تدوین چارچوب مبتنی بر داده با هدف بهینه‌نمودن مورفولوژی شهری براساس بهره‌وری انرژی و کیفیت محیط زیست

A data-driven framework for urban morphology optimization integrating energy efficiency and environmental quality

معرفی OptiMorph ابزاری مبتنی بر هوش‌مصنوعی تلفیقی از یادگیری ماشین، بهینه‌سازی NSGA-II و تحلیل‌های SHAP -بهینه‌سازی طرح‌های شهری بر اساس اولویت‌های مختلف از جمله: نیاز انرژی سرمایش، گرمایش و روشنایی، دید به آسمان، دید به پارک، ساعات دریافت نور و تولید انرژی خورشیدی. -تعادل میان کارایی انرژی و محیط زیست با در نظر گرفتن شرایط خرداقلیم؛ ابزاری ایده‌آل برای مراحل آغازین -تا ۹۹٪ سریع‌تر از ابزارهای سنتی مانند Wallacei؛ انجام محاسبات از مقیاس تک‌ساختمان تا بلوک شهری در کمتر از یک دقیقه! اهمیت این موضوع برای معماران: چارچوب ارائه‌شده در این پژوهش، رویکردی کمی و علمی برای طراحی فرم‌های شهری هوشمند و پایدار فراهم می‌کند؛ رویکردی که در مواجهه با توسعه سریع شهرنشینی و بحران‌های اقلیمی، راهی عملی و نوآورانه پیش پای معماران و برنامه‌ریزان قرار می‌دهد. این ابزار در دانشکده معماری دانشگاه شهید بهشتی و در راستای تکمیل سامانه جامع ارزیابی انرژی و محیط در قالب رساله دکتری خانم پگاه اشراقی توسعه داده شده است.

Amid rapid urbanization and climate change, urban areas face growing challenges in optimizing energy efficiency and environmental quality. Existing urban optimization methods often rely on computationally intensive simulations or heuristic-based tools, limiting their scalability for large-scale applications. Moreover, many approaches focus primarily on energy performance, overlooking the broader interplay between urban morphology, microclimate interactions, and environmental quality. This study introduces OptiMorph, a novel, data-driven optimization tool that integrates machine learning models (MLMs), NSGA-II multi-objective optimization, and SHAP-based sensitivity analysis to enable rapid and scalable urban performance evaluations. OptiMorph optimizes key urban metrics, including cooling, lighting, and heating energy demand, sky view factor, park visibility, shaded area, sunlight received on façades, and solar energy generation.