Bina yerleşimi, sokak genişliği ve blok boyutunun 10^15 olası konfigürasyonu varken bir mahalleyi nasıl tasarlarsınız? Geleneksel masterplanning sezgi ve örneğe dayanır. Bu araştırma farklı bir yaklaşım alıyor: algoritmaların tasarım alanını keşfetmesine izin veriyoruz.
Evrimsel algoritmalar (NSGA-II), ajan tabanlı yaya simülasyonu (127.000 ajan) ve çok amaçlı optimizasyon kullanarak binlerce kentsel konfigürasyon oluşturuyor ve çelişen hedefleri karşılayan çözümler için filtreliyoruz: yoğunluğu maksimize et, yürünebilirliği maksimize et, güneş erişimini maksimize et, rüzgar rahatsızlığını minimize et.
Temel bulgu: optimal çözümler belirgin değil. Bilkent kampüs alanında (50 ha) hem yoğunluk HEM DE yürünebilirlik için optimize ettiğimizde, algoritma sürekli olarak sezginin önerdiği tek tip dağılım yerine polisentrik kümeler üretti—Jane Jacobs'ın gözlemleriyle uyumlu ama hesaplamalı olarak keşfedilen bir sonuç.
Araştırma Süreci
Veri Toplama
OpenStreetMap'ten CBS ayak izleri (2km yarıçap içinde 12.847 bina), Uber Movement'tan trafik akışı (4 yıl), TÜİK nüfus sayımı API'sinden demografik kalıplar. Tüm veriler EPSG:32636'ya projekte edildi.
Ajan Tabanlı Modelleme
Heterojen davranışlara sahip 127.000 yaya ajanı (işe gidenler, alışveriş yapanlar, öğrenciler, yaşlılar) simüle edilmiş 24 saatlik döngülerde kentsel dokuyu geziyor. Ajanlar yol seçimi, bekleme süresi ve tıkanıklık olaylarını kaydediyor. Manuel yaya sayımlarına göre kalibre edildi (r² = 0.89).
Evrimsel Optimizasyon
Popülasyon boyutu 100, 50 nesil (toplam 5.000 değerlendirme) ile NSGA-II. Dört uygunluk hedefi: KAT (maksimize), yürünebilirlik skoru (maksimize), güneş erişimi (kış maksimize, yaz minimize), yaya seviyesinde rüzgar konforu (<5 m/s). Pareto cephesi 23 baskın olmayan çözüm veriyor.
Çevresel Simülasyon
5.000 tasarımın her biri 1 dakikalık hesaplama bütçesi alıyor: güneş radyasyonu (Ladybug, 12 saat), rüzgar CFD (Butterfly, basitleştirilmiş sınır koşulları), termal konfor (UTCI). Toplam hesaplama: NVIDIA A5000'de 83 GPU-saat.
127.000 Ajan Simülasyonu: Tıkanıklık noktalarını ve hareket koridorlarını gösteren yaya akış ısı haritası. Kaynak-varış analizi, küçük blok kalıplarının (<100m çevre) yürünebilirlik için doğal olarak optimize ettiğini ortaya koyuyor.
Ne Keşfettik
Evrimsel algoritmalar 24 saatte 10.000+ tasarım iterasyonunu keşfediyor—insan tasarımcıların manuel olarak gezemeyeceği bir arama alanı
10.000+ iterasyon / 24 saatNSGA-II belirgin olmayan ödünleşimleri ortaya koyuyor: hem yoğunluğu HEM DE yürünebilirliği maksimize etmek tek tip dağılım değil polisentrik kümeleme (5 mikro-merkez) gerektiriyor
5 küme optimalAjan tabanlı yaya simülasyonu referans alandaki (Kadıköy) işletme sonrası değerlendirmeye kıyasla %87 doğrulukla tıkanıklık noktalarını tahmin ediyor
%87 tahmin doğruluğuKüçük blok boyutları (<100m çevre) yürünebilirlik uygunluk fonksiyonunda ≥0.3 ağırlıklandırıldığında sürü optimizasyonundan doğal olarak ortaya çıkıyor
<100m blok boyutuMevcut Sınırlamalar
Veri bağımlılığı: model doğruluğu girdi kalitesine büyük ölçüde bağlı; eksik veya güncel olmayan CBS verileri güvenilmez tahminler üretiyor
Hesaplama maliyeti: rüzgar konforu için tam sadakatle CFD ölçekte engelleyici; mikroiklim etkilerini kaçırabilecek basitleştirilmiş sınır koşulları kullanıyoruz
Davranışsal varsayımlar: ajan parametreleri (yürüme hızı, varış noktası seçimi) Türk şehirlerine göre kalibre edilmiş ve diğer bağlamlara aktarılamayabilir
Zamansal dinamik yok: model statik bir 'hedef yıl' için optimize ediyor ve aşamalı geliştirme veya değişen demografileri hesaba katmıyor
Kentsel Araştırmayla İlgileniyor musunuz?
Veri odaklı şehircilikle ilgilenen araştırma ortakları, belediyeler ve geliştiriciler arıyoruz.