Mevcut bir binanın yenilenmesi, sökülmesi veya malzemelerinin yeniden kullanılması planlandığında duvarların yalnızca görünen yüzeyi yeterli bilgi sağlamaz. Boya ya da alçıpanın arkasında metal veya ahşap dikmeler, camyünü yalıtım, beton, tuğla, beton bloklar, elektrik boruları, prizler, kanallar ve farklı katmanlar bulunabilir. Bu gizli bileşenlerin bilinmemesi; bina bilgi modellerinin hazırlanmasını, malzeme pasaportu oluşturulmasını, gömülü karbon hesabını ve yeniden kullanım kararlarını zorlaştırmaktadır.

Bu araştırmada, duvarı kırmadan gizli duvar bileşenlerini tahmin etmek için çok modlu bir görüntü-dil modeli iş akışı geliştirilmiştir. Sistem; coğrafi bilgi sistemi ve bina kayıtlarından gelen metinsel verileri, kat planlarını, normal RGB fotoğrafları ve termal kamera görüntülerini birlikte değerlendirmektedir. Modelin çıktısı yalnızca “bu duvar metal dikmelidir” gibi bir sınıf etiketi değildir. Bunun yerine duvarın katman sırasını, malzemelerini, dikme sayısını, yalıtım dolgusunu ve bazı mekanik-elektrik-tesisat bileşenlerini içeren yapılandırılmış bir duvar montaj grafiği üretmektedir.

İş akışı önce az sayıda ana katmanı içeren kompakt bir tahmin oluşturmakta, daha sonra bu yapıyı ayrıntılı düğümlere genişletmekte, elektrik borusu ve priz gibi MEP bileşenlerini eklemekte ve birden fazla model çıktısını birleştiren ansambl aşamasıyla nihai tahmini üretmektedir. JSON biçimindeki bu yapı daha sonra üç boyutlu modele, BIM duvar tipine, malzeme envanterine veya gömülü karbon hesabına dönüştürülebilmektedir.

Yöntem önce iç yapısı kesin olarak bilinen deneysel bir duvar maketi üzerinde, ardından Boston, San Francisco, Toronto ve Birmingham’daki dört ticari ofis binasında bulunan toplam 22 gerçek duvar üzerinde değerlendirilmiştir. Gerçek duvarlarda yalnızca GIS verisi kullanıldığında toplam grafik tabanlı doğruluk %54 iken; kat planı, RGB fotoğraf ve termal görüntü eklendiğinde bu değer %76’ya yükselmiştir. Aynı veri zenginleşmesiyle gömülü karbon bağıl hatası %104’ten %26’ya düşmüştür.

Bununla birlikte yöntem duvarların içini fiziksel olarak görmemektedir. Model, mevcut belgelerden, görünür ipuçlarından, termal örüntülerden ve önceden öğrendiği yaygın inşaat bilgilerine dayalı olasılıksal çıkarımlar yapmaktadır. Gerçek duvar veri setindeki referans etiketler de yıkıcı doğrulama yerine Revit modelleri, çizimler, termal taramalar, uzman yorumları ve fiziksel gözlemler kullanılarak hazırlanmıştır. Bu nedenle sonuçlar, duvar içeriğinin kesin ve garantili tespiti olarak değil, yıkıcı inceleme öncesinde karar desteği sağlayabilecek deneysel tahminler olarak değerlendirilmelidir.

Çalışmanın temel problemi nedir?

Yeni bir binada hangi duvarın hangi malzemelerden oluştuğu çoğu zaman tasarım çizimlerinde ve BIM dosyalarında kayıtlıdır. Ancak eski binalarda bu belgeler hiç bulunmayabilir, eksik olabilir veya binanın zaman içinde geçirdiği tadilatları yansıtmayabilir. Başlangıçtaki tasarım ile bugünkü fiili durum arasında önemli farklar oluşabilir.

Örneğin bir iç bölme duvarı dışarıdan yalnızca boyalı alçıpan gibi görünebilir. Fakat duvarın içinde:

• Ahşap ya da metal dikme sistemi,
• Cam elyafı veya başka bir yalıtım,
• Elektrik boruları ve prizler,
• Su boruları veya hava kanalları,
• Yatay metal kanallar,
• Beton, tuğla veya beton duvar bloğu katmanları

bulunabilir. Bu bileşenler dışarıdan doğrudan görülemez.

Duvarın iç yapısının kesin biçimde öğrenilmesinin geleneksel yolu yüzeyi açmak, delmek, boreskop kullanmak veya duvarın bir bölümünü sökmektir. Bu yöntemler zaman, izin, işçilik ve maliyet gerektirir; ayrıca kullanımda olan bir yapıda her duvar için uygulanmaları çoğu zaman mümkün değildir.

Oysa bina yenileme, seçici söküm ve yeniden kullanım kararları için duvarın hangi malzemeleri içerdiğinin bilinmesi gerekir. Duvarın içinde kaç metal dikme olduğu bilinmezse geri kazanılabilecek çelik miktarı; yalıtım türü bilinmezse yeniden kullanım potansiyeli; katman kalınlıkları bilinmezse gömülü karbon hesabı güvenilir biçimde tahmin edilemez.

Malzeme pasaportu ve döngüsel yapı ekonomisi açısından neden önemli?

Malzeme pasaportu, bir binada hangi malzemelerin bulunduğunu, bunların miktarını, konumunu, niteliğini ve olası yeniden kullanım değerini tanımlayan dijital kayıttır. Böyle bir kayıt oluşturulabilmesi için yalnızca görünen yüzeylerin değil, gizli yapı bileşenlerinin de bilinmesi gerekir.

Çalışmanın dayandığı döngüsel yapı yaklaşımında ilk adım “tespit”tir. Bir malzemenin sökülebilir, yeniden kullanılabilir, geri dönüştürülebilir veya atık olarak ayrılabilir olup olmadığına karar vermeden önce onun gerçekten yapıda bulunup bulunmadığı ve hangi fiziksel bağlam içinde yer aldığı bilinmelidir.

Araştırmacıların önerdiği yöntem, duvarların içeriğini yıkıcı test yapılmadan yaklaşık olarak tahmin ederek şu süreçleri desteklemeyi amaçlamaktadır:

• Mevcut binalar için malzeme pasaportu hazırlanması,
• Gömülü karbon miktarının hesaplanması,
• Yenilemede korunabilecek duvarların belirlenmesi,
• Seçici söküm planlarının hazırlanması,
• Yeniden kullanılabilecek metal, ahşap ve yalıtım malzemelerinin tahmini,
• Mevcut durumun BIM modeline aktarılması.

Bu araştırma önceki yaklaşımlardan nasıl ayrılıyor?

Mevcut bilgisayarlı görü yöntemlerinin önemli bir bölümü dış cephede görünen malzemeyi tanımaya, yapı elemanlarını nokta bulutundan ayırmaya veya taranan yüzeyleri BIM nesnelerine dönüştürmeye odaklanmaktadır. Bu sistemler tuğla, beton, pencere veya kapı gibi görünür bileşenleri belirleyebilir; fakat bitmiş bir duvarın içinde bulunan katmanları doğrudan göstermez.

Dar kapsamlı makine öğrenmesi sistemleri genellikle sabit bir girdi biçimi gerektirir. Örneğin yalnızca belirli çözünürlükte termal görüntüyle eğitilmiş bir model, kat planı olmayan veya farklı kamera kullanılan bir binada zayıf çalışabilir. Gizli duvar montajları için büyük ve güvenilir etiketli veri seti oluşturmak da son derece zordur; çünkü her etiket için duvarın içeriğinin fiziksel olarak doğrulanması gerekir.

Bu çalışma yeni bir temel öğrenme algoritması geliştirmemektedir. Araştırmacılar bunu açıkça bir “sistem düzeyi çerçeve” olarak tanımlamaktadır. Temel katkı, önceden eğitilmiş genel amaçlı görüntü-dil modellerini dikkatle hazırlanmış istemlerle kullanmak ve çıktıyı BIM’e dönüştürülebilir bir duvar montaj grafiği hâline getirmektir.

Sisteme hangi veriler veriliyor?

İş akışı dört temel veri türünü kabul etmektedir. Her duvar için bu verilerin tamamının bulunması zorunlu değildir.

Veri toplamanın maliyeti de bu sıralamayla artmaktadır. GIS kaydı çoğu zaman kamu kaynaklarından elde edilebilirken, termal görüntüleme özel kamera, uygun sıcaklık farkı ve saha ziyareti gerektirir. Sistem bu nedenle eksik veriyle de çalışacak biçimde tasarlanmıştır.

Duvar montaj grafiği nedir?

Her duvar için \(S_i\) ile gösterilen bir duvar montaj grafiği üretilmektedir. Bu yapı, JSON biçiminde düzenlenmiş bir köklü ağaçtır. Kök anahtar “layers” yani “katmanlar”dır. Duvarın katmanları dış yüzeyden diğer yüzeye doğru sıralı biçimde gösterilir:

\[ L=[l_1,l_2,\ldots,l_n] \]

Burada \(l_1\), duvarın bir tarafındaki en dış katmanı; \(l_n\) ise karşı taraftaki son katmanı temsil eder.

Her katmanda en az iki temel özellik bulunur:

• material: Alçıpan, metal dikme çerçevesi veya camyünü gibi malzeme adı,
• confidence: Modelin bu tahmine duyduğu, 0 ile 1 arasında ifade edilen güven.

Bir katman birden fazla bileşen içeriyorsa ek bilgiler kullanılmaktadır. Örneğin metal dikme çerçevesi içinde camyünü yalıtım bulunuyorsa dikme sayısı ve boşluk dolgusu aynı hiyerarşik düğüm içinde temsil edilir.

Çalışmada verilen basitleştirilmiş örnek şu yapıdadır:

{
  "layers": [
    {
      "material": "Drywall",
      "confidence": 0.95
    },
    {
      "material": "Metal Stud Frame",
      "confidence": 0.85,
      "number": 4,
      "filling": {
        "material": "Fiberglass Insulation"
      }
    },
    {
      "material": "Drywall",
      "confidence": 0.95
    }
  ]
}

Bu örnek, iki yanında alçıpan bulunan, dört metal dikmeli ve dikmelerin arasında camyünü yalıtım bulunan tipik bir iç bölme duvarını tanımlamaktadır.

Grafik yaklaşımının avantajı, modelin bütün bileşenlerin kesin üç boyutlu koordinatlarını doğrudan tahmin etmek zorunda kalmamasıdır. Önce malzemeler ve aralarındaki hiyerarşik ilişkiler tanımlanır; daha sonra duvarın gerçek ölçüleri kullanılarak üç boyutlu geometri üretilebilir.

Dört aşamalı iş akışı nasıl çalışıyor?

1. Aşama: Kompakt grafik tahmini

Görüntü-dil modeli ilk aşamada genellikle üç ila beş ana katmandan oluşan basitleştirilmiş bir duvar tahmini üretmektedir. Bu aşamanın amacı tüm ayrıntıları çözmek değil, duvarın temel tipini belirlemektir.

Model bu aşamada örneğin şu sorulara yanıt vermeye çalışır:

• Duvar iç bölme mi yoksa dış duvar mı?
• Dış katman alçıpan, tuğla, beton veya beton blok mu?
• Dikmeli bir çerçeve var mı?
• Dikmeler ahşap mı metal mi?
• Yaklaşık kaç dikme bulunuyor?
• Dikmelerin arasında yalıtım var mı?

2. Aşama: Grafiğin genişletilmesi

İlk tahminde “dört metal dikmeli ve camyünü dolgulu çerçeve” tek bir bileşik düğüm olabilir. İkinci aşamada yapay zekâ kullanılmayan bir Python betiği bu düğümü ayrıntılı bileşenlere ayırmaktadır.

Böylece her metal dikme, yalıtım bölgesi ve yatay kanal ayrı bir düğüm hâline gelir. Bu genişletme sonraki aşamada elektrik ve tesisat bileşenlerinin belirli hücrelere bağlanabilmesi için gereklidir.

3. Aşama: MEP bileşenlerinin tahmini

MEP; mekanik, elektrik ve sıhhi tesisat bileşenlerini ifade eder. Model bu aşamada özellikle yalıtım bölgelerini inceleyerek şu unsurların varlığını tahmin eder:

• Elektrik boruları,
• Prizler,
• Su boruları,
• Hava kanalları.

Araştırmacıların kullandığı istem, bu bileşenlerin yalnızca güçlü görsel kanıt olduğunda eklenmesini istemektedir. Buna rağmen sonuçlar, modelin bir bileşenin varlığını tahmin etme konusunda, o bileşenin hangi dikme aralığında bulunduğunu belirlemeye göre daha başarılı olduğunu göstermiştir.

4. Aşama: Ansambl stratejisi

Aynı girdilerle model birden fazla kez çalıştırıldığında farklı grafikler üretebilmektedir. Bunun nedeni görüntü-dil modellerinin çıktılarındaki rastlantısal değişkenliktir.

Grafiklerin düğüm sayıları ve hiyerarşileri farklı olabileceği için basit çoğunluk oylaması uygulanmamıştır. Bunun yerine model, birden fazla aday grafiği birlikte değerlendirerek ortak bileşenleri ve aykırı tahminleri yorumlayan üretici bir birleştirme işlemi yapmaktadır.

Örneğin beş tahminden dördünde metal dikme bulunduğu, ancak dikme sayılarının üç, dört ve beş olarak değiştiği durumda sistem yalnızca metin eşleşmesi yapmaz; bütün adayları yapısal olarak yorumlayarak nihai bir grafik üretir.

Hangi görüntü-dil modeli kullanıldı?

Çalışmada tüm deneylerin OpenAI API üzerinden kullanılan GPT-5.4 görüntü-dil modeliyle gerçekleştirildiği belirtilmiştir. Varsayılan örnekleme ayarları kullanılmış; sıcaklık, top-p, çekirdek örnekleme veya rastgele tohum açıkça ayarlanmamıştır.

Her duvar ve veri kombinasyonu, dört aşamalı iş akışından bağımsız olarak beş kez geçirilmiştir. Sonuçlarda bu tekrarların ortalaması ve standart sapması raporlanmıştır.

Ek karşılaştırmada GPT-5.2 ile GPT-5.4 sonuçları ayrı ayrı verilmiştir. Bu karşılaştırma, çalışmanın özetinde ve bazı tartışma bölümlerinde görülen iki farklı doğruluk dizisini açıklamaktadır:

Metinde bazı bölümlerde doğruluğun %47’den %74’e çıktığı, başka bölümlerde ise %54’ten %76’ya çıktığı yazılmaktadır. Tablolar bu farkın iki ayrı model sürümüne ait olduğunu göstermektedir.

Deney 1: İçeriği kesin olarak bilinen duvar maketi

İlk deneyde Boston’da 2000’li yılların başında yapılmış varsayımsal bir ofis binasındaki tipik bölme duvarını temsil eden fiziksel bir duvar maketi inşa edilmiştir.

Duvar şu bileşenleri içermektedir:

• Her iki tarafta alçıpan,
• Dört düşey metal dikme,
• Dikmeler arasında camyünü yalıtım,
• Elektrik boruları ve prizler,
• Boru ve hava kanalı gibi ek gizli bileşenler.

Bu deneyin avantajı, duvarın gerçek içeriğinin araştırmacılar tarafından tam olarak bilinmesidir. Böylece tahmin grafiği ile gerçek grafik doğrudan karşılaştırılabilmiştir.

Makette kullanılan GIS verileri gerçek bir kamu kaydından değil, deney senaryosuna uygun olarak sentetik biçimde oluşturulmuştur. Kat planı ise maketin temsil ettiği Boston binasına ait gerçek bir çizimden alınmıştır. Bu nedenle araştırmacılar ilk deneyi gerçek dünya performansı kanıtı olarak değil, kontrollü bir söküm ve kalibrasyon çalışması olarak tanımlamaktadır.

Termal görüntülemede karşılaşılan sorunlar

Duvar maketi bağımsız ve kontrollü bir iç ortamda bulunduğu için duvarın iki tarafı arasında gerçekçi bir sıcaklık farkı oluşturmak zor olmuştur. Isıtıcı pedlerle sıcaklık farkı yaratılmaya çalışılmış, ancak camyünü yalıtım ısı geçişini güçlü biçimde engellemiştir.

Bitmiş alçıpanın üzerinden çekilen termal görüntü yalnızca 382 × 288 piksel çözünürlüğe sahipti ve ayrıntılar zayıftı. Daha net bir termal görüntü elde edebilmek için son alçıpan katmanı kapatılmadan önce kamera dikme ve yalıtıma yaklaştırılarak ek görüntü alınmıştır.

Bu durum deneyin önemli bir sınırlılığıdır. Maket deneyinde kullanılan yüksek çözünürlüklü termal girdi, gerçek bir bitmiş duvarda her zaman elde edilebilecek bir görüntü değildir.

Termal görüntülerde:

• Dikmeler ve bazı elektrik boruları kısmen seçilebilmiş,
• Yalıtımın arkasındaki hava kanalı ve boru büyük ölçüde görünmemiştir.

Bu bulgu, termal kameranın duvarın bütün derinliğini gören bir “röntgen” olmadığını göstermektedir. Kamera yalnızca yüzey sıcaklığı üzerindeki dolaylı etkileri algılamaktadır.

Maket deneyindeki sonuçlar

Kontrollü duvar maketinde bazı iki veri türü kombinasyonları bile %80’in üzerinde doğruluk sağlamıştır. GIS ve RGB fotoğraf birlikte kullanıldığında %93 grafik doğruluğu elde edilmiştir. Bazı üçlü kombinasyonlar ise %82–88 aralığında kalmıştır.

Bu sonuç önemli bir noktayı göstermektedir: Daha fazla veri her durumda daha iyi sonuç anlamına gelmemektedir. Yeni bir veri türü mevcut ipuçlarıyla çelişiyorsa modelin yorumlamasını zorlaştırabilir.

Maket için bütün veri türleri ve uygun ansambl kullanıldığında bazı çalıştırmalarda:

• Grafik tabanlı doğruluk 1,00,
• Gömülü karbon bağıl hatası %0

olarak raporlanmıştır. Ancak bu sonuç, sistemin bütün gerçek duvarlarda %100 doğru olduğu anlamına gelmez. Duvar maketi aynı zamanda istemlerin ve parametrelerin geliştirildiği kalibrasyon örneğidir.

Deney 2: Dört şehirdeki 22 gerçek duvar

İkinci deneyde dört farklı ticari ofis binasından toplam 22 duvar incelenmiştir:

Veri seti hem iç hem dış duvarları içermektedir. Ancak bütün örnekler ticari ofis veya karma kullanımlı ofis binalarından gelmektedir. Konut, tarihî yığma yapı, ahşap kütle yapı veya Batı dışı yerel yapım teknikleri bu veri setinde doğrulanmamıştır.

Gerçek duvarların “doğru” içeriği nasıl belirlendi?

Gerçek binalardaki duvarlar yıkılarak doğrulanmamıştır. Referans etiketler şu kaynakların birlikte değerlendirilmesiyle hazırlanmıştır:

• Mevcut Revit ve BIM modelleri,
• Orijinal ve yenileme dönemlerine ait kat planları,
• Uzmanlar tarafından yorumlanan termal taramalar,
• Binaların yapım geçmişini bilen mimarlık profesyonellerinin fiziksel incelemeleri.

Bu çok kaynaklı yöntem, erişim koşulları altında oluşturulabilecek güçlü bir referans sağlamaktadır. Bununla birlikte araştırmacılar da fiziksel açma yapılmadığı için etiket belirsizliğinin tamamen ortadan kalkmadığını kabul etmektedir.

Grafik tabanlı doğruluk nasıl hesaplandı?

Tahmin edilen grafik \(G_P\) ve referans grafik \(G_{GT}\), malzeme ve yönelim bilgileri içeren köklü ağaçlara dönüştürülmüştür. İki yapı arasındaki ağaç düzenleme mesafesi Zhang–Shasha algoritmasıyla hesaplanmıştır:

\[ D(G_P,G_{GT})= \min_{(e_1,\ldots,e_k)\in\mathcal{P}(G_P,G_{GT})} \sum_{i=1}^{k}c(e_i) \]

Burada:

• \(\mathcal{P}(G_P,G_{GT})\), tahmin grafiğini referans grafiğe dönüştüren bütün olası düzenleme yollarını,
• \(e_i\), ekleme, silme veya değiştirme işlemini,
• \(c(e_i)\), ilgili işlemin maliyetini ifade eder.

Düğüm ekleme ve silme maliyeti 1,0 olarak belirlenmiştir. Malzeme yanlışsa değiştirme maliyeti 1,0; yalnızca yönelim yanlışsa maliyet 0,1 olarak uygulanmıştır.

Farklı büyüklükteki grafikleri karşılaştırabilmek için mesafe şu üst sınıra göre normalleştirilmiştir:

\[ D_{\max}=|T_{GT}|+|T_P| \]

Burada \(|T|\), ilgili ağaçtaki toplam düğüm sayısıdır.

Nihai grafik tabanlı doğruluk şu şekilde hesaplanmıştır:

\[ GBA(G_P,G_{GT})= 1-\frac{D(G_P,G_{GT})}{D_{\max}} \]

Değer 1’e yaklaştıkça tahmin grafiği referans yapıya yaklaşmaktadır. Duvarın katman sırası ters çevrildiğinde fiziksel olarak eşdeğer bir yapı oluşabileceği için tahmin hem özgün yönüyle hem de ikinci seviye çocukları ters çevrilmiş biçimiyle değerlendirilmiş; daha yüksek doğruluk raporlanmıştır.

Gömülü karbon bağıl hatası nasıl hesaplandı?

Her tahmin edilen bileşene bir gömülü karbon katsayısı atanmıştır. Örneğin alçıpanın karbon katkısı şu ilişkiyle hesaplanmıştır:

\[ EC=D_{EC}\times H\times L \]

Burada:

• \(D_{EC}\), alçıpanın alan başına gömülü karbon yoğunluğunu,
• \(H\), duvar yüksekliğini,
• \(L\), duvar uzunluğunu ifade eder.

Bütün duvarlarda varsayılan yükseklik 10 fit, yaklaşık 3,05 metre olarak alınmıştır. Dikmeli duvarlarda uzunluk, referans dikme sayısı ve 16 inçlik dikme aralığı varsayımıyla hesaplanmıştır.

Dikmelerin karbon katkısı ise şu şekilde belirlenmiştir:

\[ EC=D_{stud}\times N \]

Burada \(D_{stud}\), tek bir dikmenin karbon katsayısını; \(N\), dikme sayısını gösterir.

Tahmin edilen toplam gömülü karbon ile referans değer arasındaki bağıl hata şu bağıntıyla hesaplanmıştır:

\[ ECRE(EC_P,EC_{GT})= \frac{|EC_P-EC_{GT}|}{|EC_{GT}|} \]

Burada \(EC_P\), tahmin edilen; \(EC_{GT}\), referans gömülü karbon miktarıdır. Değerin düşük olması daha iyi sonuç anlamına gelir.

Karbon hesabında kullanılan varsayımlar

Çalışmada alçıpan, camyünü, beton, beton blok, tuğla, metal kaplama, metal ve ahşap dikmeler, kanallar, borular ve prizler için farklı katsayılar kullanılmıştır. Bu değerlerin önemli bölümü EC3 veri tabanındaki beşikten fabrika kapısına, yani A1–A3 aşamalarını kapsayan ortalama değerlere dayanmaktadır.

Örnek katsayılar şöyledir:

Bunlar incelenen gerçek duvarların tek tek çevresel ürün beyanlarından alınmış değerler değildir. Standartlaştırılmış karşılaştırma yapabilmek için seçilmiş ortalama katsayılardır. Dolayısıyla ECRE metriği, gerçek binanın kesin yaşam döngüsü karbon hesabı değil, duvar bileşeni tahminlerinin karbon hesabını ne ölçüde bozduğunu gösteren deneysel bir karşılaştırmadır.

Gerçek duvarlardaki genel sonuçlar

Sonuçlar, en büyük sıçramanın RGB fotoğraf eklendiğinde gerçekleştiğini göstermektedir. Kat planı doğruluğu yalnızca 0,54’ten 0,57’ye çıkarırken RGB ile 0,71’e yükselmiştir. Termal görüntü eklenmesi ise toplam doğruluğu 0,76’ya çıkarmıştır.

Gömülü karbon hatasında GIS verisinden kat planına geçiş daha belirgin bir iyileşme sağlamıştır. Hata %104’ten %44’e düşmüştür. RGB görüntüyle %28’e, termal görüntüyle %26’ya gerilemiştir.

Yalnız GIS kullanımında bağıl hatanın %100’ün üzerine çıkabilmesi, modelin yanlış duvar tipi veya fazla miktarda yüksek karbonlu malzeme tahmin edebildiğini göstermektedir.

Şehir bazında sonuçlar

Boston örnekleri en yüksek ortalama sonucu vermiştir. Araştırmacılar şehirler arasındaki farkı doğrudan coğrafyaya bağlamamaktadır. Temel nedenin, bazı binaların modelin önceden öğrendiği yaygın yapı örüntülerine daha fazla veya daha az uyması olduğu düşünülmektedir.

Örneğin model San Francisco’daki bir dış duvarda metal dikme katmanını atlamıştır. Birmingham’daki bazı bölme duvarları alçıpan ve beton bloktan oluştuğu hâlde model bunlara dikmeli çerçeve atfetmiştir. Buna karşılık Birmingham’daki bazı olağan dışı dış duvarlarda tuğla ve yalıtım bileşenlerini görsel kanıtlardan doğru biçimde çıkarabilmiştir.

İç ve dış duvarlardaki performans

İç bölme duvarları genellikle alçıpan, dikme ve yalıtım gibi daha tekrarlı yapılara sahip olduğu için model bu duvarlarda daha başarılı olmuştur. Dış duvarlar ise tuğla, beton, kaplama, hava boşluğu, yalıtım ve farklı taşıyıcı katmanların çeşitli birleşimlerini içerebildiğinden daha yüksek hata göstermiştir.

Termal görüntü gerçekten ne kadar katkı sağladı?

Termal görüntünün katkısı, görüntünün kalitesine ve duvarın iki tarafındaki sıcaklık farkına bağlıdır. Çalışmada dikmelerin belirgin biçimde görülebilmesi için duvar boyunca en az yaklaşık 5–10 °C sürdürülebilir sıcaklık farkının yararlı olduğu belirtilmektedir.

Bu fark şu koşullarda oluşabilir:

• Kışın iç ve dış ortam arasında,
• Dış duvarın güneşle ısınması sırasında,
• Gece boyu ısıtma sonrasında sabah erken saatlerde,
• Geçici kontrollü ısıtma uygulanarak.

İç bölme duvarlarında doğal sıcaklık farkı çoğu zaman zayıftır. Bu durumda termal kamera yalnızca dikmelerin yakınındaki çok küçük yüzey sıcaklığı farklılıklarını yakalayabilir.

Termal görüntü iyileştirme deneyi

Araştırmacılar termal görüntüleri üç farklı biçimde işleyerek performansı karşılaştırmıştır:

• Kamera yazılımından çıktığı biçimiyle,
• Her şehir için ortak pozlama, kaydırma ve gama ayarlarıyla,
• Her görüntü için Adobe Photoshop 2025 üzerinden elle ayarlanmış biçimde.

Termal görüntü dönüşümü çalışmada şu işlemlerle ifade edilmiştir:

\[ x=img\cdot 2^{EXPOSURE}+OFFSET \]

\[ x=[\min(\max(x,0),1)]^{1/GAMMA} \]

\[ x=\min(\max(x,0),1) \]

Burada:

• \(img\), başlangıç termal görüntü dizisini,
• \(EXPOSURE\), pozlama düzeltmesini,
• \(OFFSET\), parlaklık kaydırmasını,
• \(GAMMA\), ton dağılımını kontrol eden gama değerini,
• \(x\), işlenmiş görüntü değerini ifade eder.

Çalışmada \(OFFSET=-0,23\) ve \(GAMMA=0,53\) kullanılmıştır. Pozlama değeri San Francisco ve Birmingham için 0,6; Boston ve Toronto için 1,5 olarak seçilmiştir.

Elle iyileştirme doğruluğu artırmıştır; ancak şehre özel otomatik işlem karbon hatasını %27’den %30’a yükseltmiştir. Bu sonuç görüntü iyileştirmenin her metrikte ve her örnekte aynı yönde fayda sağlamadığını göstermektedir.

Hata analizi ne gösterdi?

Araştırmacılar hataları altı kategoriye ayırmıştır:

1. Dış sınır katmanının yanlış belirlenmesi,
2. Taşıyıcı veya dikmeli yapısal sistemin yanlış tahmini,
3. Dikme sayısının yanlış tahmini,
4. Dikmenin metal mi ahşap mı olduğunun yanlış belirlenmesi,
5. MEP bileşenlerinin varlığının yanlış tahmini,
6. MEP bileşeninin doğru dikme aralığına yerleştirilememesi.

Ek veri türleri özellikle yapısal sistem ve dikme türü hatalarını azaltmıştır. Yalnız GIS verisi kullanan model, örneğin 1980 sonrası ticari binalarda metal dikme yaygınlığı gibi genel kabullere dayanmıştır. Termal görüntüler gerçek dikme örüntüsünü kısmen gösterdiğinde bu tür varsayım hataları azalmıştır.

MEP yerleşim hatası ise veri türleri eklendikçe belirgin biçimde düşmemiştir. Model bir priz veya elektrik borusu bulunduğunu anlayabilse bile bunun tam olarak hangi dikmeler arasında yer aldığını güvenilir biçimde belirleyememiştir. Araştırmacılar bunu mevcut görüntü-dil modellerinin ince uzamsal akıl yürütme sınırlılığına bağlamaktadır.

Model gerçekten görüntülerden mi çıkarım yapıyor, yoksa ezberlediği yapı örüntülerine mi dayanıyor?

Bu soru çalışmanın en önemli bilimsel tartışmalarından biridir. Görüntü-dil modelleri internet ölçeğindeki metin ve görüntüler üzerinde önceden eğitildiği için yaygın yapı sistemleri hakkında genel bilgiler taşımaktadır. Örneğin ticari bir ofis iç bölme duvarı dendiğinde model, görsel kanıt olmasa bile metal dikme, camyünü ve alçıpan varsayımına yönelebilir.

Araştırmacılar, yalnız GIS girdisinden bütün veri türlerine geçildiğinde doğruluğun artmasını gerçek çok modlu çıkarımın kanıtı olarak değerlendirmektedir. Birmingham’daki bazı olağan dışı tuğla ve yalıtım düzenlerinin görsel veriden doğru tanınması da modelin yalnızca varsayılan şablonu tekrarlamadığını göstermektedir.

Buna karşılık beton bloklu Birmingham duvarlarında yanlışlıkla dikmeli sistem tahmin edilmesi, önceden öğrenilmiş yaygın yapı kabullerinin zaman zaman gerçek kanıtlara baskın geldiğini göstermektedir.

Çalışma, modelin başarısının ne kadarının çok modlu kanıttan, ne kadarının ön eğitimde öğrendiği yapı örüntülerinden kaynaklandığını kesin biçimde ayıramamaktadır. Bu ayrım açık bir araştırma sorusu olarak bırakılmıştır.

Radyo frekanslı duvar tarayıcı neden ana deneye alınmadı?

Araştırmacılar Walabot cihazı ve özel filtreleme kullanan bir radyo frekansı ölçüm düzeneğini de denemiştir. Bu cihaz ahşap ve metal dikmeler ile bazı boruları algılayabilmektedir.

Ancak ölçümler gürültülü çıkmış, kapsamlı son işlem gerektirmiş ve termal görüntünün üzerine sınırlı ek bilgi sağlamıştır. Bu nedenle radyo frekansı verileri ana performans tablolarına dâhil edilmemiştir.

BIM ve üç boyutlu modele dönüşüm

JSON duvar montaj grafiğini üç boyutlu ağ modeline dönüştüren bir kavram kanıtlama betiği geliştirilmiştir. Her katman düğümü geometrik bir malzeme katmanına, MEP alt düğümleri ise duvara bağlı bileşenlere dönüştürülmektedir.

Araştırmacılar bunu Revit ve IFC tabanlı iş akışlarına bağlamanın teknik olarak mümkün olduğunu belirtmektedir:

• Katman düğümleri Revit duvar montaj tiplerine,
• Priz, boru ve kanal düğümleri duvara yerleşen aile örneklerine,
• Malzeme listesi gömülü karbon hesaplayıcılarına aktarılabilir.

Bununla birlikte sistemin bütün BIM ailelerini ve IFC şemalarını otomatik olarak desteklediği gösterilmemiştir. Tam ölçekli ve hatasız BIM entegrasyonu için ek mühendislik gerekmektedir.

Gündelik ve sektörel etkisi ne olabilir?

Bu tür bir sistem güvenilir hâle gelirse özellikle büyük bina portföylerinde önemli bir ön eleme aracı olabilir. Tek bir duvarı deneyimli bir uzman mevcut çizimler ve Revit modeliyle değerlendirebilir. Asıl potansiyel, bir binadaki yüzlerce duvarın ilk tahminini otomatik olarak üretmektir.

Olası kullanım alanları şunlardır:

• Yenileme öncesi hangi duvarların korunabileceğinin belirlenmesi,
• Yıkım öncesi geri kazanılabilir malzeme miktarının tahmini,
• Gömülü karbon envanteri hazırlanması,
• Ses yalıtımı içerip içermediği bilinmeyen bölmelerin ön değerlendirmesi,
• Tavan arkasındaki gizli mekanik sistemlerin tahmini,
• Bina genelinde malzeme pasaportu oluşturulması,
• Boreskop veya fiziksel açma yapılacak kritik noktaların önceliklendirilmesi.

Bu iş akışı, yıkıcı testin yerine koşulsuz biçimde geçmekten çok, nerede yıkıcı doğrulama yapılması gerektiğini belirleyen risk tabanlı bir karar desteği olarak daha gerçekçi biçimde değerlendirilebilir.

Çalışmanın güçlü yönleri

• Değişken sayıda veri türüyle çalışabilen esnek bir yapı sunması,
• Yalnız sınıf etiketi değil, hiyerarşik ve BIM’e dönüştürülebilir grafik üretmesi,
• İçeriği kesin bilinen fiziksel duvar maketiyle kontrollü doğrulama yapması,
• Dört şehirdeki gerçek duvarlarla dış doğrulama denemesi gerçekleştirmesi,
• Yapısal doğruluğun yanında gömülü karbon hatasını da ölçmesi,
• Her duvar ve veri kombinasyonunu beş kez çalıştırarak model değişkenliğini değerlendirmesi,
• Termal görüntü kalitesinin etkisini ayrı bir söküm çalışmasıyla incelemesi,
• Hataları sınır katmanı, yapısal sistem, dikme ve MEP gibi anlamlı kategorilere ayırması,
• Önceden eğitilmiş model önyargısının olası etkisini açıkça tartışması.

Çalışmanın sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Gerçek dünya veri seti yalnızca 22 duvardan oluşmaktadır.
• Örnekler ticari ofis binalarıyla sınırlıdır.
• Konutlar, tarihî yapılar, yığma duvarlar, ahşap kütle yapılar ve Batı dışı yerel yapım sistemleri doğrulanmamıştır.
• Gerçek duvarların referans içerikleri yıkıcı testle doğrulanmamıştır.
• Termal görüntünün başarısı sıcaklık farkına, kameraya, çözünürlüğe ve görüntü işlemeye güçlü biçimde bağlıdır.
• Maket deneyinde yüksek çözünürlüklü termal görüntü son alçıpan takılmadan önce alınmıştır.
• Model büyük ve kırpılmamış kat planlarını yorumlamakta zorlanabilmektedir.
• Mevcut VLM’ler üç boyutlu nokta bulutlarını doğal olarak işleyememektedir.
• Çelişkili veri türleri bazen doğruluğu artırmak yerine düşürebilmektedir.
• MEP bileşenlerinin doğru dikme aralığına yerleştirilmesi zayıf kalmıştır.
• Önceden öğrenilmiş yaygın yapım kalıpları sıra dışı duvarlarda hatalı varsayımlara yol açabilmektedir.
• Karbon hesaplarında gerçek ürün EPD’leri yerine ortalama katsayılar ve sabit duvar ölçüsü varsayımları kullanılmıştır.
• Üretilen JSON grafiğin tam IFC ve Revit uyumluluğu kapsamlı biçimde doğrulanmamıştır.
• İş akışı model sürümüne ve istem tasarımına bağlıdır; farklı VLM’lerde aynı sonuç garanti edilmemektedir.

Çalışma ne söylüyor, ne söylemiyor?

Gelecekte hangi geliştirmeler öneriliyor?

Araştırmacılar gelecekte şu çalışmaların yapılmasını önermektedir:

• Bazı duvarların boreskop veya kontrollü açmayla fiziksel olarak doğrulanması,
• Yapısal açıdan önemli hatalara daha yüksek ceza veren değerlendirme ölçütleri,
• Termal görüntü, kat planı ve RGB analizi için uzman alt modeller,
• Daha büyük ve fiziksel olarak doğrulanmış veri setlerinde ince ayar,
• Yapı veri tabanlarına dayalı retrieval-augmented generation kullanımı,
• Tek duvardan bütün kat veya bina envanterine ölçekleme,
• Nokta bulutu ve kat planından otomatik duvar ölçüsü çıkarma,
• Tahmin edilen malzemelere göre yeniden kullanım odaklı tasarım üretme.

Çalışmanın Yöntemi ve Bulguları

Yöntemin teknik özeti

Deney düzeni

Veri toplama cihazları

• RGB görüntüleri için iPhone 13 Pro,
• Termal görüntüler için FLIR Boson ve Micro-Epsilon TIM QVGA kameralar,
• Deneysel radyo frekansı taraması için Walabot tabanlı sistem kullanılmıştır.

Temel performans bulguları

Şekil ve tabloların anlamı

Şekil 1, GIS, kat planı, RGB ve termal girdilerin kompakt grafikten ayrıntılı duvar montajına ve ansambl tahminine nasıl dönüştüğünü göstermektedir. Akışın merkezinde JSON tabanlı grafik gösterimi bulunmaktadır.

Şekil 2, fiziksel duvar maketinin yapım aşamasını, bitmiş yüzeyini, dijital modelini, kat planını, RGB fotoğrafını ve termal görüntülerini yan yana sunmaktadır. Görsel, termal görüntünün bazı dikmeleri gösterirken yalıtım arkasındaki unsurları gizleyebildiğini ortaya koymaktadır.

Tablo 1, maket deneyinde mümkün olan bütün veri kombinasyonlarını karşılaştırmaktadır. Bazı iki modlu kombinasyonların daha fazla veri içeren paketleri geçebilmesi, çelişkili girdilerin model performansını düşürebildiğini göstermektedir.

Tablo 3, Boston, San Francisco, Birmingham ve Toronto’dan örnek duvarlarda kat planı, RGB, termal görüntü, tahmin grafiği, referans grafik ve üç boyutlu modelleri karşılaştırmaktadır. Örnekler, aynı modelin bazı duvarlarda kusursuz veya yüksek doğruluk sağlarken bazı dış duvarlarda yalnızca 0,30 doğrulukta kalabildiğini göstermektedir.

Tablo 4, çalışmanın ana nicel sonucunu vermektedir. Veri türleri arttıkça toplam doğruluk 0,54’ten 0,76’ya çıkmakta; karbon hatası %104’ten %26’ya düşmektedir.

Şekil 4, altı hata kategorisini karşılaştırmaktadır. Yapısal sistem ve dikme türü tanıma ek veriyle belirgin biçimde iyileşirken, MEP yerleşiminin zor kalması dikkat çekmektedir.

Tablo 7, termal görüntü iyileştirmenin küçük ama ölçülebilir bir doğruluk artışı sağlayabileceğini göstermektedir. En iyi sonuç her görüntünün ayrı ayrı elle iyileştirildiği koşulda elde edilmiştir.

Tablo 9, aynı iş akışının daha yeni VLM sürümünde ek eğitim yapılmadan daha iyi sonuç verdiğini göstermektedir. Bu bulgu yöntemin model ilerlemelerinden yararlanabileceği iddiasını desteklemektedir; ancak gelecek model sürümlerinde performansın mutlaka artacağını garanti etmez.

Kaynak ve Yöntem Notu

Bu içerik, Nikita Klimenko, Martin JJ. Bucher, Fopefoluwa Bademosi, Lorenzo Villaggi, Dale Zhao ve David Benjamin tarafından hazırlanan “Seeing Inside Walls for Retrofit and Reuse: Multimodal Reasoning with Vision-Language Models for Hidden Wall Assemblies” başlıklı çalışmaya dayanmaktadır.

Çalışma, SSRN üzerinden elektronik kopyası yayımlanmış ve Elsevier’e sunulduğu belirtilmiş bir preprint araştırma makalesidir. Belgede açıkça “This preprint research paper has not been peer reviewed” ifadesi yer almaktadır. Bu nedenle çalışma hakem değerlendirmesinden geçmemiştir. PDF’de doğrulanabilir bir DOI veya nihai dergi kabul bilgisi bulunmamaktadır.

Araştırma; görüntü-dil modeli tabanlı deneysel bir yazılım iş akışı, fiziksel duvar maketi, dört ticari binadaki 22 gerçek duvar, yapılandırılmış grafik tahmini, termal ve RGB görüntüleme, BIM dönüşümü ve gömülü karbon hesaplaması içermektedir.

Gerçek duvarların referans montajları yıkıcı testle doğrulanmamıştır. Referans etiketler Revit modelleri, BIM dosyaları, mimari çizimler, termal taramalar ve uzman değerlendirmeleriyle hazırlanmıştır. Bu nedenle çalışma duvar içeriğinin kesin fiziksel doğrulamasını değil, eldeki veriler altında ulaşılabilen çok kaynaklı referans tahminini kullanmaktadır.

Makalede raporlanan doğruluk, grafik yapısının referans grafiğe benzerliğini ölçmektedir. Bu değer modelin tek tek bütün malzemeleri veya MEP bileşenlerini aynı oranda doğru bulduğu anlamına gelmez. Gömülü karbon bağıl hatası ise standart malzeme katsayıları, 10 fit duvar yüksekliği ve 16 inç dikme aralığı gibi varsayımlar üzerinden hesaplanmıştır; gerçek binaya ait doğrulanmış yaşam döngüsü analizi değildir.

Çalışmada kullanılan VLM sürümleri, istemler ve sonuçlar PDF’de raporlandığı biçimde aktarılmıştır. Çalışma içindeki %47–%74 ve %54–%76 doğruluk dizileri, sırasıyla GPT-5.2 ve GPT-5.4 karşılaştırmalarıyla ilişkilidir.

Yazarlar, makalenin hazırlanması sırasında paragraf yapılandırma, dilbilgisi düzeltme, akış iyileştirme ve bazı bölümleri kısaltma amacıyla Claude Sonnet 4.5 kullandıklarını; nihai içeriği kendilerinin gözden geçirdiğini ve sorumluluğu üstlendiklerini belirtmiştir.

Bu içerik yalnızca sağlanan PDF’deki çalışmaya dayanarak hazırlanmıştır. PDF’de bulunmayan kesin duvar tespiti, güvenlik garantisi, otomatik BIM doğruluğu, ticari saha başarısı veya bütün yapı türlerine genellenebilirlik iddiaları eklenmemiştir.