PVFS (Point–Voxel Fusion Surrogate), karmaşık çok katlı atriyumlarda her bir sensör noktasının yıllık günışığı, kamaşma ve ısıl konfor performansını birlikte tahmin etmek için nokta bulutu ile seyrek üç boyutlu voksel bilgisini birleştiren çok görevli bir vekil modeldir. Çalışmada Rhinoceros/Grasshopper üzerinden üretilmiş 2.912 parametrik kütüphane atriyumu için iklim tabanlı yıllık simülasyonlar gerçekleştirilmiş ve PVFS; Glare Autonomy (GA), continuous Daylight Autonomy (cDA) ve Thermal Comfort Percentage (TCP) alanlarını nokta bazında öğrenmiştir. Tasarım bazında ayrılmış bağımsız test kümesinde model GA için R²=0.858, cDA için R²=0.774 ve TCP için R²=0.818 elde etmiştir. Aynı tasarımın bütün noktasal çıktılarının yıllık fizik tabanlı simülasyonla hesaplanması yaklaşık 34 dakika sürerken PVFS'nin voksel oluşturma, özellik hazırlama, çıkarım ve çıktı aktarımı dahil uçtan uca süresi yaklaşık 9.2 saniyedir; kaynak bunu yaklaşık 222 kat hızlanma olarak raporlamaktadır.

Modelin temel avantajı yalnız tek bir atriyum performans puanı üretmemesidir. PVFS, farklı katlardaki okuma alanlarında nokta nokta GA, cDA ve TCP dağılımları oluşturarak tasarımcının yetersiz günışığı, kamaşma riski veya düşük ısıl konfor bölgelerini mekânsal olarak görebilmesini amaçlar. Nokta kolu açıklık, duvar ve örtücü elemanlara yakınlık gibi yerel koşulları; voksel kolu ise atriyumun toplam kütlesini, katlar arası engelleri, çatı ışıklığını ve diğer üç boyutlu bileşenleri temsil eder.

Çalışma, PVFS'yi fizik tabanlı simülasyonun evrensel yerine geçen bir araç olarak sunmamaktadır. Özellikle atriyum açıklık kenarları, köprü ve döşeme gölgelerinin keskin değiştiği bölgeler ve yüksek gradyanlı geometrik sınırlar modelin başlıca hata bölgeleridir. Yazarlar bu nedenle PVFS'yi erken tasarımda hızlı tarama ve risk lokalizasyonu için önerirken, nihai tasarım kararlarında kritik sınır bölgelerinin yüksek doğruluklu fizik tabanlı simülasyonla yeniden kontrol edilmesini gerekli görmektedir.

Araştırma problemi

Çok katlı bir atriyumun çevresel davranışı tek bir kat planından veya tek bir ortalama performans değerinden kolayca açıklanamaz. Çatı ışıklığından giren günışığı katlar arasında ilerlerken döşeme kenarları, geri çekilmeler, farklı kat yükseklikleri, köprüler ve atriyum boşluğunun geometrisi tarafından kısmen engellenir. Aynı geometri bir bölgede günışığı miktarını artırırken başka bir bölgede kamaşmayı veya güneş kaynaklı ısıl yükü artırabilir. Bu nedenle günışığı yeterliliği, kamaşma ve ısıl konfor arasında güçlü bir üç boyutlu ve çok hedefli etkileşim bulunur.

Geleneksel yaklaşım Radiance, EnergyPlus ve Ladybug Tools gibi fizik tabanlı simülasyonlarla bir tasarımın bütün yıl boyunca hesaplanmasıdır. Bu yaklaşım ayrıntılı sonuç verir; fakat yüzlerce veya binlerce geometrik alternatifin erken tasarım aşamasında hızlı biçimde taranması gerektiğinde hesaplama maliyeti önemli hale gelir. Kaynak çalışmada tek bir tasarımın GA, cDA ve TCP çıktılarının yıllık hesaplamasının toplam süresi yaklaşık 34 dakika olarak raporlanmaktadır.

PVFS nedir?

PVFS, atriyum ölçeğindeki üç boyutlu geometri ve örtülme bağlamını seyrek voksel ağıyla, her sensör noktasının yerel konum ve açıklık ilişkilerini ise nokta bulutuyla temsil ederek GA, cDA ve TCP'yi aynı sensör noktalarında birlikte tahmin eden çok görevli bir derin öğrenme surrogate modelidir; modelin hedef kullanım alanı karşılaştırılabilir çok katlı kütüphane atriyumlarında erken tasarım değerlendirmesidir.

Neden nokta ve voksel birlikte kullanılıyor?

Yalnız nokta tabanlı bir model, sensörün yakın çevresini yüksek ayrıntıyla görebilir ancak atriyumun birkaç kat ötesindeki kütlesel engelleri ve açıklık organizasyonunu yeterince temsil etmekte zorlanabilir. Yalnız voksel tabanlı bir model ise bütün yapıyı üç boyutlu olarak temsil edebilir fakat keskin açıklık kenarları ve lokal gölge geçişlerinde noktasal ayrıntıyı aşırı yumuşatabilir. PVFS bu iki temsilin görevlerini ayırır: Point Transformer yerel mikro-çevreyi, Sparse U-Net ise atriyum ölçeğindeki uzun menzilli bağlamı öğrenir.

Kaynağın ek görsel sayfasındaki PVFS iş akışı diyagramı bu yapıyı açık biçimde göstermektedir: parametrik ve iklim tabanlı simülasyon aşaması önce etiketleri üretir; aynı geometri voksel ve sensör-nokta temsillerine dönüştürülür; iki kol ayrı ağlarda kodlanır; nokta ölçeğinde hizalanmış özellikler birleştirilir ve üç bağımsız çıktı başlığı GA, cDA ve TCP üretir.

Parametrik atriyum tasarım uzayı

Araştırmacılar çok katlı kütüphane atriyumlarını Rhinoceros/Grasshopper ortamında parametrik olarak oluşturmuştur. Geometri yalnız basit dikdörtgen bir boşlukla sınırlandırılmamıştır. Katlar farklı yüksekliklere sahip olabilir, döşemeler geri çekilebilir veya split-level ilişkiler oluşturabilir ve bir veya daha fazla köprü atriyum boşluğunu kısmen örtebilir.

Her katta atriyuma en yakın okuma alanı, en büyük atriyum açıklığının çevresinde 3 m genişliğinde bir bant şeklinde tanımlanmıştır. Sensör noktaları bu okuma kuşağına ve köprülere standart çalışma düzlemi yüksekliğinde yerleştirilmiştir. Kaynak sonuç bölümüne göre her parametrik tasarım 10.000'den fazla sensör noktası içermektedir.

Çalışmanın önemli modelleme tercihlerinden biri dış cepheyi tamamen opak kabul etmesidir. Dış cephede pencere veya kapı açıklığı modellenmemiştir. Böylece günışığı girişi ve bununla bağlantılı ışınımsal etkiler yalnız atriyum çatı ışıklığından kaynaklanır. Bu tercih gerçek bir kütüphanenin bütün cephe davranışını temsil etmekten çok, atriyum geometrisinin etkisini diğer pencere düzenlerinden izole etmeyi amaçlamaktadır.

Latin Hypercube Sampling neden kullanılmıştır?

Çalışma yüksek boyutlu parametrik uzaydan 2.912 tasarım seçmek için Latin Hypercube Sampling (LHS) kullanmıştır. LHS, her parametrenin aralığını olasılık bakımından tabakalara ayırarak örnekleri tasarım uzayına daha dengeli dağıtmayı amaçlar. Bu yöntem rastgele örneklemede oluşabilecek yoğun kümelenmeleri azaltarak atriyum boyutu, kat sayısı, ışıklık geometrisi, malzeme özellikleri ve köprü kaynaklı örtülmeler arasında daha geniş kombinasyon kapsamı sağlamaktadır.

Bu örnekleme yine de bütün bina ve iklim uzayını temsil etmez. Veri kümesi özellikle kontrollü kütüphane-atriyumu alanına yöneliktir; farklı bina işlevleri, cephe sistemleri, işletme programları ve iklim bölgeleri veri uzayının doğal bir parçası değildir.

GA, cDA ve TCP neyi ölçer?

PVFS'nin üç çıktısı farklı tasarım risklerini temsil eder: Glare Autonomy (GA) yıllık kullanım saatlerinin ne kadarında kamaşma olasılığının seçilen rahatsızlık sınırının altında kaldığını, continuous Daylight Autonomy (cDA) günışığının 300 lx hedefini yıl boyunca ne ölçüde karşıladığını ve Thermal Comfort Percentage (TCP) sensör noktasının ASHRAE 55 adaptif konfor bandında kaldığı yıllık kullanım saati oranını ifade eder.

Glare Autonomy — GA

Kaynak GA'yı aşağıdaki yıllık noktasal metrikle tanımlar:

\[ GA=\frac{1}{H}\sum_{t\in T_{occ}}I(DGP(t)\leq DGP_{th}) \tag{1} \]

\(T_{occ}\) yıl içindeki kullanılan saatler kümesidir, \(H=|T_{occ}|\) bu saatlerin toplam sayısıdır ve \(I(\cdot)\) koşul doğru olduğunda 1, yanlış olduğunda 0 alan gösterge fonksiyonudur. Çalışmada \(DGP_{th}=0.35\) seçilmiştir. Dolayısıyla GA'nın 1'e yaklaşması, ilgili sensör noktasının kullanım saatlerinin daha büyük bölümünde seçilen DGP kamaşma sınırının altında kaldığı anlamına gelir.

continuous Daylight Autonomy — cDA

cDA aşağıdaki şekilde hesaplanmıştır:

\[ cDA=\frac{1}{H}\sum_{t\in T_{occ}} \min\left(1,\frac{E(t)}{E_{th}}\right) \tag{2} \]

\(E(t)\), sensör noktasındaki saatlik çalışma düzlemi aydınlık düzeyidir; \(E_{th}\) ise hedef aydınlık düzeyidir. Çalışmada \(E_{th}=300\,\mathrm{lx}\) kullanılmıştır. Klasik ikili Daylight Autonomy yaklaşımının tersine, 300 lx'in altındaki saatler doğrudan sıfır kabul edilmez. Örneğin hedefin yarısı kadar aydınlık sağlanan bir saat, formülün yapısı gereği kısmi katkı verir. Böylece eşik çevresindeki küçük değişimlerin metriği aşırı keskin biçimde değiştirmesi azaltılır.

Kaynak metninde Eq. (2) sonrasında \(E_{th}\) bir cümlede yanlışlıkla “t anındaki saatlik çalışma düzlemi aydınlığı” gibi tanımlanmaktadır. Denklem, önceki cümle ve 300 lx açıklaması bunun hedef eşik olduğunu açıkça gösterdiği için Verianla metninde kaynak tutarsızlığı ayrıca not edilmiş, denklem değiştirilmemiştir.

Thermal Comfort Percentage — TCP

TCP, ASHRAE Standard 55:2017 adaptif ısıl konfor modeli ve %90 kabul edilebilirlik ölçütü kullanılarak hesaplanmıştır:

\[ TCP= \frac{1}{H} \sum_{t\in T_{occ}} I\left( T_{low}(t)\leq T_{op}(t)\leq T_{high}(t) \right) \tag{3} \]

\(T_{op}(t)\) sensör noktasındaki saatlik operatif sıcaklık, \(T_{low}(t)\) ve \(T_{high}(t)\) ise dış ortamın hâkim koşullarından türetilen adaptif alt ve üst konfor sınırlarıdır. Kaynak %90 kabul edilebilirlik bandını genellikle yaklaşık ±2.5 °C ile ilişkilendirmektedir.

TCP bir “band-pass” istatistiğidir. Düşük bir TCP, çok sayıda saatin adaptif konfor bandı dışında kaldığını söyler; fakat bu rahatsızlığın aşırı sıcaklık mı yoksa aşırı serinlik mi nedeniyle oluştuğunu tek başına ayırt etmez. Yazarlar gelecekte üst ve alt sınır taşmalarını ayrı gösterecek göstergelerin eklenebileceğini belirtmektedir.

Nokta bulutu hangi bilgileri taşır?

Her sensör noktasının yerel özellikleri, noktanın atriyum içinde “nerede olduğunu ve hangi örtülme koşullarına maruz kaldığını” ifade edecek biçimde tasarlanmıştır. Kaynağın tam boyutlu özellik diyagramında nokta koordinatları, kat indeksi, en yakın atriyum açıklığına ve duvara uzaklık, en yakın örtücü elemana yatay/düşey mesafe ve atriyum merkezine göre normalize edilmiş X-Y konumları ayrı ayrı görselleştirilmiştir.

Bir noktanın atriyum merkezine göre normalize edilmiş X konumu:

\[ \Delta x_i^A= \frac{x_i-x_{c,k}}{0.5L_{a,k}} \tag{6} \]

ve Y konumu:

\[ \Delta y_i^A= \frac{y_i-y_{c,k}}{0.5W_{a,k}} \tag{7} \]

ile tanımlanır. Böylece farklı büyüklüklerdeki atriyumlarda sensörün yalnız metre cinsinden mutlak konumu değil, atriyum açıklığının neresinde bulunduğu da modele aktarılır.

Global özellikler ise yapı yönelimi, bina uzunluğu-genişliği-yüksekliği, kat sayısı, kattan kata yükseklik, yüzey yansıtıcılıkları ve çatı ışıklığının VLT değeri gibi bütün tasarımla paylaşılan parametreleri içerir.

Nokta–voksel füzyonu neden önemlidir?

Nokta–voksel füzyonu, çok katlı atriyum performansının aynı anda hem sensör çevresindeki yerel açıklık ve gölge ilişkilerine hem de bütün yapı boyunca devam eden kütle, ışıklık ve katlar arası örtülme zincirlerine bağlı olması nedeniyle önemlidir; PVFS'de nokta kolu lokal ayrıntıyı, Sparse U-Net voksel kolu ise uzun menzilli üç boyutlu bağlamı taşır.

Seyrek voksel kolu

Boş olmayan voksel koordinatları:

\[ \Omega=\{c_j\}_{j=1}^{N_v} \tag{8} \]

olarak tanımlanır. Her boş olmayan voksel, yapı bileşeninin semantiğini ve optik/yapısal özelliklerini temsil eden altı boyutlu bir öznitelik vektörü \(v_j\) taşır:

\[ X=\{(c_j,v_j)\}_{j=1}^{N_v} \tag{9} \]

Sparse U-Net bu seyrek üç boyutlu girdiyi kodlayarak:

\[ F_{vox}=\Phi_{vox}(X), \qquad F_{vox}\in\mathbb{R}^{N_v\times C_{vox}} \tag{10} \]

biçiminde global bir voksel özellik alanı üretir. Bu alan atriyum kütlesi, açıklık sınırları, köprüler, döşemeler ve diğer örtücü elemanların mekânsal sürekliliğini temsil eder.

Voksel ağının bottleneck bölümünde dilated sparse convolution kullanılarak alıcı alan büyütülür. Encoder ve decoder arasındaki skip bağlantılarında ise hafif bir gated fusion mekanizması kullanılır. Amaç, açıklık ve köprü kenarlarındaki keskin sınır sinyallerini korurken bütün atriyum ölçeğindeki bağlamı kaybetmemektir.

Görünürlük-duyarlı attention önseli

Point Transformer'ın yalnız veriden öğrenilen attention ağırlıklarının sınırlı örneklemde açıklık ve örtülmenin fiziksel önemini kararlı biçimde öğrenmesinin zor olabileceği varsayılmıştır. Bu nedenle modele açıklığa ve örtücülere uzaklık gibi geometri değişkenlerinden oluşturulan bir attention bias eklenmiştir:

\[ \alpha_{ij} = \operatorname{softmax}_{j} \left( score_{ij}+b_{ij} \right) \]

\[ b_{ij} = \phi \left( \Delta d^{open}_{ij}, \Delta d^{occ,z}_{ij}, d^{occ,xy}_{i}, \Delta(z/H)_{ij} \right) \tag{11} \]

\(\alpha_{ij}\), i noktasının j komşusuna verdiği attention ağırlığıdır. \(score_{ij}\) temel özellik ve göreli konum benzerliğini, \(b_{ij}\) ise açıklık erişilebilirliği ve örtülme açısından fiziksel anlam taşıyan ilave bias'ı temsil eder. Bu yapı nedensel bir fizik denklemi değildir; ışık yolu ve örtülme bilgisini öğrenme sürecine yönlendiren geometri tabanlı bir önseldir.

Voksel bilgisinin sensör noktasına aktarılması

Global voksel özelliği her sensör noktasının bağlı olduğu voksel indeksinden örneklenir:

\[ f_i^{env}=S(F_{vox},c_i^s) \tag{12} \]

Geçerli bir lokal voksel özelliği bulunmadığında kaynak, komşu voksel ortalamasını ve son çare olarak global ortalamayı kullanmaktadır. Amaç sınır veya seyrek-tensor durumlarında özellik boyutunu ve eğitim kararlılığını korumaktır.

Çalışmanın Yöntemi ve Bulguları

Veri üretim zinciri

Çalışmanın veri üretim zinciri dört temel aşamada ilerlemektedir. Önce parametrik atriyum geometrileri LHS ile oluşturulur. Ardından Ladybug Tools kullanılarak yıllık iklim tabanlı ışık ve termal simülasyonlar yürütülür. Aynı geometri üç boyutlu voksel ağına ve sensör nokta bulutuna dönüştürülür. Son olarak simülasyondan üretilen GA, cDA ve TCP değerleri her sensör noktasının eğitim etiketi haline gelir.

Tasarım bazlı ayrım kritik bir metodolojik tercihtir. Noktalar rastgele bölünseydi aynı atriyumun binlerce noktası hem eğitim hem test kümesine girebilir ve model aslında daha önce gördüğü geometrinin komşu noktalarını tahmin ederek yapay derecede yüksek performans gösterebilirdi. Çalışma bütün noktaları ait oldukları tasarımla birlikte tek bir split içinde tutarak bu veri sızıntısını önlemeyi amaçlamaktadır.

PVFS mimarisi ve hiperparametreler

Kaynağın daha sonraki hesaplama verimliliği bölümünde aynı voxel size “0.10 m” olarak adlandırılmaktadır. Bu ifade Table 3'teki “normalized coordinate space” açıklamasıyla aynı değildir. Bu nedenle fiziksel voksel boyutunun kesinlikle 0.10 m olduğu Verianla tarafından bağımsız bir gerçek olarak kabul edilmemiştir.

Donanım ve yazılım

Eğitim ve testler Linux iş istasyonunda Intel i7-12700F CPU, NVIDIA GeForce RTX 3080 GPU, CUDA 11.3, Python 3.11 ve PyTorch 2.2 kullanılarak gerçekleştirilmiştir. Seyrek üç boyutlu konvolüsyon için MinkowskiEngine altyapısı kullanılmıştır.

Çok görevli eğitim kaybı

Kaynak pseudo-code'unda GA, cDA ve TCP için üç bağımsız sigmoid çıkış başlığı bulunur. Nokta ağırlıkları cepheye, köprü etkisine ve kenar oranına göre artırılabilir:

\[ w_i= 1+\alpha_f\,is\_facade_i+ \alpha_w\,is\_walkway_i+ \alpha_e I(edge\_ratio_i>\tau) \]

Toplam eğitim kaybı görev bazlı SmoothL1 terimlerinin ağırlıklı toplamıdır:

\[ L= \sum_{t\in T} \beta_t\, \operatorname{Mean}_i \left[ SmoothL1(\hat y_{i,t},y_{i,t})\,w_i \right] \]

Kaynak pseudo-code bu formülü verir ancak \(\alpha_f\), \(\alpha_w\), \(\alpha_e\), \(\tau\) ve \(\beta_t\) için görünür tabloda sayısal değer belirtmez. Bu değerler Verianla tarafından uydurulmamıştır.

Değerlendirme metrikleri

Model Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) ve coefficient of determination \(R^2\) ile değerlendirilmiştir:

\[ MAE= \frac{1}{N} \sum_{i=1}^{N} |y_i-\hat y_i| \tag{13} \]

\[ RMSE= \sqrt{ \frac{1}{N} \sum_{i=1}^{N} (y_i-\hat y_i)^2 } \tag{14} \]

\[ R^2= 1- \frac{ \sum_{i=1}^{N}(y_i-\hat y_i)^2 }{ \sum_{i=1}^{N}(y_i-\bar y)^2 } \tag{15} \]

MAE ortalama mutlak sapmayı, RMSE büyük hataları daha güçlü cezalandıran karekök ortalama karesel hatayı, \(R^2\) ise modelin hedef dağılımındaki varyansı ne ölçüde açıkladığını gösterir.

Ana test performansı

PVFS üç görevde de en dengeli performansı göstermektedir. Point-only modelin daha düşük R² değerleri, yalnız yerel nokta özelliklerinin atriyum kütlesi ve katlar arası örtülme gibi uzun menzilli geometrik koşulları yeterince temsil edemediği yorumuyla ilişkilendirilmiştir. Voxel-only model Point-only modele göre iyileşmekle birlikte lokal mikro-çevre bilgisi eksik olduğu için PVFS'nin gerisinde kalmıştır. Aynı çift modaliteli girdi üzerinde PointNet++ kullanılan alternatifin de PVFS'den düşük performans göstermesi, yazarlar tarafından attention tabanlı nokta ilişkilerinin açıklık–örtülme gradyanlarını daha iyi yakaladığı şeklinde yorumlanmaktadır.

Gated fusion kaldırıldığında cDA RMSE'nin 0.148'e, TCP RMSE'nin 0.055'e yükseldiği, GA'nın yaklaşık 0.085 civarında kaldığı raporlanmıştır. Bu sonuç gating mekanizmasının özellikle cDA ve TCP'de iki modalite arasındaki çelişkili sinyalleri azaltmaya katkıda bulunduğu yönünde yorumlanmıştır.

Katlar arası davranış

GA için kat bazlı R² yaklaşık 0.737-0.892, TCP için yaklaşık 0.722-0.866 aralığındadır. cDA'nın en üst kattaki R² değeri yaklaşık 0.636'ya düşmektedir; fakat aynı katta mutlak hata artmamaktadır. cDA RMSE alt katlarda 0.149 ve 0.162 iken altıncı katta 0.099'a kadar gerilemektedir. Yazarlar bu nedenle üst kattaki düşük R² değerini daha büyük mutlak hata olarak değil, hedef değişkenliğinin azalması nedeniyle R²'nin benzer hata büyüklüklerine daha hassas hale gelmesiyle açıklamaktadır.

GA hataları üst katlarda bir miktar genişlemektedir; kaynak bunu çatı ışıklığına yakın katlarda güçlü doğrudan ışık ve yüksek parlaklık görüşlerinin daha keskin kamaşma alanları oluşturmasıyla ilişkilendirir. cDA ise alt katlarda köprü, döşeme kenarı ve derin atriyum boşluğunun birleşik örtülmesi nedeniyle daha zor tahmin edilmektedir. TCP'nin alanı daha düzgün olduğundan hata dağılımı genellikle daha dardır.

Gerçek–Tahmin–Fark haritaları ne gösteriyor?

Kaynağın çok sayıda tam boyutlu ek görselinde her kat için üç satır halinde GA, cDA ve TCP; sütunlarda ise fizik tabanlı gerçek değer, PVFS tahmini ve fark haritası gösterilmektedir. Haritalar PVFS'nin ana sıcak/soğuk bölge yapısını ve gradyan yönünü çoğu homojen bölgede koruduğunu gösterir. Bununla birlikte farkların açıklık kenarları, köprü gölgeleri, döşeme köşeleri ve ani aydınlık-karanlık geçişlerinde yoğunlaştığı açıkça görülmektedir.

Temsilî test örneklerinde cDA'nın bazı alt kat bölgelerinde günışığı penetrasyonu fazla tahmin edilebilmekte, bazı GA kamaşma bantları ise mekânsal olarak yumuşatılmakta veya hafifçe kaydırılabilmektedir. Bu hata imzası rastgele bir model gürültüsünden çok, keskin geometrik sınırların surrogate tarafından daha zor yeniden oluşturulduğunu göstermektedir.

Held-out hata tabakalandırması

Daha sonraki held-out-only analizde kaynak, GA için MAE 0.046, cDA için MAE 0.107 ve TCP için MAE 0.037 raporlamaktadır. cDA için RMSE 0.187 olarak verilmektedir. Cepheye komşu noktaların cDA hatası MAE 0.136 ve P90 0.377 ile en yüksek grup olarak raporlanırken atriyum kenarı 0.102, köprü etkisindeki noktalar 0.088 ve iç referans noktaları 0.114 MAE değerine sahiptir.

Bu bölümdeki cDA MAE/RMSE değerleri, önceki genel test hata tablosunda verilen 0.076/0.130 değerlerinden belirgin biçimde farklıdır. Kaynak her iki analizi de tasarım bazlı held-out test bağlamıyla ilişkilendirdiği için bu farkın alt örneklem, yeniden hesaplama veya revizyon kaynaklı olup olmadığı PDF'den kesin olarak çözülememektedir. Verianla iki değeri birleştirip yeni bir ortalama üretmemiştir.

SHAP analizi ne söylüyor?

Model yorumlanabilirliği için PVFS çıktılarını taklit eden yüksek doğruluklu gradient-boosted decision-tree surrogate'ları eğitilmiş ve bunlara TreeSHAP uygulanmıştır. Bu ikinci surrogate üzerinden elde edilen SHAP değerleri doğrudan fiziksel nedensellik kanıtı değildir; PVFS davranışının model-seviyeli bir öznitelik atfıdır.

GA üzerinde duvara uzaklık, kat indeksi, nokta koordinatları, dönme açısı ve lokal açıklık/örtülme değişkenleri öne çıkmaktadır. cDA; özellikle kat indeksi, duvar uzaklığı, örtücü uzaklığı, tavan yansıtıcılığı, yönelim, VLT ve zemin yansıtıcılığına duyarlıdır. TCP için kat indeksi, duvar mesafesi, koordinatlar, zemin yansıtıcılığı ve yönelim öne çıkan değişkenler arasındadır. Bu dağılım, modelin atriyum fiziğiyle tamamen ilgisiz değişkenlere dayanmadığını destekleyen bir tutarlılık kontrolü sunar; ancak nedensellik kanıtlamaz.

PVFS'nin 222 kat hızlanması ne anlama gelir?

Kaynakta raporlanan yaklaşık 222× hızlanma, tek bir atriyum tasarımında bütün sensör noktaları için GA, cDA ve TCP'nin yıllık fizik tabanlı simülasyonla yaklaşık 34 dakikada hesaplanması ile PVFS'nin voksel oluşturma, özellik hazırlama, model çıkarımı ve sonuç aktarımı dahil yaklaşık 9.2 saniyelik uçtan uca süresinin karşılaştırılmasına dayanır; bu oran model eğitiminin maliyetini değil, eğitilmiş modelin tasarım başına değerlendirme süresini ifade eder.

Kaynak hızlanma oranını:

\[ S= \frac{t_{sim}}{t_{PVFS}} = \frac{ t_{cDA}+t_{GA}+t_{TCP} }{ t_{voxelize}+t_{feature}+t_{infer}+t_{export} } \tag{16} \]

şeklinde tanımlar. Yaklaşık 34 dakika 2.040 saniyedir; 2.040/9.2 yaklaşık 222 eder. Dolayısıyla raporlanan oran aritmetik olarak kaynak süreleriyle tutarlıdır.

Bu hızlanma, fizik tabanlı simülasyonun gereksiz olduğu anlamına gelmez. PVFS'nin eğitim etiketleri zaten bu simülasyonlardan oluşturulmuştur. Model, pahalı simülasyonlardan öğrenilmiş bir yaklaşım üreterek yeni tasarımları hızlı tarar; kritik veya nihai tasarımlar tekrar yüksek doğruluklu simülasyona gönderilir.

Gerçek proje doğrulaması

Guangdong'daki gerçek bir kütüphane atriyumu üzerinde yapılan dış doğrulamada PVFS, GA, cDA ve TCP'nin geniş ölçekli mekânsal organizasyonunu koruyabilmiştir. Açıklığa maruz kalan ve gölgelenmiş bölgeler büyük ölçüde simülasyon haritalarıyla aynı yerde oluşmuştur. Bununla birlikte ara katlarda lokal cDA farkları ve birinci kattaki doğu tarafında GA kamaşma bandının yumuşatılması veya kaydırılması gibi hatalar görülmüştür.

Bu gerçek proje testi “her gerçek bina için doğrulama” değildir. Yazarlar bunu parametrik veri uzayından daha karmaşık yapı detaylarına kontrollü bir dış kontrol olarak ele almaktadır.

Görülmemiş geometri doğrulaması

LHS eğitim mantığının dışında oluşturulan atriyum geometrileri üzerinde model ana GA ve TCP gradyanlarını çoğunlukla korumuştur. Ancak özellikle birinci ve ikinci kat GA haritalarında güney taraftaki bazı sınır bölgelerinin aşırı yumuşatılması veya konumsal olarak kaydırılması görülmüştür. Bu sonuç, transferin geniş ölçekli bölgeleme açısından daha güçlü, keskin açıklık ve gölge sınırlarında daha zayıf olduğunu göstermektedir.

Pekin iklimi fine-tuning deneyi

Çalışma Guangzhou tabanlı modeli yeni bir iklime doğrudan “zero-shot” genelleme olarak sunmamıştır. Bunun yerine Pekin için 30 yeni tam simülasyon vakası üretilmiş; 10'u fine-tuning, 5'i validation ve 15'i bağımsız test için kullanılmıştır. Point–voxel feature extraction backbone'u dondurulmuş, yalnız GA/cDA/TCP çıktı başlıkları yeniden ayarlanmıştır.

cDA yeni iklimde de en zor hedef olarak kalmıştır; ortalama kat bazlı MAE 0.111-0.149 aralığındadır. GA hatası özellikle birinci katta yükselmiş ve ortalama MAE 0.125 olmuştur; üst katlarda ortalama GA MAE 0.025 veya daha düşük raporlanmıştır. TCP katlar boyunca daha kararlı olup ortalama MAE yaklaşık 0.027-0.062 aralığındadır.

Bu deney modelin iklimden tamamen bağımsız olduğunu göstermez. Tersine, kaynak açık biçimde hedef iklimden sınırlı sayıda yeni fizik tabanlı simülasyon kullanılarak fine-tuning yapılması gerektiğini göstermektedir.

Çalışmanın desteklediği ve desteklemediği yorumlar

Temel sınırlılıklar

PVFS veri kümesi tek bir geniş fakat kontrollü kütüphane-atriyumu parametre uzayına dayanır. Çalışma çoklu iklim dosyalarını, farklı bina işlevlerini, çeşitli cephe pencere sistemlerini veya farklı işletme programlarını ana eğitim veri kümesinin doğal parçası olarak içermez.

Gerçek proje ve görülmemiş geometri testleri yararlı dış kontrollerdir ancak çok projeli, önceden tanımlanmış büyük bir transfer benchmark'ının yerini tutmaz. Farklı bina tipleri veya iklim bölgeleri için daha geniş etiketli veri ve transfer-learning deneyleri gereklidir.

Modelin en belirgin mekânsal zayıflığı açıklık kenarları, gölge sınırları ve geometrik köşelerdir. Yazarlar gelecekte boundary-focused sampling, loss reweighting, lokal refinement modelleri ve uncertainty maps kullanımını önermektedir.

PVFS şu anda yalnız GA, cDA ve TCP üretir. Useful Daylight Illuminance (UDI) ve Annual Sunlight Exposure (ASE) gibi günışığının yeterliliğini ve aşırı güneş maruziyetini farklı açılardan ölçen göstergeler henüz aynı çok görevli yapı içinde tahmin edilmemektedir.

Kaynak ve Yöntem Notu

Özgün başlık: PVFS: A Point–Voxel Fusion Multi-task Surrogate for Point-wise Prediction of Performance Metrics in Multi-floor Atria

Yazarlar ve PDF'deki sıra: Yiyang Huang; Zhenhui Zhang; Ping Su; Kaiying Chen; Rushi Dai.

Sorumlu yazarlar: Zhenhui Zhang ve Rushi Dai.

Kurumlar: School of Civil Engineering and Architecture, Wuyi University, Nanping, China; School of Architecture, South China University of Technology, Guangzhou, China; Thrust of Urban Governance and Design, The Hong Kong University of Science and Technology (Guangzhou), Guangzhou, China; Architectural Design and Research Institute, South China University of Technology, Guangzhou, China.

Kaynak türü: Hakem değerlendirmesinden geçmemiş preprint. PDF'nin her sayfasında “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

PDF'deki platform bağlantısı: SSRN abstract 7180130.

DOI: Yüklenen PDF'de DOI bulunmamaktadır. Dış bibliyografik indekslerde aynı başlığın 10.2139/ssrn.6189939 DOI'li başka bir SSRN/Crossref kaydı bulunmaktadır; ancak bu kaydın yazar sırası mevcut PDF'den farklıdır ve PDF farklı SSRN abstract numarası kullanmaktadır. Bu nedenle 10.2139/ssrn.6189939 mevcut PDF'nin doğrulanmış DOI'si olarak atanmaz.

Dergi / yayınevi / cilt / sayı: Yüklenen sürümde doğrulanmış hakemli dergi, cilt veya sayı bilgisi bulunmamaktadır.

Lisans: PDF içinde açık yeniden kullanım lisansı görünür biçimde belirtilmemiştir. Kaynak şekillerini birebir kopyalamadan önce ilgili SSRN sürümünün hak ve lisans koşulları ayrıca doğrulanmalıdır.

Finansman: Natural Science Foundation of Fujian Province, Grant No. 2024J01913.

CRediT katkıları: Yiyang Huang — conceptualization, data curation, formal analysis, funding acquisition, methodology, resources, software, validation, visualization, writing-original draft ve review/editing. Zhenhui Zhang — project administration, supervision, review/editing. Ping Su — conceptualization, supervision, review/editing. Kaiying Chen — resources, software, review/editing. Rushi Dai — data curation, formal analysis, investigation, review/editing.

Çıkar çatışması ve veri erişilebilirliği: Yüklenen PDF'nin ana metninde referanslar başlamadan önce ayrı bir competing-interest veya data-availability beyanı görünür biçimde bulunmamaktadır; bu nedenle bu alanlara kaynak dışı beyan eklenmemiştir.

Kaynak içi önemli editoryal/tutarlılık sorunları:

Görsel yeniden çizim uygunluğu: Çok yüksek. Kaynağın PVFS pipeline'ı, nokta–voksel çift kolu, çok katlı atriyum kesiti, sensor feature geometrisi ve True/Pred/Diff performans alanları Verianla için telif açısından özgün fakat bilimsel olarak eşdeğer şemalar halinde yeniden kurulabilir. Kaynak figürlerin piksel düzeni birebir kopyalanmamalıdır.

Verianla Live uygunluğu: Çok yüksek. Özellikle GA/cDA/TCP R² karşılaştırması, fizik tabanlı simülasyon–PVFS süre karşılaştırması, kat bazlı hata dağılımları ve nokta–voksel yöntem akışı Live Data / Live Compare / Live Process için uygundur. Kaynakta bulunmayan ara değer veya performans noktaları üretilmemelidir.

Temel yöntemsel yorum sınırı: PVFS erken tasarım için hızlı surrogate tahmin aracıdır. Çalışmanın kendisi, yüksek gradyanlı veya sınır-dominant bölgelerde nihai kararların fizik tabanlı simülasyonla doğrulanmasını gerekli görmektedir.