آسایش حرارتی از آن جا که با بهره وری و رفاه و حفاظت از انرژی در مدارس در ارتباط است، در سالهای اخیر اهمیت پیدا کردهاست .با توجه به اهمیت روزافزون مصرف انرژی و کمبود مطالعات در این زمینه خصوصا در فضاهای آموزشی و سهم قابل توجه این فضاها در مصرف انرژی، نیاز به تعیین معیارهای طراحی بیش از گذشته احساس می شود. در مراحل اولیه طراحی تصمیم گیری ها تاثیر بسزایی در مصرف انرژی و آسایش حرارتی دارند و با بررسی گزینه های بیشتر میتوان به گزینه بهینه نزدیک تر شد. برای این منظور ابزارهای شبیه سازی متعددی وجود دارند که برای بررسی گزینه ها میتواند مفید باشد ولی به دلیل نیاز به تعریف ورودی های زیاد، عدم آشنایی با نرم افزارهای تخصصی و زمانگیر بودن این فرآیند ممکن است، تحلیل بسیاری از گزینه ها صورت نگیرد. از طرفی در کاربری های مبتنی بر عملکرد مانند آموزشی بر طراحی فضاها تاکید زیادی میشود و پلان ها بر اساس جانمایی فضاها و عملکرد آنها تولید می شود. در این راستا می توان ابزارهایی را ایجاد کرد که این فرآیند را در مراحل اولیه طراحی تسهیل کند. به منظور تولید چنین ابزارهایی از یادگیری عمیق ماشین میتوان بهره جست و اخیرا در معماری تولید ابزارهایی که به تحلیل های مبتنی بر تصویر می پردازند، گسترش یافته اند. برای بررسی مواردی مانند آسایش حرارتی، انرژی، نور و... نیز میتوان از الگوریتم یادگیری عمیق ماشین که مبتنی بر تصویر هستند، بهره جست تا بدین منظور معماران در مراحل اولیه طراحی در مدت زمان کوتاه تری به بررسی گزینه های بیشتری، با درنظر گرفتن مصرف انرژی و آسایش حرارتی، بپردازند
نرم افزار های زیادی به منظور بررسی عملکرد سایبان و تاثیر آن بر آسایش بصری وجود دارند ولی اکثر آنها نیازمند مدلسازی 3 بعدی و وارد کردن پارامتر هاییست که نیاز به تخصص کافی در این زمینه دارد. همچنین این نرم افزار ها بیشتر به عملکرد سایبان در حوزه نور روز پرداخته اند و به سایر عملکرد های سایبان از جمله کیفیت دید و عملکرد اقتصادی توجه نشده است. بنابراین هدف اصلی این پژوهش طراحی یک چارچوب نرم افزاری ساده با کمک تولید پایگاه داده و هوش مصنوعی می باشد. این امر باعث می شود که تصمیم گیری ها در حوزه طراحی سایبان بدون نیاز به تخصص و با صرف کمترین زمان صورت پذیرد.
در این پژوهش از روش هوش مصنوعی و یادگیری ماشین، شبکه عصبی مصنوعی، با هدف استخراج شاخصهای عملکردی ساختمان از پایگاه دادههای شبیهسازی شده مورد ارزیابی قرار گرفته است. برای یک تک فضا با کاربری اداری در شهر تهران، پارامترهای ورودی در دو مساحت 120 و 240 متر مربع، شامل، نوع سیستم تأسیسات مکانیکی تهویه مطبوع، مشخصات حرارتی پوسته، نسبت مساحت پنجره به دیوار، جهتگیری ساختمان و شاخصهای مورد مطالعه، در دستههای انرژی مصرفی، مقدار کربن انتشار یافته و درصدساعات آسایش میباشند. تعداد دادههای شبیهسازی شده در مجموع دو مساحت نامبرده، 52027 هستند که 80 درصد این دادهها جهت یادگیری شبکه و 20درصد جهت آزمون انتخاب شدند. معیار سنجش دقت بهترین مدل شبکه عصبی مصنوعی، در پیشبینی دادهها در مساحت 120 مترمربع، بالای 0.98 است که برای مساحت 240 مترمربع به طور میانگین برای همه شاخصهای هدف بالای 0.92 است و بازه مدت زمان یادگیری در محدوده 7 ثانیه تا 619 ثانیه میباشد که در مقایسه با زمان شبیهسازی دادهها، نتایج قابل توجهی هستند.
نماهای متحرک که با عناوین نماهای پاسخگو و هوشمند نیز شناخته میشوند، از جدیدترین روشهای طراحی پوستهی ساختمانها به شمار میآیند. ابزارهای کنونی شبیهسازی روشنایی قابلیت ارزیابی عملکرد نماهای متحرک را ندارند. از همین رو در این پژوهش، یک روش پیشنهادی نوین جهت ارزیابی عملکرد نمای متحرک ساختمان مورد ارزیابی قرار گرفته و در قالب یک چارچوب نرمافزاری ساده با استفاده از الگوریتم ژنتیک، به بهینهیابی عملکرد این دسته از نماها میپردازد. این ابزار بدون نیاز به شبیهسازی و با استفاده از پایگاه دادهی تولید شده به تحلیل روشنایی فضای داخل در ساعات و قسمتهای مختلف فضا میپردازد.