Details

Работа посвящена разработке и описанию методики оптимизации парковочного пространства на этапе разработки концептуального решения с целью повышения эффективности использования площади, сокращения трудозатрат проектировщика и обеспечения соответствия нормативным требованиям с использованием инструментов машинного обучения. Задачи, которые были реализованы в ходе исследования: 1. Анализ опыта применения алгоритмов машинного обучения в строительстве и других сферах; 2. Сравнительный анализ алгоритмов машинного обучения с точки зрения возможности их применения для проектирования парковочного пространства; 3. Разработка методики применения машинного обучения для оптимизации парковочного пространства на этапе разработки концепции; 4. Реализация методики на практическом примере. В процессе работы над диссертационным исследованием изучены алгоритмы и типы задач машинного обучения: обучение с учителем, без учителя и обучение с подкреплением, рассмотрены основные алгоритмы – линейная регрессия, метод опорных векторов, деревья решений, ансамблевые методы, нейронные сети и эволюционные алгоритмы. Проанализирован опыт применения технологий машинного обучения и генеративного моделирования в BIM-среде, в том числе в платформах Grasshopper и Dynamo. На основе проведённого анализа был выбран эволюционный алгоритм оптимизации, который в дальнейшем реализуется в компоненте Galapagos среды Grasshopper, как наиболее пригодного инструмента для задач генеративного проектирования. Практическая часть исследования реализована на примере проектирования парковочного пространства с использованием среды визуального программирования Grasshopper на базе Rhinoceros 3D. Результатом работы алгоритма является оптимальная планировка паркинга с расстановкой машиномест, организованными проездами и выделенными местами для МГН, удовлетворяющая требованиям СП 113.13330.2016 и СП 59.13330.2020.

The work focuses on developing and describing a methodology for optimizing parking space at the conceptual design stage, aimed at improving area utilization efficiency, reducing designer workload, and ensuring compliance with regulatory requirements through the application of machine learning tools. The following objectives were accomplished in the course of the research: 1. Analysis of the experience of applying machine learning algorithms in construction and other fields; 2. Comparative analysis of machine learning algorithms in terms of their applicability to parking space design; 3. Development of a methodology for applying machine learning to parking space optimization at the conceptual design stage; 4. Implementation of the methodology on a practical example. In the course of the dissertation research, machine learning algorithms and task types were studied: supervised learning, unsupervised learning, and reinforcement learning. The main algorithms were examined – linear regression, support vector machines, decision trees, ensemble methods, neural networks, and evolutionary algorithms. The experience of applying machine learning and generative modeling technologies in the BIM environment was analyzed, including the Grasshopper and Dynamo platforms. Based on this analysis, the evolutionary optimization algorithm implemented in the Galapagos component of the Grasshopper environment was selected as the most suitable tool for generative design problems. The practical part of the research was implemented on the example of parking space design using the Grasshopper visual programming environment based on Rhinoceros 3D. The output of the algorithm is an optimal parking layout with arranged parking spaces, organized aisles, and designated spaces for people with reduced mobility, satisfying the requirements of SP 113.13330.2016 and SP 59.13330.2020.