Details

Работа посвящена разработке и описанию методики для процесса проектирования общеобразовательных учреждений на этапе разработки концептуального решения с учетом условий окружающей среды с целью оптимизации сроков, стоимости, трудозатрат и качества реализации проекта путем применения технологий машинного обучения. Задачи, которые были реализованы в ходе исследования: 1. Анализ применения алгоритмов машинного обучения, в том числе на различных этапах проектирования; 2. Сравнительный анализ алгоритмов машинного обучения с точки зрения возможности их применения при проектировании общеобразовательных учреждений; 3. Разработка методики обоснования характеристик процесса проектирования с использованием алгоритмов машинного обучения на этапе разработки концептуального решения; 4. Реализация методики на практическом примере. В процессе работы над диссертационным исследованием изучены алгоритмы работы и типы задач машинного обучения, проанализирован опыт применения технологий машинного обучения в сфере строительства, на основе которого схематично представлены возможности внедрения технологий машинного обучения и инструменты их реализации на различных этапах процесса проектирования, также работа включает в себя анализ тенденций в проектировании обще-образовательных учреждений и обоснование метода проектирования в рамках данного научного исследования. Практическая часть исследования разработана на примере этапа концептуального проектирования общеобразовательного учреждения в Санкт-Петербурге с использованием ПК QGIS и средств визуального программирования Grasshopper на базе Rhinoceros 3D, наглядно представляющая возможности оптимизации работы проектировщика на этапе разработки оптимального проектного решения с учетом условий окружающей среды. Результат проекта представляет собой оптимальное концептуальное решение общеобразовательного учреждения в Московском районе Санкт-Петербурга с учетом особенностей участка строительства, солнечного воздействия, затенения местности и воздействия ветра, разработанное с применением инструментов машинного обучения.

The work is devoted to the development and description of a methodology for the de-sign process of educational institutions at the stage of developing a conceptual solu-tion taking into account environmental conditions in order to optimize the timing, cost, labor costs and quality of project implementation through the use of machine learning technologies. The tasks that were implemented during the study: 1. Analysis of the application of machine learning algorithms, including at various stages of design; 2. Comparative analysis of machine learning algorithms in terms of the pos-sibility of their application in the design of educational institutions; 3. Development of a methodology for substantiating the characteristics of the design process using machine learning algorithms at the stage of developing a conceptual solution; 4. Implementation of the methodology using a practical example. In the process of working on the dissertation research, algorithms of operation and types of machine learning tasks were studied, the experience of using machine learning technologies in the field of construction was analyzed, on the basis of which the possibilities of introducing machine learning technologies and tools for their im-plementation at various stages of the design process are schematically presented, the work also includes an analysis of trends in the design of educational institutions and justification of the design method within the framework of this scientific research. The practical part of the study is developed using the example of the conceptual design stage of a general education institution in St. Petersburg using a QGIS PC and Grasshopper visual programming tools based on Rhinoceros 3D, which clearly pre-sents the possibilities of optimizing the designers work at the stage of developing an optimal design solution taking into account environmental conditions. The result of the project is an optimal conceptual solution for a general education institution in the Moskovsky district of St. Petersburg, taking into account the characteristics of the construction site, solar exposure, shading of the area and wind exposure, developed using machine learning tools.