Kentsel planlamada bina düzenini DQN ile otomatik düzenleme

Daha Akıllı Bina Düzenlerinin Önemi

Şehirler daha yüksek ve yoğun hale geldikçe, daire pencerelerinin güneşi görmeye devam etmesini ve gökdelenlerin güvenli aralıklarla yerleştirilmesini sağlamak zorlaşıyor. Kentsel tasarımcılar genellikle bu talepleri elle dengeleyip yavaş bilgisayar simülasyonları çalıştırarak ve düzenleri yeniden yeniden düzelterek ilerliyor. Bu çalışma, bir arsa üzerinde yüksek katlı binaları otomatik olarak yerleştirebilen bir yapay zeka (YZ) sistemi tanıtıyor; böylece konutlar kış güneşi gereksinimini karşılarken kuleler birbirinden güvenli mesafede tutuluyor — bu, planlamacılara büyük ölçüde zaman kazandırabilir ve kalabalık şehirlerin yaşanabilirliğini artırabilir.

Şehir Büyümesi ve Günışığı Baskısı

Özellikle Pekin ve Şanghay gibi mega şehirlerde hızlı kentleşme, binaları birbirine daha yakın ve daha yüksek inşa etmeye zorluyor. Oysa Çin’de ulusal kurallar, konutların yılın en soğuk günlerinde belirli bir minimum güneşlenme süresini almasını ve yüksek binaların belirli güvenlik mesafeleriyle ayrılmasını şart koşuyor. Bugün mimarlar bu kurallara uymak için profesyonel tasarım yazılımları kullanıp bina ayak izlerini çiziyor, ayrıntılı günışığı simülasyonları çalıştırıyor ve hem güneşlenme hem de mesafe limitleri sağlanana dek kuleleri yer değiştiriyor. Bu süreç büyük ölçüde uzman deneyimine ve çok sayıda deneme-yanılmaya dayanıyor; bu da çok sayıda arsa ve tasarım alternatifi test edilmesi gerektiğinde yavaş ve ölçeklenmesi zor bir yöntem oluşturuyor.

Bir Sinir Ağını Günışığını Tahmin Etmesi İçin Eğitmek

Bu işi otomatikleştirmenin önündeki büyük engellerden biri, doğru günışığı simülasyonlarının hesaplama açısından pahalı olmasıdır. Bunu aşmak için araştırmacılar önce bir tür sinir ağı—konvolüsyonel bir otoenkoder—eğiterek simülasyon aracının hızlı bir “vekilini” oluşturdu. Pekin’in kış gündönümü koşulları için Autodesk Revit’te binlerce örnek düzen oluşturup, arsadaki her noktaya gün içinde kaç dakika güneş düştüğünü kaydettiler. Bu günışığı haritaları gri tonlamalı görüntülere dönüştürüldü ve bina yükseklikleri ile ayak izlerini temsil eden basit görüntülerle eşleştirildi. YZ, bir bina yerleşimi görüntüsünü karşılık gelen günışığı görüntüsüne çevirmeyi öğrendi ve nokta başına ortalama üç dakikadan daha az hata elde ederken özgün simülasyona göre yaklaşık yüz kat daha hızlı çalıştı.

Bir YZ Ajanının Binaları Adım Adım Yerleştirmesine İzin Vermek

Hızlı bir günışığı tahmincisi hazır olduğunda ekip daha zor probleme yöneldi: her binanın nereye konacağını otomatik olarak belirlemek. Bunu öğrenen bir ajan için adım adım bir oyun olarak tanımladılar. Boş bir arsa ile başlayıp ajan, bir seferde bir bina yerleştiriyor ve ızgara üzerinde onu yukarı, aşağı, sola veya sağa itebiliyor. Her hareketten sonra hızlı sinir ağı güneşi tahmin ediyor ve sistem, binanın komşularına ve arsa sınırlarına ne kadar yakın olduğunu hesaplıyor. Ajan, güney cepheli pencereler için minimum günışığı gereksinimini ve binalar arası minimum mesafe şartını sağlayan bir pozisyon bulduğunda ödül alıyor; çakışma veya sıkışık yerleşim için cezalandırılıyor. Çok sayıda simüle denemede, yaygın bir pekiştirmeli öğrenme yöntemi olan Derin Q-Ağı (Deep Q-Network) geçerli, verimli düzenlere tutarlı biçimde götüren bir strateji öğreniyor.

Sistemin Diğer Yöntemlere Karşı Performansı

Araştırmacılar yaklaşımlarını beş ile on iki bina içeren onlarca farklı arsa üzerinde test edip üç temel yöntemle karşılaştırdı: rastgele yerleştirme, basit bir açgözlü strateji ve bir genetik algoritma. Rastgele yerleştirme nadiren uygulanabilir tasarımlar üretirken, uyarlanmış sezgisel yöntem ve evrimsel arama bile öğrenen ajanın gerisinde kaldı. YZ sistemi hem güneş hem de mesafe kurallarını sağlayan düzenler üretmede yüzde 100 başarı oranına ulaştı, bina başına daha az hamle gerektirdi ve ışığa erişimi feda etmeden kuleleri daha kompakt yerleştirdi. Ortalama olarak, yerleşimleri zemin kat pencerelerinde alternatiflere göre daha uzun güneşlenme süreleri sağladı ve bir parselin tam düzeni sadece birkaç saniyede üretilebildi; bu da günlük planlama görevleri için seçeneklerin büyük ölçekli keşfini mümkün kılıyor.

Geleceğin Kentsel Tasarımı İçin Anlamı

Özetle, çalışma hızlı öğrenilmiş bir günışığı modelini öğrenme tabanlı bir karar vericiyle birleştirmenin, katı düzenleyici kısıtları karşılayan ve araziyi verimli kullanan bina yerleşimleri güvenilir şekilde üretebileceğini gösteriyor. Mevcut araç yalnızca kış güneşi ve güvenlik mesafesine odaklanıyor ve Pekin iklimine göre ayarlanmış olsa da, şimdiden güçlü bir prototip işlevi görüyor: planlamacılar aday binaları sisteme girip neredeyse anında birden fazla uyumlu yerleşim önerisi alabiliyor. Gelecek sürümler aynı fikri rüzgâr, manzaralar, gürültü veya diğer şehirlerdeki yerel kuralları da kapsayacak şekilde genişletebilir ve bina düzenlemesini yavaş bir el işi olmaktan insan tasarımcılarla YZ asistanları arasında etkileşimli bir ortaklığa dönüştürebilir.

Atıf: Lin, P., Shi, G., Hu, C. et al. Auto-arrange buildings in urban planning with DQN. Sci Rep 16, 11406 (2026). https://doi.org/10.1038/s41598-026-40788-w

Anahtar kelimeler: kentsel planlama AI, bina yerleşimi, günışığı optimizasyonu, pekiştirmeli öğrenme, üretken modeller