Adaptive modularity: Deep reinforcement learning for optimized modular housing massing

Prefabrikasyon teknolojilerindeki ilerlemeler, modüler konutu, artan konut talebini karşılarken sera gazı emisyonlarını ve kaynak kullanımını azaltan, döngüsel ekonomiyi destekleyen ve enerji verimliliğini artıran hassas ve sürdürülebilir bir inşaat yöntemi olarak konumlandırmıştır. Ancak, modüler birimlerden kütle yerleşimlerinin tasarımı, mekânsal düzenlemelerin mimari, yapısal ve çevresel kriterler ile kısıtlamaları eşzamanlı dengeleyecek şekilde optimize edilmesindeki karmaşıklık nedeniyle zorluklar barındırmaktadır. Bu tez, modüler konut tasarımındaki bu zorluğa odaklanarak mekânsal düzenlemelerin optimizasyonundaki karmaşıklığı ele almaktadır. Amaç, mimari kriterler ve kısıtlamalar arasında denge kuran bir tasarım sürecini Derin Pekiştirmeli Öğrenme (DRL) ile geliştirmektir. Tez, DRL'in mekânsal konfigürasyonları optimize ederek, insan tarafından yürütülen yinelemeli süreçlerin sınırlılıklarını aşma ve geri bildirim temelli sistemlerden yararlanma potansiyelini araştırmaktadır. Bu kapsamda, Hücresel Özdevinim (CA) tabanlı voksel bir simülasyon ortamı önerilmiştir. Bu ortamda, Proximal Policy Optimization (PPO) algoritmasıyla eğitilen bir yapay zekâ ajanı, kütle hücrelerini özerk biçimde yerleştirerek optimize edilmiş konut konfigürasyonları üretmektedir. Bu konfigürasyonlar; inşa edilebilir alan içinde birim sayısını maksimize etme, sirkülasyon alanlarını minimize ederken tüm birimlere erişimi sağlama ve daha kompakt formlara sahip konut birimleri oluşturmayı teşvik etmek gibi çoklu performans kriterlerine göre değerlendirilmektedir. Bu tez, konut tasarımında modüler kütle konfigürasyonunun optimizasyonuna yönelik çabayı merkezine almakta; süreçte izlenen adımları, karşılaşılan zorlukları ve elde edilen nihai konfigürasyonların başarısını değerlendirmektedir.