Yaşadığımız yüzyıl bir bilgi ve işlem çağı haline gelmiştir. İnsanoğlunun binyıllar boyunca geliştirdiği aletler, teknolojiler, sistemler, yapılar, organizasyonlar belirli dönemlerde gelişim açısından kesintiye uğrasa da uzun vadede içerdiği teknoloji ve bilgi yoğunluğuna göre genel olarak artış göstermiştir. Geliştirilen her yeni ürün yaşamı etkilemiş ve değiştirmiş, bu değişiklikler de yeni ürünlerin geliştirilmesine yol açmıştır.
Son yüzyılda, hatta yüzyıldan daha kısa süre içinde geliştirilen en önemli ürün bilgiyi işleme ve yüksek hesaplama yapma becerisine sahip makineler yani bilgisayarlardır. Bilgisayarlar yaşamın her alanını etkilemiş, zamanı hızlandırmış, üretim yöntemlerini geliştirmiş, verimliliği arttırmış ve yol açtığı ağ yapısıyla sosyokültürel yapıları tamamen değiştirmiştir.
Gerçek anlamda, 1950’li yıllarda Alan Turing’in ilk modern bilgisayarı icat etmesiyle ortaya çıkan büyük hesaplama gücü, geçen zaman içinde üstel biçimde binlerce kat artmış ve günümüzde saniyede milyarlarca işlem yapabilme potansiyeline sahip işlemcilerin ortaya çıkmasına imkân vermiştir.
Bilgisayarın ilk icat edildiği dönemlerden başlayarak insan zekâsına sahip makineler üretme fikri araştırmacılar için bir ilham kaynağı olmuştur. Geçen süre içinde işlem gücünü oluşturan donanım yapısındaki gelişmelere paralel olarak dijital ortamda üretilen veri miktarı da katlanarak artmıştır. Dijital verilerin artışı öyle bir noktaya gelmiştir ki artık her yıl içerisinde üretilen bilgi miktarı bundan önceki binlerce yılda insanoğlunun ürettiği tüm veri miktarından daha fazla olmaktadır.
Veri ve donanımdaki gelişmelerin yanında bilgisayar bilimleri ile uğraşan bilim adamları, araştırmacılar, mühendisler ve uygulama geliştiricilerin sayısında da sürekli bir artış görülmektedir. Bu sayede güncel hayattaki problemlere çözüm üretmenin yanında makinelerin sahip olacağı yapay zekâ (YZ) hedefine ulaşma yönünde de algoritma geliştirme üzerine bir yarış söz konusudur.
Donanım, veri, insan kaynağı ve algoritma geliştirme yönünde stratejik hedefler belirleyen ülkeler bu konuyu politik hedeflerinin merkezine yerleştirmiş ve geleceklerini buna bağladıklarını ifade eden söylemlerde bulunmaya başlamışlardır. Bireylerin, üniversitelerin ve şirketlerin yanında artık ülkelerin de yapay zekâ konusunda hedefler belirledikleri bir dünyada herhangi bir sektörün ya da iştigal alanının yapay zekâ kavramından uzak olması düşünülemez bir boyuta gelmiştir.
İnsanlık tarihi kadar eskiye uzanan mimarlık disiplini için de yapay zekâ kavramının potansiyelinin tespit edilmesi ve uygun yöntemler geliştirilmesi güncel bir konudur. Teknoloji ile her zaman yakın ilişki içinde olmuş olan mimarlık uğraşı, bilgisayarların hesaplama ve çizim amaçlı kullanılabilir olduğu ilk günlerden beri bu imkânları değerlendirmeye çalışmıştır. Özellikle kişisel bilgisayarların yaygınlaştığı 1970’lerden sonra ortaya çıkan tasarım yazılımları mimarlık yapış şeklini doğrudan etkilemiş hem tasarım sürecini hem de mimari tasarımın kendisini dijitale uygun bir hale dönüştürmüştür.
Her ne kadar inşaat sektöründeki teknoloji kullanımı ve verimlilik, askeri endüstri, otomotiv, beyaz eşya, havacılık, sağlık, denizcilik vb. gibi diğer endüstrilerde olduğu kadar gelişmemiş olsa da güncel teknolojilerin bu sektörü de eskisinden daha yoğun bir biçimde dönüştüreceği aşikârdır. Özellikle insan hatalarını ve verimsizliğini azaltacak hatta tamamen ortadan kaldıracak yapay zekâ temelli uygulamaların ve üretim teknolojilerinin diğer sektörlerde olduğu gibi inşaat ile ilgili sektörlerde de verimliliği arttırmak, maliyetleri düşürmek, kaliteyi kusursuzlaştırmak gibi getirileri göz önünde bulundurulduğunda hızla yaygınlaşacağını öngörmek uygun düşecektir.
Yapım faaliyetlerinin önemli bir aşaması olan mimari tasarım süreci de bilgisayar teknolojilerinin yaygınlaştığı dönemde yaşadığına benzer bir dönüşümü yapay zekâ teknolojilerinin yaygınlaşması ile yine yaşayacaktır. [z1]
1.1 Problem / Motivasyon
Tez kapsamında yanıt bulunmaya çalışılan temel problem mimari tasarım süreçlerinde yapay sinir ağlarının (YSA) kullanımına dair imkânların sorgulanmasıdır. Bu sorgulama özellikle dikdörtgen bir parselin vaziyet planı tasarımında evrişimli yapay sinir ağları (EYSA) ile geliştirilmiş bir modelin tasarım sürecine nasıl dahil edilebileceği üzerinde yoğunlaşmıştır. Problemin bu şekilde tanımlanmasının arkasında yatan motivasyon gerek tez araştırmaları sürecinde gerekse öncesindeki haberdar olunan yapay zekâ alanındaki çalışmaların geldiği seviyeye duyulan ilgi nedeniyle meslek pratiğine olumlu ve kalıcı bir katkıda bulunma gayretidir.
Yapay zekanın mimari tasarımda nasıl kullanılabileceği işbu tezde 1.5 Literatür Araştırması maddesinde de görülebileceği üzere çeşitli araştırmalara konu olmuş bir alandır. Henüz tam anlamıyla sadece bazı girdiler sunularak bir yapay zeka modelinden tam anlamıyla bitmiş bir mimari tasarım elde etmek gibi bütüncül bir sonuca erişilememiş olmakla birlikte mimari tasarım sürecinin çeşitli alt aşamalarında güncel kullanımları mevcuttur.
Yapay zeka modelleri herhangi bir problem uzayına dair tahmin, sınıflandırma, anomali tespiti vb. gibi spesifik amaçlar için başarılı bir biçimde kullanılabilmektedir. Tez kapsamında ele alınan vaziyet planı tasarımında yapay zeka kullanımı da özünde bir sınıflandırma problemi olarak ele alınmıştır. Bu noktada belirtilmelidir ki mimari tasarım objektif bir çok veriye dayanan bir süreç olması ile birlikte tasarımcının kişisel üslubundan ve mimari yorumundan bağımsız bir pratik olmadığı aşikardır. Tez müellifi bir mimar olarak problemi belirlerken vaziyet planı çözümünde çevre verilerini yapısal biçimlenişi belirlerken önemli bir etmen olarak göz önünde bulundurduğumuzu ve tezin problemini de bu etmeni göz önünde bulundurarak çözümlemeyi hedeflediğimizi ifade etmeyi gerekli görmekteyiz.
Vaziyet planı tasarımı özünde çok geniş bir alanı içermektedir. Yapı sınıfı, coğrafya, arsa ölçüleri, parsel sınırlarının biçimlenişi, arazi eğimi, yönlenme, yol durumu vb. sayısız farklı biçimlenişi tek bir modelde çözümlemeye kalkışmak tezin kapsamını ve araştırmanın boyutunu çözümsüz bırakacağından vaziyet planı tasarımında ele alınacak arsa girdisi sınırlandırılmıştır.
Problem uzayı arsa ve çevre ile ilgili verileri sınırlandırarak belirlenmiştir. Arsa özellikleri şu şekilde sınırlandırılmıştır:
· Arsa, iki karşı kenarı aynı uzunlukta olmak üzere kenarları 50 m ile 150 m arasında değişen bir dikdörtgendir.
· Arsada eğim bulunmamaktadır.
· Arsanın dört kenarından herhangi biri, ikisi, üçü yada dört kenarı birden yol cephesi olabilir.
· Yol cephelerindeki karşı komşu parsellerde yer alacak yapılar yol cephesi boyunca yatayda yapılaşmış yada yol cephesinde yer alan yüksek bir blok yapı olabilir. Bu blokların oturum derinlikleri 16 m olarak düzenlenmiştir.
· Arsanın kenarlarından 5 m çekme yapılarak yapılaşmanın mümkün olabileceği şekilde düzenleme yapılmıştır.
· Yol genişlikleri 20 m olarak düzenlenmiştir.
· Arsaya yapılacak oturum kararının tespiti fonksiyon, KAKS, TAKS ve hmax gibi sayısal verilerden bağımsız olarak YSA tarafından üretilecek sınıflandırma sonucuna göre belirlenecektir.
· YSA modeli problem uzayına göre geliştirilmiş simülasyonda da örnekleri görüleceği üzere arsanın çevresinde bulunan yol ve çevre yapılaşma verilerine uygun olarak arsada hangi parsel kenarında ne tip (alçak – yüksek) yapılaşma olacağına karar veren bir sınıflandırma işlemi gerçekleştirecektir.
Problemin çözümünden beklenen YSA modelinin çevre verilere uygun olarak arsaya uygun yapılaşma sınıfını tespit etmesidir. Yapılaşma sınıfı ileride daha detaylı açıklanacağı üzere 80 farklı yerleşim opsiyonundan biridir.
1.2 Tezin Amacı
Bu çalışma giriş bölümünde yer alan açıklamalar ve öngörüler ışığında mimari tasarımda yapay zekâ kullanımını incelemek ve sentetik veri üreterek evrişimli yapay sinir ağı kullanarak bir vaziyet planı karar destek simülasyon modeli geliştirmek amacıyla hazırlanmıştır. Tezin bu ana amacı yanında, yapay zekâ’ nın mimarlık meslek pratiğini gelecekte nasıl etkileyeceğini öngörmek ve bu öngörülere dayanarak meslek alanına öneriler getirmek gibi ikincil amaçları da bulunmaktadır.
1.3 Tezin Kapsamı
Tezin kapsamı yapay zekâ kavramının araştırılması ve mimari tasarımda evrişimli yapay sinir ağları ile vaziyet planı karar destek simülasyon modeli geliştirilmesi olarak sınırlandırılmıştır.
Mimari tasarım doğası itibariyle çok geniş bir çalışma alanına ve birbiri içine geçen bir çok bileşene sahiptir. Farklı farklı birçok disiplinle doğrudan ya da dolaylı etkileşim içindedir. Bu çok yönlülük içinde derinlemesine araştırılıp geliştirilebilecek birçok konu bulunmakla birlikte, mimari tasarım sürecinin en stratejik aşamalarından biri olan vaziyet planı tasarımında yapay zekâ destekli bir model oluşturulabilmesi, etkisinin diğer proje aşamalarına göre daha büyük olması nedeniyle öncelikli görülmüş ve tez kapsamında çalışma alanı olarak seçilmiştir.
Bu kapsamda yapay zekâ ile ilgili literatür araştırmalarına yer verilmiş ve gelişim süreci açıklanmıştır. Makine öğrenmesi ve yapay sinir ağları tanıtılmıştır.
Tez kapsamında gerekli olan imaj verilerinin üretimi bir Yapı Bilgi Modellemesi (YBM) yazılımı olan Autodesk Revit ve Dynamo programları ile gerçekleştirilmiştir.
Yapay sinir ağlarının kullanımı ile geliştirilen yapay zekâ algoritmaları derin öğrenme olarak ifade edilen yapay zekâ alt bilim dalına girer,
Mimarlık disiplinin yapay zekâ ile nasıl evrilebileceğine dair öngörüler ve öneriler içeren sonuç bölümünün olması, sonraki araştırmacılara daha da yardımcı olabilmesi amacıyla tezin kapsamına dahil edilmiştir.
1.4 Tezin Yöntemi
Mimari tasarımda yapay zekâ konusunun araştırılması ve bu alanda meslek pratiğine somut öneriler getirilebilmesi için tez hazırlık süreci içinde farklı alanlarda farklı birçok çalışma yürütülmüştür.
Tez konusu yazılım ve bilgisayar bilimleri ile yakından ilişkili olduğundan tez araştırmaları süresince çeşitli çevrim içi eğitim platformlarından python yazılım dili ile birlikte tensorflow, keras, pytorch gibi derin öğrenme paketlerine dair eğitimler alınmış ve sertifika sahibi olunmuştur. Bu eğitimlerde tez kapsamında belirtilen derin öğrenme teknikleri çeşitli uygulamalarla pekiştirilmiştir.
Yapay zekâ, derin öğrenme, mimari tasarım ile ilgili literatür araştırmaları yapılmış ve tez kapsamında yer verilmiştir.
Konu ile ilgili olarak internet ortamından, periyodik yayınlardan, seminerlerden, mobil uygulamalardan, akademik kaynaklardan, MIT yapay zekâ çevrimiçi derslerinden, çevrim içi eğitim platformlarından ve mesleki profesyonellerden temel bilgiler ve güncel gelişmeler takip edilmiştir.
Tezin 2. bölümünde YZ ve YSA’lar ile ilgili genel ve teknik bilgiler verilmiştir. Bu sayede okuyucunun sonraki bölümde açıklanacak modeli anlaması için altyapı hazırlanmıştır.
Tezin 3. bölümünde problem uzayının çözümüne yönelik olarak geliştirilmiş modelin nasıl oluşturulduğu, veri setinin nasıl üretildiği, hangi yazılımların ve donanımların kullanıldığı ve modelin başarı düzeyi açıklanmıştır.
Tezin sonuç bölümünde modelin başarısını örnek alarak naısl geliştirmeler yapılabileceği ve YZ’nın mimari tasarımda kullanımı için ne gibi imkanlar olduğu değerlendirilmiştir.
1.5 Literatür Araştırması
YZ ve YSA’ nın mimari tasarımda nasıl kullanılabileceği çeşitli araştırma ve tez çalışmalarına konu olmuştur. İlk çalışmalar Chermayyeff ve Alexander tarafından 1965 yılına kadar geri götürülebilir. Çalışmaları bir çok araştırmacının mimari plan üretmek konusunda yeni metotlar geliştirmeleri için yol açıcı özellikte olmuştur.
Bu metotlar mekan tahsis teknikleri, tesis düzenlemesi, otomatik uzaysal sentez ve mekan planlama gibi farklı farklı isimler ile mimari literatürde yer almıştır (Tzonis, 1987). Bu teknikler Galle, 1986’da “Bazı konumların, boyutsal ve konfigürasyon kısıtlamaların ve bazı fonksiyonel gereksinimlerin verildiğinin varsayıldığı bir durumda gerekli tüm kısıtlamaları karşılayan planların bulunmasıdır” olarak ifade edilmiştir.
Mimari tasarımda kullanılan bu tekniklerden bazıları yazılımlara dönüşmüştür. En bilinenleri CRAFT (Armour ve Buffa, 1963), General Space Planning (GSP) (Eastman, 1973), SIGHTPLAN (Tommelein, 1987), PRIDE (Mittal, 1986), HIRISE (Maher, 1985), ARCHPLAN (Schimitt, 1988) olarak sayılabilir.
İmdat As, Siddharth Pal ve Prithwish Basu; Artificial intelligence in architecture: Generating conceptual design via deep learning - 2018 (Mimaride yapay zeka : derin öğrenme yoluyla konsept tasarımı üretmek) başlıklı makalelerinde fonksiyonel bir derin öğrenme yaklaşımı ile konsept tasarım geliştirmek üzere farklı mimarilerde YSA kullanmışlardır. Geliştirdikleri yöntemi 15 adet farklı mimariye sahip villa projesinin BIM modelleri üzerinde denemişlerdir. Bu villaların BIM modellerinden alınan kat planlarındaki mekânsal ilişkileri, her projenin projeyi oluşturan temel sayısal değerleriyle ilişkilendirerek birer grafik veri tipine dönüştürmüşler ve YSA’ nın eğitiminde kullanılacak veri setini oluşturmuşlardır. Çalışmanın amacı, geliştirilecek algoritmanın eğitim veri setindeki temel sayısal girdilerle mekânsal ilişkileri birbiriyle bir örüntü oluşturacak şekilde ilişkilendirmek ve bu sayede farklı sayısal değerlerle algoritmaya bir girdi verildiğinde uygun mekânsal ilişkileri ifade eden bir çıktı alabilmektir.
Manuela Ruiz-Montiel, Javier Boned, Juan Gavilanes, Eduardo Jimenez, Lawrence Mandow ve Jose Luis Perez-de-la-Cruz’dan oluşan araştırma ekibi 2012 yılında yayınladıkları Design with shape grammars and reinforcement learning (şekil gramerleri ve pekiştirmeli öğrenme ile tasarım) araştırmalarında YSA ile birlikte kullanılan bir YZ metodu olan pekiştirmeli öğrenme ile 2 kişinin yaşayabileceği basit bir konut tasarımı için kendi kendine öğrenen bir algoritma geliştirmeye çalışmışlardır. Pekiştirmeli öğrenmede, gözetimli öğrenmeden farklı olarak elde hazır bir veri seti bulunmaz ve algoritma belirli bir amaca ulaşmak için ürettiği sonuç çıktılarının hedeflenen başarıma yaklaşması ile ödül, hedeflenen başarımdan uzaklaşması ile ceza puanları alarak eğitilir. Ruiz-Montiel ve arkadaşlarının geliştirdikleri algoritma, çalışmaya ilk başladığı zaman zarfında rastgele plan şemaları üreterek önceden belirlenmiş kurallara uygun olmayan sonuçlar ortaya koyar ve bu nedenle ağırlıklı olarak ceza puanları alır. Rastgele plan şemalarının üretimi sırasında önceden belirlenmiş kurallara daha uygun sonuçların seyrek de olsa ortaya çıkması ile algoritma ödül puanları almaya başlar ve akabinde yavaş yavaş hata değerini düşürerek eğitim sürecinin ilerleyen aşamalarında görece inşa etmeye ve yaşamaya daha uygun, daha fonksiyonel plan şemalarını üretir.
Davood Chitchian 1997 yılında yayınladığı Artificial Intelligence for Automated Floor Plan Generation (Otomatik kat planı üretiminde yapay zeka) isimli doktora tezinde tasarım problemlerinin bazılarını şu şekilde belirtmiştir:
· Tasarım kısıtlamaları ve gereksinimleri çeşitlidir ve aynı anda karşılanmaları gerekir.
· Tasarım problemi özellikleri çoğunlukla eksik ve belirsizdir.
· Çözüm bulmada izlenecek net ve kesin bir kılavuz yoktur.
· Çözüm aranırken incelenmesi gereken bir çok alternatif bulunur.
· Tasarımın amaçları önceden bilinmemektedir veya iyi tanımlanmamıştır.
Bu tasarım problemlerinin mimari kat planlarının tasarımında YZ tekniklerini kullanarak nasıl elemine edilebileceği ve binaların kat planlarının otomatik olarak nasıl elde edilebileceği tezinin temel araştırma konusunu oluşturmuştur.
Kacper Radziszewski, yayınladığı Artificial Neural Networks as an Architectural Design Tool - Generating New Detail Forms Based On the Roman Corinthian Order Capital, 2017 (Mimari Tasarım Aracı olarak Yapay Sinir Ağları – Roma Korint Tarzı Kolon Başlığı Benzeri Yeni Detaylar Üretmek, 2017) makalesinde Roma Korint Tarzı Kolon Başlıklarının geometrik detaylarından oluşan veri setini kullanarak, geriye yayılma yöntemi ile eğitilmiş YSA modeli ile bu veri setindeki geometrik ilişkileri başka yüzeylerde yeniden yaratıcı bir biçimde oluşturmak üzere yaptığı araştırmaları açıklamıştır. Radziszewski bu sayede tasarımcının hayalgücünün sınırlarından bağımsız olarak yeni mimari formların yaratılabilirliğinin olasılığı üzerine görüşlerini çeşitli örnek tasarımlar üzerinden sunmuştur.
M. Sester, Y. Feng ve F. Thienmann’ dan oluşan araştırma ekibinin 1-5 Ekim 2018 tarihleri arasında Delft şehrinde 3d mekânsal Bilgi Bilimi – Değişimin Motoru isimli sempozyumda yayınladıkları Building Generalization Using Deep Learning (Derin Öğrenme Kullanarak Bina Genelleştirmesi) isimli bildiride; imaj dosyası olarak hazırlanan farklı ölçeklerdeki harita ve vaziyet planlarında bina gösterimlerinin ölçek değişimine göre YSA’ nın kullanımı ile nasıl ifade edilebileceği üzerine önerilerini ve geliştirdikleri yöntemi sunmuşlardır. Bu çalışmada Evrişimli Yapay Sinir Ağı kullanarak Open Street Map (Açık Cadde Haritası) yazılımından elde edilen büyük ölçekli farklı haritalardaki farklı bina vaziyet planları girdi veri seti, aynı planların küçük ölçekli haritalarda ne detayda görünmesi isteniyorsa; yani detaylarından, fazlalık girinti ve çıkıntılarından arındırılmış olarak, oluşturulan planlar da çıktı veri seti haline getirilmiş ve model eğitilmiştir. Eğitilen modelin başka haritalarda çalıştırılması ile örneğin 1/10000 ölçekli bir haritanın 1/25000 ölçekli versiyonu, detaylardan ve gereksiz ayrıntılardan arındırılmış olarak elde edilmesi ile çalıştığı gösterilmiştir.
Yapay sinir ağları ile gözetimli öğrenmede problem uzayı ile ilgili olarak yeterli veriye sahip olmak oldukça önemlidir. Gözetimli öğrenmede YSA modeli ancak veri ile eğitilerek geliştirilebilmektedir. Herhangi bir sebepten dolayı elde doğal yollarla üretilmiş veri olmadığı durumda yapay veri üreterek de YSA’ ın eğitimi gerçekleştirilebilmektedir. Yapay verinin nasıl üretilebileceğine örnek olabilecek bir araştırma makalesi Hüseyin Güneş, Emre Orta ve Davut Akdaş’dan oluşan araştırma ekibinin 2016 yılında yayınladıkları “Akıllı ev sistemlerinde kullanılan yapay zeka teknikleri için yapay veri üretici“ dir. Bu makalelerinde araştırma ekibi çeşitli yapay zeka algoritmalarının test edilebileceği veri setlerine ihtiyaç duyduğunu tespit ederek bu verilerin gerçek ortamda üretilebileceği gibi daha kolay bir şekilde sanal ortamda da üretilebileceğini ifade etmişlerdir. Yapay verilerin üretilebilmesi için yapay veri üretimi yazılımlarının kullanılabileceğine dikkat çekerek akıllı ev sistemlerinde kullanılan yapay zeka tekniklerinin test edilebilmesi için günlük insan davranışlarını taklit ederek yapay veriler üreten bir yazılım geliştirmişlerdir. Bu yazılım sayesinde istenilen sayıda bireyin, istenilen sayıda odaya sahip bir mekanda, istenilen sayıda analog ve dijital giriş – çıkışa sahip aygıtı, günün istenilen saatlerinde kullanımlarının kayıtlarını üretmeyi başarmışlardır.
Saeed Banihashemi, Grace Ding ve Jack Wang tarafından 14-16 Aralık 2016 tarihlerinde Melbourne’de düzenlenen 1. Uluslar arası Enerji ve Güç konferansında yayınlanan Developing a hybrid model of prediction and classification algorithms for building energy consumption (Bina enerji tüketimi için hibrit bir tahmin ve sınıflandırma algoritmasının geliştirilmesi) isimli makale YSA’ ın bina enerji tüketimlerinin kontrolünde ve mimari tasarımda enerji verimliliği analizinde nasıl kullanılabileceği ile ilgili araştırmalarının sonucu olarak örnek teşkil etmektedir. Bir örnek uzayın ait bina mekânsal özelliklerinin, çatı, cephe, yalıtım gibi niteliklerinin, iklim, mevsim, yönlenme gibi çevresel verilerin diğer birçok parametre ile birlikte YSA’ nın eğitiminde kullanılması ile elde edilen model mimari tasarım sürecinde tasarımcılara ve yatırımcılara önemli oranda öngörü yapabilmelerine imkan sağlayacak bir kullanışlılıktadır.
2018 Uluslararası İnşaatta Otomasyon ve Robotik Sempozyumu’nda (ISARC 2018) E. Valero, A. Forster, F. Bosche, C. Renier, E. Hyslop ve L. Wilson tarafından sunulan High Level-of-Detail BIM and Machine Learning for Automated Masonry Wall Defect Surveying (Otomatik Kagir Duvar Hasar Araştırması İçin Yüksek Detay Seviyeli YBM ve Makine Öğrenmesi) isimli makalede araştırmacılar Lazer Tarama ve Fotogrametri yöntemleriyle elde edilen saha verilerini BIM modelleri haline getirerek bu modeller üzerinde Makine Öğrenmesi tekniklerini kullanmışlar ve tarihi kagir duvarlar üzerinde hasar tespiti için başarılı bir model geliştirmişlerdir. Geliştirdikleri model, kagir duvarlar üzerindeki benzer yıpranmaları ayrı ayrı sınıflarda etiketlemekte ve otomatik olarak bu yıpranmalara tamir için uygulanacak çözümleri BIM modeli üzerinde işlemektedir.
Comments