم شود. نتایج به دست آمده از دو زاویه قابل تامل است. اول؛ برآمدن آگاهی های تکمیلی برای اصلاح منطق نحو فضا، شیوه ریاضی شناخت و نرم افزار DepthMap و دوم؛ دستیابی به شناختی نسبتا جامع از میدان رسالت در مدار نمایانگر فضا. نتیجه گیری: تجربه انسان از شهر می تواند با نتایج کمی به دست آمده متفاوت باشد. نتایج نهایی حاکی از آن است که محدوده جنوب و جنوب غربی میدان رسالت، دارای بهترین وضعیت همپیوندی و اتصال با سایر فضاهای شهری و به تبع آن بیشترین پتانسیل توسعه است.

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.