AI Summary & Key Takeaways
AI InsightFurthermore, within the scope of the study, recommendations were made to increase interface usability for different design contexts.
📌 3 Key Takeaways
Abstract
Optimizing designs that meet specific criteria is burdensome for designers and slows down the building production process. Innovative tools can help by performing repetitive and complex calculations quickly to efficiently reach optimization goals. Optimization solvers facilitate this process by generating design variations suitable for single and multiple objectives. This study examines the advantages and capabilities of optimization solvers in high-rise building design. Following a literature review on ML-based tools, the study focused on the Galapagos and Wallacei solvers. A basic parametric high-rise model was created, defining a design problem at two levels of complexity. With each solver, the most suitable design variations for these problems were generated and compared in terms of interface, working mechanisms, effectiveness, and practical contributions. The analyses conducted revealed that Machine Learning (ML) contributes to parametric design processes. The comparison of Galapagos and Wallacei solvers provides a basic understanding of the subject through a simple example. Thus, it has created a different example in this context in terms of the practical applicability of these tools. Furthermore, within the scope of the study, recommendations were made to increase interface usability for different design contexts.
Özet
Belirli kriterleri karşılayan tasarımı optimize etmek, tasarımcılar için bir yük oluşturabilir ve bina üretim sürecini yavaşlatabilir. Tekrarlayan ve karmaşık hesaplamaları gerçekleştirebilen yenilikçi araçlar, hızlı ve çeşitli tasarım seçenekleri sunarak optimizasyon hedeflerine verimli bir şekilde ulaşılmasını sağlar. Optimizasyon çözücüleri, tekli ve çoklu hedeflere uygun tasarım varyasyonları oluşturarak bu süreci kolaylaştırır. Bu çalışma, optimizasyon çözücülerinin yüksek bina tasarımındaki avantajlarını ve yeteneklerini incelemektedir. ML tabanlı araçlara yönelik bir literatür taramasının ardından çalışma kapsamında, Galapagos ve Wallacei optimizasyon çözücülerine odaklanılmıştır. İki farklı karmaşıklık düzeyinde tasarım problemi tanımlayan temel bir parametrik yüksek yapı modeli oluşturulmuştur. Her çözücü ile, bu problemlere yönelik en uygun tasarım varyasyonları üretilmiş ve bu varyasyonlar arayüz, çalışma mekanizmaları, etkinlik ve pratik katkılar açısından karşılaştırılmıştır. Yapılan analizler ile Makine Öğreniminin (ML) parametrik tasarım süreçlerine katkı sağladığı görülmüştür. Galapagos ve Wallacei optimizasyon çözücülerinin karşılaştırılması, konuya basit bir örnek üzerinden temel oluşturmaktadır. Böylece bu araçların pratikte uygulanabilirlikleri açısından bu bağlamda farklı bir örnek oluşturmuştur. Ayrıca çalışma kapsamında farklı tasarım bağlamları için arayüz kullanılabilirliğini artırmaya yönelik önerilerde bulunulmuştur.