GR_ερευνητικό: Βελτιστοποίηση μορφολογίας κελύφους μονοκατοικίας με χρήση παραμετρικών εργαλείων

Page 1



Πανεπιστήμιο Θεσσαλίας Τμήμα Αρχιτεκτόνων Μηχανικών

ερευνητική εργασία Βελτιστοποίηση μορφολογίας κελύφους μονοκατοικίας με χρήση παραμετρικών εργαλείων και σκοπό την εξοικονόμηση ενέργειας

Παντελαίου Ευαγγελία επιβλέπων καθηγητής: Τσαγκρασούλης Αριστείδης



Περιεχόμενα 1.Ορολογίες ....................................................................................................... 7 2.Πρόλογος ....................................................................................................... 9 3.Στόχος του ερευνητικού............................................................................... 14 4.Λογισμικά ...................................................................................................... 15 4.1.Grasshopper .......................................................................................... 16 4.2.Ladybug και Honeybee ....................................................................... 18 4.3.Γενετικοί Αλγόριθμοι .............................................................................. 20 4.4.Galapagos ............................................................................................. 24 4.4.1.Διαδικασία λειτουργίας .................................................................. 25 4.4.2.Fitness ............................................................................................... 28 4.4.3.Μηχανισμοί επιλογής ..................................................................... 32 4.4.4.Ζευγάρωμα ...................................................................................... 34 4.4.5.Συγχώνευση ..................................................................................... 39 4.4.6.Μετάλλαξη ....................................................................................... 41 5.Παραδείγματα .............................................................................................. 45 6.Μελέτη εφαρμογής ...................................................................................... 56 6.1.Δεδομένα ................................................................................................ 56 6.2.Μεθοδολογία ......................................................................................... 63 6.3.Αποτελέσματα ....................................................................................... 65


6.3.1.Πείραμα 1: Αθήνα, 10% .................................................................. 66 6.3.2.Πείραμα 2: Θεσσαλονίκη, 10% ...................................................... 67 6.3.3.Πείραμα 3: Αθήνα, 20% .................................................................. 68 6.3.4.Πείραμα 4: Θεσσαλονίκη, 20% ...................................................... 69 7.Συμπεράσματα ............................................................................................. 71 7.1.Μειονεκτήματα ....................................................................................... 71 7.2.Πλεονεκτήματα ....................................................................................... 73 8.Επίλογος ....................................................................................................... 76 9.Πηγές εικόνων .............................................................................................. 79 10.Βιβλιογραφία .............................................................................................. 84


1.Ορολογίες

7

1.Ορολογίες Εννοιολογικός σχεδιασμός Το αρχικό στάδιο του αρχιτεκτονικού σχεδιασμού, η φάση στην οποία λαμβάνονται οι σημαντικότερες αποφάσεις Παραμετρικός σχεδιασμός Ο σχεδιασμός που επιτρέπει την έκφραση παραμέτρων και κανόνων που μαζί καθορίζουν, κωδικοποιούν και διευκρινίζουν τη σχέση μεταξύ του σχεδιασμού και της αντίδρασης σχεδιασμού1 Γενετικός Αλγόριθμος Μία μέθοδος αναζήτησης βέλτιστων λύσεων σε συστήματα που μπορούν να περιγραφούν ως μαθηματικό πρόβλημα2 Μορφολογία κελύφους Όλα τα στοιχεία που συνιστούν το περίβλημα μίας κατασκευής

Συστήματα CAD (Computer Aided Design) Η χρήση συστημάτων υπολογιστών για τη βοήθεια στη δημιουργία, τροποποίηση, ανάλυση ή βελτιστοποίηση ενός σχεδίου3 Rhinoceros 3D Εμπορικό 3D λογισμικό εφαρμογών σχεδιασμού με υπολογιστή (CAD)4

1

Parametric design, https://en.wikipedia.org/wiki/Parametric_design Γενετικοί Αλγόριθμοι, https://el.wikipedia.org/wiki/γενετικοί_αλγόριθμοι 3 Computer Aided Design (CAD), https://en.wikipedia.org/wiki/Computer-aided_design 4 Rhinoceros 3D, https://en.wikipedia.org/wiki/Rhinoceros_3D 2


8

1.Ορολογίες

Grasshopper Οπτική γλώσσα προγραμματισμού και περιβάλλον που τρέχει μέσα στην εφαρμογή Rhinoceros 3D5 Ladybug & Honeybee Συλλογή δωρεάν εφαρμογών ηλεκτρονικών υπολογιστών που υποστηρίζουν το βιοκλιματικό σχεδιασμό και εκπαίδευση και λειτουργούν μέσα από το Grasshopper6 Galapagos Γενετικός Grasshopper

Αλγόριθμος

που

λειτουργεί

μέσα από

το

Gene Μεταβλητή τιμή που δέχεται ο γενετικός αλγόριθμος Galapagos Genome Συνδυασμός δύο ή περισσότερων genes Fitness Καταλληλότητα, τιμή που δέχεται το Galapagos και ορίζεται ως μέγιστη ή ελάχιστη

5 6

Grasshopper 3D, https://en.wikipedia.org/wiki/Grasshopper_3D Ladybug Tools, https://www.grasshopper3d.com/group/ladybug


2.Πρόλογος

9

2.Πρόλογος Η ανάγκη να συμπεριληφθούν στρατηγικές βιώσιμου σχεδιασμού μεταξύ των μεγάλων σχεδιαστικών παραμέτρων σε κτιριακά έργα όλων των κλιμάκων φαίνεται να είναι επιτακτική στις μέρες μας. Οι βιοκλιματικές μέθοδοι σχεδιασμού οδηγούν σε κτίρια που ανταποκρίνονται στις κλιματικές συνθήκες του περιβάλλοντος τους, είναι σε θέση να τις τροποποιήσουν και έτσι να συμβάλουν στη διατήρηση των πόρων, βελτιστοποιώντας παράλληλα και τις συνθήκες κλιματικής άνεσης. Η μορφολογία του κελύφους ενός κτιρίου επηρεάζει σε μεγάλο βαθμό την ενεργειακή ζήτηση και κατανάλωση. Για την ελαχιστοποίηση της ενεργειακής κατανάλωσης, οι αρχιτέκτονες και μηχανικοί διαθέτουν δύο επιλογές: είτε τη χρήση ενεργειακά βέλτιστων υλικών, αυξάνοντας έτσι και το κόστος της κατασκευής, είτε τον ορθότερο σχεδιασμό της μορφής του κτιριακού κελύφους στα αρχικά στάδια της αρχιτεκτονικής μελέτης. Χωρίς αμφισβήτηση του οφέλους των προηγμένων δυνατοτήτων των σύγχρονων οικοδομικών υλικών, η ενσωμάτωση στρατηγικών εξοικονόμησης ενέργειας βελτιώνοντας τα γεωμετρικά χαρακτηριστικά του κτιρίου μπορεί να αποδειχθεί αποτελεσματικότερη τεχνική που μπορεί να ακολουθήσει ο αρχιτέκτονας, δικαιολογώντας έτσι και το ρόλο που οφείλει να διαδραματίσει στη σχεδιαστική διαδικασία. Το σχήμα του κτιρίου ορίζεται συνήθως στα πρώτα στάδια του σχεδιασμού, ενώ τα περισσότερα από αυτά πιθανώς να υποστούν ελάχιστες αλλαγές μέχρι το τέλος της διαδικασίας σχεδιασμού. Οι τιμές κατανάλωσης ενέργειας δεν υπολογίζονται σχεδόν ποτέ στα αρχικά στάδια, δεδομένου ότι ο υπολογισμός κατανάλωσης ενέργειας είναι μια


10

2.Πρόλογος

χρονοβόρα εργασία και ελάχιστοι κανόνες για την ενεργειακή απόδοση χρησιμοποιούνται για την ενίσχυση του κελύφους σε αυτό το στάδιο. Αν και σημαντικό και χρήσιμο, αυτές είναι μόνο γενικές κατευθυντήριες γραμμές, συχνά ανεπαρκείς σε πιο πολύπλοκα έργα. Τα κτίρια έχουν μεγάλους κύκλους ζωής και είναι μεγάλοι καταναλωτές ενέργειας και το σχήμα του κελύφους διαδραματίζει σημαντικό ρόλο στην ενεργειακή απόδοση. Ως εκ τούτου, είναι σοφό να μην εξαρτάται μόνο από αυτές τις βασικές βιοκλιματικές τακτικές για την εξασφάλιση της ενεργειακής απόδοσης. Στην αρχική φάση της διαδικασίας σχεδιασμού του κτιρίου τα όρια του τελικού αποτελέσματος δεν είναι καθορισμένα. Αρκετές μελέτες έχουν δείξει ότι πολλές παράμετροι που επηρεάζουν το σύνολο του κύκλου της διαδικασίας κατασκευής προσδιορίζονται στην αρχική φάση ενός έργου. Έρευνα που διεξήχθη από τους Guillemin και Morel7 διαπίστωσε ότι το 57% των αποφάσεων από μελέτη σε 67 κτίρια, έγιναν στο εννοιολογικό στάδιο και μόνο 13% στο λεπτομερές στάδιο του σχεδιασμού. Κατά τη διάρκεια του σχεδιασμού, οι υπεύθυνοι μηχανικοί του έργου συμμετέχουν στην παραγωγή μιας στρατηγικής για την καλύτερη προσαρμογή των αιτημάτων του πελάτη. Συχνά, σε μεγαλύτερης κλίμακας έργα, είναι ευθύνη του αρχιτέκτονα να συνδέσει όλες τις παραμέτρους του σχεδιασμού για να ικανοποιήσει τα κριτήρια του πελάτη. Οι στόχοι μπορεί να είναι δύσκολο να εκπληρωθούν, καθώς ορισμένες παράμετροι είναι πιο δύσκολο να μετρηθούν από άλλες και επίσης πολύ δύσκολο να συνδυαστούν με διάφορους στόχους στην ίδια ανάλυση. Η εξερεύνηση του χώρου σχεδιασμού στην εννοιολογική φάση ενός έργου είναι 7

Guillemin, A., & Morel, N. (2001). An innovative lighting controller integrated in a self-adaptive building control system. Energy and Buildings, 33(5), 477-487.


2.Πρόλογος

11

σημαντική, καθώς «ακόμη και το υψηλότερο επίπεδο λεπτομερούς σχεδιασμού δεν μπορεί να αντισταθμίσει τις κακές αποφάσεις που έγιναν στο εννοιολογικό στάδιο»8. Στην αρχή του σχεδίου σύλληψης ενός κτιρίου, οι αρχιτέκτονες και οι μηχανικοί αντιμετωπίζουν πολλούς οικονομικούς, περιβαλλοντικούς, τεχνικούς και αισθητικούς περιορισμούς. Πράγματι, ένα κτίριο είναι ένα πολύ σύνθετο αντικείμενο και σχεδόν πάντα μοναδικό. Επιπλέον, η ανησυχία για την εξοικονόμηση ενέργειας και η μείωση της ρύπανσης πρέπει να παραμείνουν αρχές του αρχιτεκτονικού σχεδιασμού. Τα εργαλεία που χρησιμοποιούν πρέπει να είναι εύκολα και να επιτρέπουν την κατεύθυνση του έργου τους σε καλές ενεργειακές λύσεις. Τις τελευταίες δεκαετίες, νέες μέθοδοι σχεδιασμού έχουν έρθει στο προσκήνιο της αρχιτεκτονικής διαδικασίας που παρέχουν στους σχεδιαστές εργαλεία που τους βοηθούν να κατανοήσουν καλύτερα τα όρια των γεωμετρικών παραμέτρων και πώς αυτές παίζουν βασικό ρόλο στον ενεργειακό αντίκτυπο της κατασκευής. Οι τεχνολογικές αυτές εξελίξεις σε συνδυασμό με το συνεχώς αυξανόμενο ενδιαφέρον για οικολογικές και οικονομικές απαιτήσεις έχουν δημιουργήσει νέες τάσεις στην αρχιτεκτονική που κατευθύνονται σε μεθόδους σχεδιασμού εξαρτώμενες σε μεγάλο ποσοστό από υπολογιστικά εργαλεία. Συνεπώς, τα βοηθήματα σχεδιασμού, που άλλοτε ήταν απλώς υποστηρικτικά στην

8

Chong, Y. T. (2009). A heuristic-based approach to conceptual design. Research in Engineering Design, 20(2), 97-116.


12

2.Πρόλογος

αρχιτεκτονική διαδικασία, εξελίσσονται σε απαραίτητα στοιχεία του σχεδιασμού και μάλιστα στην αρχική φάση του9.

Εικόνα 1.Συχνότητα της αναζήτησης των όρων parametric modeling και parametric design στη μηχανή αναζήτησης της Google

Ο πειραματισμός για το σχεδιασμό των κτιρίων με την επίδραση των περιβαλλοντικών παραμέτρων διευκολύνεται σε μεγάλο βαθμό από τα ταχέως αναπτυσσόμενα εργαλεία CAD (Computer Aided Design) στην αρχιτεκτονική έρευνα και πρακτική. Τα προηγμένα αυτά συστήματα που ενσωματώνουν υπολογιστικά εργαλεία, όπως παραμετρικά συστήματα σχεδιασμού, καθιστούν δυνατή την αλληλεπίδραση μεταξύ της γεωμετρικής μορφής του κτιρίου και των φυσικών ή άλλων παραμέτρων. Τέτοια υπολογιστικά εργαλεία είναι αυτά που σχετίζονται με Γενετικούς Αλγορίθμους. Το plugin Grasshopper, που σχεδιάστηκε για το Rhinoceros 3D, αποτελεί έδαφος πειραματισμού για κάθε ενδιαφερόμενο αρχιτέκτονα,

9

Fasoulaki E. (2007) Genetic Algorithms in Architecture: a Necessity or a Trend?, Department of Architecture, Massachusetts Institute of Technology


2.Πρόλογος

13

ενώ σε συνδυασμό με εργαλεία περιβαλλοντικού χαρακτήρα, όπως το Ladybug και Honeybee που βασίζονται σε έγκυρες πλατφόρμες, μπορεί να εξελιχθεί σε σημαντική βοήθεια για το σχεδιασμό που επικεντρώνεται στην απόδοση. Στα πλαίσια αυτού το νέου πεδίου έρευνας σχεδιασμού κτιρίων, η αρχιτεκτονική διερευνά νέους τομείς επίλυσης κτιριακών κελυφών με τη βοήθεια υπολογιστικών εργαλείων, τα οποία δημιουργούν περιβάλλοντα προσομοίωσης που μιμούνται τα φυσικά φαινόμενα που επηρεάζουν την αρχιτεκτονική μορφή. Τέτοια περιβάλλοντα προσομοίωσης επιτρέπουν την ενσωμάτωση περιβαλλοντικών παραμέτρων και απαιτήσεων στη διαδικασία σχεδιασμού και καθιστούν δυνατό τον πειραματισμό με στρατηγικές βιώσιμου σχεδιασμού που μπορεί να οδηγήσει σε νέες και ενδιαφέρουσες μορφές κτιρίων. Από αυτή την άποψη, η εισαγωγή βιώσιμων μεθόδων και στρατηγικών που χρησιμοποιούνται στην αρχιτεκτονική σε συνδυασμό με τον ταχέως αναπτυσσόμενο γενετικό και παραμετρικό σχεδιασμό μπορεί να αντιμετωπίσει τις τρέχουσες ανάγκες βιωσιμότητας και τελικά να διαμορφώσει το μελλοντικό πρόσωπο του αστικού τοπίου. Προαστιακές τοποθεσίες καθώς και πανεπιστημιουπόλεις, οι οποίες είναι μικρότερης κλίμακας και εγγενώς περισσότερο ανοιχτές στην καινοτομία σε όλα τα επίπεδα, μπορούν να χρησιμοποιηθούν ευκολότερα ως δοκιμαστική κλίνη για πειραματικές προσεγγίσεις, πριν οι τεχνικές αυτές εφαρμοστούν σε πραγματικές αστικές περιοχές.


14

3.Στόχος του ερευνητικού

3.Στόχος του ερευνητικού Το παρόν ερευνητικό επιχειρεί να εξετάσει κατά πόσο ένας Γενετικός Αλγόριθμος όπως το Galapagos μπορεί να καθορίσει βασικά γεωμετρικά στοιχεία του κελύφους της κατασκευής με στόχο τη μείωση της ενεργειακής κατανάλωσης και να δώσει λύσεις που είναι λειτουργικά και αισθητικά αποδεκτές. Η εξοικείωση με εργαλεία παραμετρικού σχεδιασμού, καθώς και η καλύτερη κατανόηση της επίδρασης του σχήματος και της μορφολογίας του κελύφους στην ενεργειακή του απόδοση αποτελούν επίσης σημαντικά αποτελέσματα αυτής της έρευνας. Όσον αφορά τη βιβλιογραφία, οι πηγές είναι περιορισμένες, καθώς πρόκειται για ένα σχετικά νέο πεδίο αρχιτεκτονικής έρευνας. Οι περισσότερες αφορούν θεωρητική ανάλυση του παραμετρικού σχεδιασμού και του σχεδιασμού με τη βοήθεια γενετικών αλγορίθμων, η πλειονότητα των οποίων προέρχονται από αρχιτέκτονες. Όσες πρακτικές μελέτες διαθέτουν συγκεκριμένα παραδείγματα, προέρχονται από πολιτικούς ή μηχανολόγους μηχανικούς και αφορούν σχετικά στοιχεία. Ελάχιστες είναι αυτές που σχετίζονται με ενεργειακούς παράγοντες και μάλιστα από την προοπτική του αρχιτέκτονα. Παρόλαυτα, υπάρχουν απεριόριστες διαδικτυακές πηγές (tutorials) που αφορούν τη χρήση των υπολογιστικών εργαλείων (Grasshopper, Galapagos, Ladybug & Honeybee) καθώς και διάφορες ιστοσελίδες συζητήσεων (forums) που αποτελούν σημαντικό βοήθημα σε αυτή την προσπάθεια.


4.Λογισμικά

15

4.Λογισμικά Το 2013, ο Jabi όρισε τον παραμετρικό σχεδιασμό ως «μια διαδικασία που βασίζεται σε αλγοριθμική σκέψη που επιτρέπει την έκφραση παραμέτρων και κανόνων που, από κοινού, καθορίζουν, κωδικοποιούν και διευκρινίζουν τη σχέση μεταξύ της πρόθεσης σχεδιασμού και της απόκρισης σχεδιασμού»10 . Ο παραμετρικός ή γενετικός ή αλγοριθμικός σχεδιασμός είναι κυρίως ένας αποτελεσματικός τρόπος ευελιξίας για το σχεδιαστή. Οι γενετικοί αλγόριθμοι δεν επιλύουν το πρόβλημα με αναλυτικό/μαθηματικό τρόπο αλλά με βιολογικό. Συνεπώς έχουν μεγαλύτερη ενδογενή ευελιξία και ελευθερία να επιλέγουν μια επιθυμητή βέλτιστη λύση σύμφωνα με τις προδιαγραφές του προβλήματος. Ουσιαστικά οι γενετικοί αλγόριθμοι είναι αλγόριθμοι αναζήτησης (heuristics) που προσπαθούν να αναζητήσουν την λύση του προβλήματος που τους αναθέτουμε11. Παρακάτω γίνεται σύντομη περιγραφή των λογισμικών χρησιμοποιήθηκαν στα πλαίσια της ερευνητικής εργασίας.

10

που

Jabi W. (2013) Parametric Design for Architecture. London, Laurence King Publishing Ltd Nembrini J., Sambergera S., Labelle G. (2014) Parametric scripting for early design performance simulation, Energy and Buildings 68, 786–798 11


16

4.Λογισμικά

4.1.Grasshopper Το Grasshopper είναι οπτική γλώσσα και περιβάλλον προγραμματισμού που αναπτύχθηκε από τον David Rutten, το οποίο λειτουργεί μέσα από τo λογισμικό σχεδιασμού Rhinoceros 3D. Το plugin λειτουργεί μεταφέροντας στοιχεία (components) σε έναν καμβά, οι είσοδοι των οποίων δέχονται πληροφορίες διάφορων τύπων (αριθμητικά δεδομένα, γεωμετρικά δεδομένα, δεδομένα κειμένου, κ.ά.). Οι έξοδοι στα «εξαρτήματα» αυτά στη συνέχεια συνδέονται στις εισόδους των επόμενων στοιχείων. Κάθε στοιχείο μπορεί να δεχτεί δεδομένα που ορίζονται από το χρήστη στο interface του Grasshopper, στο interface του Rhino ή από αρχεία στον υπολογιστή.

Εικόνα 2.Το interface του λογισμικού Grasshopper


4.Λογισμικά

17

Στην εικόνα 3 βλέπουμε δύο παραμέτρους που συνδέονται με μια συνιστώσα αφαίρεσης. Τα δύο κίτρινα πλαίσια στην αριστερή πλευρά ορίζουν ένα σύνολο αριθμητικών σταθερών. Ο επάνω πίνακας περιέχει τέσσερις ακέραιους αριθμούς (6, 7, 8 και 12), ενώ ο κάτω πίνακας περιέχει μόνο μία τιμή. Αυτές οι παράμετροι σχετίζονται μεταξύ τους με την συνιστώσα αφαίρεσης, η οποία έχει ως αποτέλεσμα τέσσερις τιμές εξόδου (6-5=1, 7-5=2, 8-5=3 και 12-5=7). Το ίδιο αποτέλεσμα μπορεί να επιτευχθεί χρησιμοποιώντας εκφράσεις κειμένου, όπως φαίνεται στην εικόνα 4. Με αυτό τον τρόπο, το Grasshopper επιτρέπει στους χρήστες να συνδυάζουν τόσο οπτικό όσο και τύπο κειμένου προγραμματισμό μέσα στο ίδιο περιβάλλον.

Εικόνα 3

Εικόνα 4


18

4.Λογισμικά

4.2.Ladybug και Honeybee Τα Ladybug και Honeybee είναι δωρεάν, ανοιχτού κώδικα εφαρμογές που περιλαμβάνουν εργαλεία περιβαλλοντικού σχεδιασμού, βασισμένα σε έγκυρες μηχανές προσομοίωσης (Radiance, EnergyPlus/ OpenStudio, Therm/ Window και OpenFOAM). Δημιουργήθηκαν από ομάδα προγραμματιστών με ιδρυτές τους Mostapha Sadeghipour Roudsari και Chris Mackey το 2013. Από τότε, πολλοί προγραμματιστές συνέβαλαν στην κοινότητα με πολλούς τρόπους. Ως αποτέλεσμα των προσπαθειών τους, τα εργαλεία των Ladybug και Honeybee έχουν εξελιχθεί σε πολλαπλές διασυνδεδεμένες βιβλιοθήκες και plugins που χρησιμοποιούνται στον ακαδημαϊκό χώρο καθώς και σε αρχιτεκτονικά και μηχανικά γραφεία παγκοσμίως. Επιτρέπουν ένα ευρύ φάσμα αναλύσεων και έχουν αλλάξει το πρόσωπο του οικολογικού σχεδιασμού των κτιρίων μέσω της εφαρμογής τους σε έργα12.

12

Our Story, https://www.ladybug.tools/about


4.Λογισμικά

19

Εικόνα 5 Εργαλεία του λογισμικού Ladybug

Εικόνα 6.Εργαλεία του λογισμικού Honeybee


20

4.Λογισμικά

4.3.Γενετικοί Αλγόριθμοι Ένας γενετικός αλγόριθμος βασίζεται στην ευρετική αναζήτηση (heuristic search13) που εμπνέεται από τη θεωρία της φυσικής εξέλιξης του Charles Darwin. Αυτός ο αλγόριθμος αντικατοπτρίζει τη διαδικασία της φυσικής επιλογής όπου τα πιο κατάλληλα άτομα επιλέγονται για αναπαραγωγή προκειμένου να παράγουν τους απογόνους της επόμενης γενιάς: η διαδικασία της φυσικής επιλογής ξεκινά με την επιλογή των πιο κατάλληλων ατόμων από έναν πληθυσμό. Παράγουν απογόνους που κληρονομούν τα χαρακτηριστικά των γονέων και θα προστεθούν στην επόμενη γενιά. Αν οι γονείς παρουσιάζουν καλύτερα χαρακτηριστικά, οι απόγονοι τους θα είναι καλύτεροι από τους γονείς και θα έχουν περισσότερες πιθανότητες να επιβιώσουν. Αυτή η διαδικασία συνεχίζεται και στο τέλος, παράγεται μια γενιά με τα πιο κατάλληλα άτομα. Αυτή η ιδέα μπορεί να εφαρμοστεί για ένα πρόβλημα αναζήτησης. Θεωρούμε ένα σύνολο λύσεων για ένα πρόβλημα και επιλέγουμε ένα ποσοστό των καλύτερων από αυτές. Η διαδικασία των Γενετικών Αλγορίθμων περιγράφεται σε πέντε στάδια που παρουσιάζονται παρακάτω14.

Heuristic (computer science), https://en.wikipedia.org/wiki/Heuristic_(computer_science) 14 Vijini Mallawaarachchi, Introduction to Genetic Algorithms - Including Example Code, https://towardsdatascience.com/introduction-to-genetic-algorithms-includingexample-code-e396e98d8bf3 13


4.Λογισμικά

21

•Αρχικός πληθυσμός Η διαδικασία ξεκινά με ένα σύνολο μεμονωμένων στοιχείων που καλείται πληθυσμός. Κάθε τέτοιο στοιχείο είναι μια λύση στο πρόβλημα που θέλουμε να λύσουμε. Ένα στοιχείο χαρακτηρίζεται από ένα σύνολο παραμέτρων (μεταβλητών) γνωστών ως γονιδίων (genes). Τα γονίδια ενώνονται σε μια σειρά για να σχηματίσουν ένα χρωμόσωμα (genome) που αντιπροσωπεύει μία λύση του προβλήματος. Στη γλώσσα των γενετικών αλγορίθμων, το σύνολο genes ενός genome αντιπροσωπεύεται χρησιμοποιώντας μια σειρά από δυαδικές τιμές (συμβολοσειρά από 1 και 0) (εικόνα 7).

Εικόνα 7


22

4.Λογισμικά

•Fitness Η λειτουργία fitness καθορίζει πόσο κατάλληλο είναι ένα genome (η ικανότητα ενός genome να ανταγωνίζεται με ένα άλλο). Η πιθανότητα ότι ένα genome θα επιλεγεί για αναπαραγωγή βασίζεται στην τιμή fitness. •Επιλογή Αυτή η διαδικασία είναι η επιλογή των ικανότερων genomes. Δύο ζεύγη genomes επιλέγονται με βάση τις τιμές fitness. Τα genomes με υψηλό fitness έχουν περισσότερες πιθανότητες να επιλεγούν για αναπαραγωγή. •Ζευγάρωμα Αυτή είναι η πιο σημαντική φάση ενός γενετικού αλγορίθμου. Για κάθε ζευγάρι genomes που έχουν επιλεγεί, ένα σημείο διασταύρωσης επιλέγεται τυχαία (εικόνα 8). Οι απόγονοι δημιουργούνται με την ανταλλαγή των genes των γονέων μεταξύ τους μέχρι να επιτευχθεί το σημείο διασταύρωσης (εικόνα 9). Οι απόγονοι προστίθενται στο πληθυσμό (εικόνα 10).

Εικόνα 8

Εικόνα 9

Εικόνα 10


4.Λογισμικά

23

•Μετάλλαξη Σε ορισμένους νέους απογόνους που σχηματίζονται, μερικά από τα γονίδιά τους μπορούν να υποβληθούν σε μια μετάλλαξη. Αυτό σημαίνει ότι μερικά από τα δυαδικά ψηφία της συμβολοσειράς μπορούν να αναστραφούν (εικόνα 11).

Εικόνα 11

Η μετάλλαξη συμβαίνει για να διατηρηθεί η ποικιλομορφία εντός του πληθυσμού και να αποτραπεί η πρόωρη σύγκλιση. Ο αλγόριθμος τερματίζεται όταν ο πληθυσμός έχει συγκλίνει (δεν παράγει απογόνους οι οποίοι διαφέρουν σημαντικά από την προηγούμενη γενιά). Τότε θεωρείται ότι ο γενετικός αλγόριθμος έχει δώσει ένα σύνολο λύσεων στο πρόβλημά μας.


24

4.Λογισμικά

4.4.Galapagos Πρόκειται για ένα γενετικό αλγόριθμο, που λειτουργεί όπως αναλύθηκε παραπάνω. Το Galapagos δέχεται πολλαπλές μεταβλητές τιμές και μία τιμή εξαρτώμενη από αυτές, η οποία ορίζεται ως ελάχιστη ή μέγιστη από το χρήστη, ανάλογα με το επιθυμητό αποτέλεσμα. Στην εικόνα 12 φαίνεται το interface του Galapagos: το πρώτο γράφημα εκφράζεται σε δύο άξονες Χ και Υ: ο άξονας Χ είναι ο χρόνος ή μάλλον οι γενιές, ο άξονας Υ είναι το fitness. Η κόκκινη γραμμή είναι η μέση τιμή fitness για κάθε γενιά. Η κίτρινη περιοχή συνδέει τα ασθενέστερα και τα ισχυρότερα genomes για κάθε γενιά. Η πορτοκαλί περιοχή αντιπροσωπεύει την τυπική απόκλιση από το μέσο fitness. Τα σύμβολα [+] στην κορυφή υποδεικνύουν ότι τουλάχιστον ένα άτομο στην γενιά Χ είναι πιο ικανό από το πιο ικανό άτομο από τη γενιά X-1. Τα τρία κάτω γραφήματα αντιπροσωπεύουν την «πισίνα» των genomes , τα γραφήματα των μεταβλητών (genes) που αποτελούν κάθε genome και τη λίστα των fitness που αντιστοιχούν σε κάθε genome. Παρακάτω γίνεται σαφέστερη περιγραφή του τρόπου λειτουργίας του, όπως αναλύεται από το δημιουργό του Galapagos, David Rutten15.

15

Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionaryprinciples


4.Λογισμικά

25

Εικόνα 12. Interface του λογισμικού Galapagos

4.4.1.Διαδικασία λειτουργίας Στην εικόνα 13 φαίνεται φυσικό τοπίο ενός συγκεκριμένου μοντέλου. Το μοντέλο περιέχει δύο μεταβλητές, δηλαδή δύο τιμές που επιτρέπεται να αλλάξουν και αποκαλούνται genes. Έτσι, καθώς το gene Α αλλάζει, το fitness ολόκληρου του μοντέλου αυξάνεται ή μειώνεται. Αλλά για κάθε τιμή του Α, μπορούμε επίσης να διαφοροποιήσουμε το gene Β, με αποτέλεσμα καλύτερους ή χειρότερους συνδυασμούς Α και Β. Κάθε συνδυασμός Α και Β έχει ως αποτέλεσμα μια ιδιαίτερη φυσική κατάσταση


26

4.Λογισμικά

και αυτή η φυσική κατάσταση εκφράζεται ως το ύψος του φυσικού τοπίου. Είναι η δουλειά του αλγορίθμου να βρει την υψηλότερη κορυφή σε αυτό το τοπίο.

Εικόνα 13

Φυσικά, πολλά προβλήματα ορίζονται όχι μόνο από δύο αλλά πολλά genes, οπότε δεν μπορούμε πλέον να μιλάμε για «τοπίο» με τη στενή έννοια. Ένα μοντέλο με δώδεκα genes θα ήταν ένας δώδεκα διαστάσεων όγκος που εκφράζεται σε δεκατρείς διαστάσεις αντί για ένα δισδιάστατο όγκο που εκφράζεται σε τρείς διαστάσεις. Επειδή αυτό είναι αδύνατο να απεικονιστεί, θα γίνει χρήση μόνο δισδιάστατων μοντέλων, αλλά πρέπει να σημειωθεί ότι όταν μιλάμε για «τοπίο», μπορεί να σημαίνει κάτι πολύ πιο πολύπλοκο από ό,τι δείχνει η παραπάνω εικόνα. Καθώς ξεκινά ο solver16, δεν έχει ιδέα για το πραγματικό σχήμα του φυσικού τοπίου. Πράγματι, εάν γνωρίζαμε το σχήμα, δεν θα χρειαζόταν να ασχοληθούμε εξαρχής. Έτσι το αρχικό βήμα του solver είναι να γεμίσει 16

Ο όρος solver αναφέρεται στο μηχανισμό του γενετικού αλγορίθμου Galapagos


4.Λογισμικά

27

το «τοπίο» με μια τυχαία συλλογή genomes. Ένα genome δεν είναι τίποτα περισσότερο από μια συγκεκριμένη τιμή για κάθε συνδυασμό genes. Στην παραπάνω περίπτωση, ένα genome μπορεί για παράδειγμα να είναι {A = 0.2 B = 0.5}. Ο solver θα υπολογίσει στη συνέχεια το fitness για κάθε ένα από αυτά τα τυχαία genomes, δίνοντάς μας την κατανομή που φαίνεται στην εικόνα 14.

Εικόνα 14

Εικόνα 15

Μόλις ο solver υπολογίσει πόσο κατάλληλο είναι κάθε genome (δηλαδή, την ανύψωση των κόκκινων κουκίδων), δημιουργεί μια ιεραρχία από την πιο ικανή στη λιγότερο. Ψάχνουμε για υψηλό έδαφος στο τοπίο και είναι λογική υπόθεση ότι τα υψηλότερα genomes είναι πιο κοντά στα πιθανά υψηλά επίπεδα από ότι τα χαμηλά. Ως εκ τούτου, o solver επικεντρώνεται


28

4.Λογισμικά

σε αυτούς τους συνδυασμούς (εικόνα 15) και επαναλαμβάνει την παραπάνω διαδικασία μέχρι να βρει το βέλτιστο συνδυασμό των genes. 4.4.2.Fitness Στη γλώσσα των Γενετικών Αλγορίθμων, ο όρος fitness είναι μια εύκολη έννοια: είναι η καταλληλότητα, το αποτέλεσμα που επιθυμούμε να πετύχουμε. Προσπαθούμε να επιλύσουμε ένα συγκεκριμένο πρόβλημα και επομένως γνωρίζουμε τι θέλουμε να πετύχουμε. Αν, για παράδειγμα, επιδιώκουμε να τοποθετήσουμε ένα αντικείμενο ώστε να μπορεί να παραχθεί με ελάχιστα απόβλητα υλικών, υπάρχει μια πολύ αυστηρή έννοια καταλληλότητας που δεν αφήνει περιθώρια για επιχειρήματα. Στην εικόνα 16, το πράσινο σχήμα περιβάλλεται από δύο πλαίσια. Το Β έχει μικρότερη επιφάνεια από το Α και επομένως είναι πιο «κατάλληλο» και επομένως έχει μεγαλύτερο fitness.

Εικόνα 16


4.Λογισμικά

29

Όταν χρειαζόμαστε να εκτυπώσουμε 3D ένα στερεό σχήμα, είναι καλή ιδέα να το περιστρέψουμε μέχρι να απαιτηθεί η ελάχιστη ποσότητα υλικού που θα χρησιμοποιηθεί κατά την κατασκευή. Για ένα πραγματικά ελάχιστο κουτί χρειαζόμαστε τουλάχιστον τρεις άξονες περιστροφής, αλλά δεδομένου ότι αυτό δε θα επιτρέψει την κατανόηση του παραγόμενου φυσικού τοπίου, θα περιοριστούμε στην περιστροφή γύρω από τους δύο άξονες Χ και Υ. Έτσι, το gene Α θα αντιπροσωπεύει την περιστροφή γύρω από τον άξονα Χ και το gene Β θα αντιπροσωπεύει περιστροφή γύρω από τον άξονα Υ. Δεν χρειάζεται περιστροφή μεγαλύτερη από 360 μοίρες, επομένως και τα δύο genes έχουν περιορισμένα όρια. Στην εικόνα 17 φαίνεται η περιστροφή γύρω από έναν άξονα.

Εικόνα 17

Στην εικόνα 18 φαίνεται το φυσικό τοπίο του προβλήματος. Το πρώτο πράγμα που παρατηρούμε είναι ότι το τοπίο είναι περιοδικό. Δηλαδή, επαναλαμβάνεται κάθε 90 μοίρες και προς τις δύο κατευθύνσεις. Επίσης, αυτό το τοπίο είναι στην πραγματικότητα ανεστραμμένο καθώς αναζητούμε τον ελάχιστο όγκο, όχι το μέγιστο. Έτσι, οι πορτοκαλί κορυφές


30

4.Λογισμικά

στην πραγματικότητα αντιπροσωπεύουν τις χειρότερες λύσεις σε αυτό το πρόβλημα. Όταν κοιτάζουμε το κάτω μέρος αυτού του τοπίου, παίρνουμε μια κάπως διαφορετική άποψη, όπως φαίνεται στην εικόνα 19.

Εικόνα 18

Εικόνα 19

Μπορούμε να συνοψίσουμε τη σχέση genome-fitness σε ένα γράφημα δύο διαστάσεων, όπως φαίνεται στην εικόνα 20.


4.Λογισμικά

31

Εικόνα 20

Στην περίπτωση αυτή, δεν υπάρχουν τοπικά μέγιστα ή ελάχιστα και μόλις ο αλγόριθμος εντοπίσει το μέγιστο ή ελάχιστο fitness, είναι ασφαλές να συμπεράνουμε ότι αυτό είναι και το βέλτιστο. Παρόλαυτα, υπάρχουν περιπτώσεις που το γράφημα παρουσιάζει τοπικά ακρότατα μέγιστα/ελάχιστα, όπως φαίνεται στην εικόνα 21.

Εικόνα 21


32

4.Λογισμικά

Στην πρώτη περίπτωση, οι κορυφές βρίσκονται σε μεγάλη απόσταση μεταξύ τους και ως εκ τούτου είναι εύκολο να χάσουμε τη δεύτερη κορυφή από τυχαία δειγματοληψία του τοπίου. Μόλις ένα τυχερό genome εντοπίσει την κορυφή στα αριστερά, οι απόγονοι του θα πλημμυρίσουν γρήγορα τη χαμηλή κορυφή προκαλώντας τον υπόλοιπο πληθυσμό να εξαφανιστεί. Τώρα είναι ακόμη λιγότερο πιθανό να βρεθεί η καλύτερη κορυφή στα δεξιά. Όσο μικρότερες είναι οι περιοχές των λύσεων και όσο μεγαλύτερη η απόσταση μεταξύ τους, τόσο πιο δύσκολο είναι να επιλυθεί ένα πρόβλημα με γενετικό αλγόριθμο. Στη δεύτερη περίπτωση, παρόλο που δεν υπάρχει αυστηρά κανένα τοπικό μέγιστο/ελάχιστο, δεν υπάρχει επίσης καμία βελτίωση στα «οροπέδια». Ένα genome που βρίσκεται στη μέση ενός από αυτά τα οριζόντια τμήματα δεν ξέρει πού να πάει. Εάν κάνει ένα βήμα προς τα αριστερά, τίποτα δεν αλλάζει, το ίδιο και αν κάνει ένα βήμα προς τα δεξιά. Στην τρίτη περίπτωση το τοπίο έχει υψηλό βαθμό λεπτομέρειας. Ένα τοπίο μπορεί να είναι συνεχές και όμως να έχει τόσο μεγάλη λεπτομέρεια ώστε να είναι αδύνατο να γίνουν κάποιες έξυπνες επιλογές σχετικά με την καταλληλότητα.

4.4.3.Μηχανισμοί επιλογής Το Galapagos διαθέτει διάφορους μηχανισμούς επιλογής genomes. Πρόκειται ουσιαστικά για εκείνα τα genomes που σε κάθε γενιά επιλέγονται από τον αλγόριθμο για να «ζευγαρώσουν» ώστε να παράγουν καλύτερα αποτελέσματα στην επόμενη γενιά.


4.Λογισμικά

33

Ένας μηχανισμός είναι η Ισοτροπική Επιλογή (Isotropic Selection). Σε αυτή την περίπτωση, όλα τα genomes έχουν τις ίδιες πιθανότητες σε όποιο σημείο του γραφήματος κι αν βρίσκονται, όπως φαίνεται στην εικόνα 22. Μπορεί κάποιος να σκεφτεί ότι αυτός ο μηχανισμός δε προσφέρει εξέλιξη στη διαδικασία, παρόλαυτα, επιβραδύνει την ταχύτητα αναπαραγωγής ενός πληθυσμού και λειτουργεί ως ένα εργαλείο προστασίας ώστε να μη δημιουργηθούν τοπικά μέγιστα/ελάχιστα που πιθανώς να μην ανταποκρίνονται στην αναζήτηση.

Εικόνα 22

Άλλη μία περίπτωση μηχανισμού επιλογής είναι η Αποκλειστική Επιλογή (Exclusive Selection) (εικόνα 23). Εδώ, μόνο το κορυφαίο Ν% του πληθυσμού επιλέγεται.

Εικόνα 23


34

4.Λογισμικά

Τέλος, υπάρχει η Μεροληπτική Επιλογή (Biased Selection) (εικόνα 24), όπου η πιθανότητα ζευγαρώματος αυξάνεται όσο αυξάνεται το fitness. Όλα τα genomes έχουν πιθανότητα επιλογής, αλλά εκείνα που παρουσιάζουν μεγαλύτερο fitness, έχουν περισσότερες πιθανότητες αναπαραγωγής.

Εικόνα 24

4.4.4.Ζευγάρωμα Αφού έχει προηγηθεί η διαδικασία της επιλογής, πρέπει να βρεθεί ένα άλλο genome για να «ζευγαρώσει». Υπάρχουν φυσικά πολλοί τρόποι με τους οποίους θα μπορούσε να γίνει η επιλογή του δεύτερου genome, αλλά το Galapagos αυτή τη στιγμή επιτρέπει μόνο ένα: την επιλογή με βάση τη γονιδιωματική απόσταση. Προκειμένου να γίνει κατανοητή αυτή η έννοια, θα πρέπει πρώτα να γίνει παρουσίαση του τρόπου λειτουργίας του Genome Map (εικόνα 25).


4.Λογισμικά

35

Εικόνα 25

Όλα τα genomes εμφανίζονται ως τελείες σε ένα πλέγμα. Η απόσταση μεταξύ δύο genomes στο πλέγμα είναι περίπου ανάλογη με την απόσταση μεταξύ των genomes στο γονιδιακό χώρο. Η λέξη περίπου χρησιμοποιείται γιατί είναι αδύνατο να σχεδιάσουμε έναν χάρτη με ακριβείς αποστάσεις. Ένα μόνο genome ορίζεται από έναν αριθμό genes. Επομένως, η απόσταση μεταξύ δύο genomes είναι μια τιμή Νδιαστάσεων, όπου το Ν ισούται με τον αριθμό των genes. Δεν είναι δυνατόν να εμφανιστεί με ακρίβεια ένα σύνολο σημείων N-διαστάσεων σε μια δυσδιάστατη οθόνη, οπότε το Genome Map είναι μόνο μια χονδροειδής προσέγγιση. Επίσης, οι άξονες αυτού του γραφήματος δεν έχουν κανένα νόημα, η μόνη πληροφορία που μεταφέρει το Genome Map είναι ποια genomes είναι παρόμοια (κοντά) και ποια genomes είναι διαφορετικά.


36

4.Λογισμικά

Ας φανταστούμε ότι έχει επιλεχθεί το genome που βρίσκεται μέσα στον κόκκινο κύκλο (εικόνα 26).

Εικόνα 26

Ένας μηχανισμός επιλογής του δεύτερου genome θα ήταν η επιλογή των κοντινών genomes (εικόνα 27), κάτι που θα μπορούσαμε να ονομάσουμε αιμομιξία. Στη γλώσσα των εξελικτικών αλγορίθμων, ο μεγαλύτερος κίνδυνος της αιμομιξίας είναι η ταχεία μείωση της ποικιλομορφίας του πληθυσμού. Η χαμηλή ποικιλομορφία μειώνει τις πιθανότητες εύρεσης εναλλακτικών λύσεων και συνεπώς κινδυνεύει να κολλήσει σε τοπικά ακρότατα (μέγιστα/ελάχιστα).


4.Λογισμικά

37

Εικόνα 27

Μία άλλη επιλογή είναι ο αποκλεισμός των κοντινών genomes (εικόνα 28), αλλά και αυτός ο μηχανισμός είναι εξίσου επιζήμιος.

Εικόνα 28


38

4.Λογισμικά

Φαίνεται ότι η καλύτερη επιλογή είναι η ισορροπία μεταξύ των δύο παραπάνω μηχανισμών (εικόνα 29). Το Galapagos επιτρέπει τον καθορισμό του παράγοντα αναπαραγωγής (μεταξύ -100% και + 100%) που επιτρέπει την καθοδήγηση αυτής της σχετικής αντιστάθμισης.

Εικόνα 29


4.Λογισμικά

39

4.4.5.Συγχώνευση Εφόσον έχει επιλεγεί ένα δεύτερο genome, πρέπει να δημιουργηθεί απόγονος. Σε γενετικό επίπεδο, η βιολογική διαδικασία του γονιδιακού ανασυνδυασμού είναι τρομερά περίπλοκη. Η ψηφιακή παραλλαγή είναι πολύ πιο βασική. Τα γονίδια σε αλγορίθμους όπως το Galapagos, συμπεριφέρονται σαν αριθμοί που μπορούν να λάβουν όλες τις τιμές μεταξύ δύο αριθμητικών ακραίων τιμών. Όταν ζευγαρώνουμε δύο genomes, πρέπει να αποφασίσουμε ποιες αξίες θα αναθέσουμε στα γονίδια των απογόνων. Το Galapagos παρέχει αρκετούς μηχανισμούς για την επίτευξη αυτού του στόχου. Φανταστείτε ότι έχουμε δύο genomes τεσσάρων gene το καθένα (εικόνα 30).

Εικόνα 30


40

4.Λογισμικά

O συνδυασμός των M και D είναι ενδεχομένως μια εντελώς συμμετρική διαδικασία (εικόνα 31).

Εικόνα 31

Ένας δεύτερος μηχανισμός είναι ο ορισμός νέων τιμών των genes με βάση και τα δύο genomes, με υπολογισμό το μέσο όρο των αρχικών τιμών (εικόνα 32).

Εικόνα 32


4.Λογισμικά

41

Είναι επίσης δυνατό να ορίσουμε το ποσοστό των τιμών των αρχικών genes που επηρεάζουν τη δημιουργία των νέων. Αν για παράδειγμα το gene M παρουσιάζει μεγαλύτερο fitness από το D, οι γονιδιακές της αξίες θα είναι πιο εμφανείς στους απογόνους (εικόνα 33).

Εικόνα 33

4.4.6.Μετάλλαξη Όλες οι παραπάνω διαδικασίες έχουν την τάση να μειώνουν τη ποικιλομορφία σε έναν πληθυσμό. Ο μόνος μηχανισμός που μπορεί να εισάγει ποικιλότητα είναι η μετάλλαξη. Υπάρχουν αρκετοί τύποι μετάλλαξης στον πυρήνα του Galapagos, αν και η φύση της εφαρμογής στο Grasshopper αυτή τη στιγμή περιορίζει την πιθανή μετάλλαξη μόνο σε σημειακές μεταλλάξεις (Point Mutation). Παρακάτω γίνεται εξήγηση των Genome Graphs. Ένας δημοφιλής τρόπος για την εμφάνιση πολυδιάστατων σημείων σε ένα δισδιάστατο


42

4.Λογισμικά

γράφημα είναι η σχεδίασή τους ως μια σειρά γραμμών που συνδέουν διαφορετικές τιμές σε ένα σύνολο κάθετων ράβδων. Κάθε γραμμή αντιπροσωπεύει μια ενιαία διάσταση. Με αυτό τον τρόπο μπορούμε να προβάλουμε αρκετά εύκολα όχι μόνο σημεία με οποιοδήποτε αριθμό διαστάσεων, αλλά και σημεία με διαφορετικό αριθμό διαστάσεων στο ίδιο γράφημα.

Εικόνα 34

Στην εικόνα 34 για παράδειγμα έχουμε ένα genome που αποτελείται από 5 genes. Αυτό το genome αποτελεί επομένως ένα σημείο σε έναν πέντε διαστάσεων χώρο που περιγράφει αυτό το συγκεκριμένο είδος. Όταν το G0 σχεδιάζεται στο ⅓, σημαίνει ότι η τιμή είναι το ένα τρίτο μεταξύ του ελάχιστου και του μέγιστου επιτρεπόμενου ορίου. Το όφελος από αυτό το γράφημα είναι ότι γίνεται αρκετά εύκολο να εντοπιστούν τα υπο-είδη σε έναν πληθυσμό. Όταν εφαρμόζουμε μεταλλάξεις σε ένα genome, θα βλέπουμε μια αλλαγή στο γράφημα, καθώς κάθε genome έχει ένα μοναδικό γράφημα.


4.Λογισμικά

43

Εικόνα 35

Η εικόνα 35 δείχνει μια Σημειακή μετάλλαξη, όπου αλλάζει μία μοναδική τιμή ενός gene. Αυτός είναι σήμερα ο μόνος τύπος μετάλλαξης που είναι δυνατός στο Galapagos. Θα μπορούσαμε επίσης να ανταλλάξουμε δύο γειτονικές τιμές, οπότε θα έχουμε μια μετάλλαξη Αναστροφής (Inversion Mutation) (εικόνα 36).

Εικόνα 36


44

4.Λογισμικά

Οι μεταλλάξεις αναστροφής είναι χρήσιμες μόνο όταν τα genes έχουν πολύ συγκεκριμένη σχέση. Τείνει να τροποποιήσει δραστικά ένα genome και έτσι στις περισσότερες περιπτώσεις επίσης να τροποποιήσει δραστικά το fitness, διαδικασία που είναι σχεδόν πάντα καταστρεπτική. Δύο παραδείγματα μεταλλάξεων που δεν μπορούν να χρησιμοποιηθούν σε ένα είδος που απαιτεί σταθερό αριθμό genes είναι οι μεταλλάξεις Προσθήκης (Addition Mutation) και Διαγραφής (Deletion Mutation) (εικόνες 37, 38 αντίστοιχα).

Εικόνα 37

Εικόνα 38


5.Παραδείγματα

45

5.Παραδείγματα Γίνεται μία σύντομη περιγραφή μερικών ερευνών από ομάδες σχεδιαστών που χρησιμοποίησαν Γενετικούς Αλγορίθμους για την εύρεση βέλτιστης λύσης σε σχεδιαστικά προβλήματα που αφορούν ενεργειακά θέματα. Ο σχεδιασμός ενός συγκροτήματος φοιτητικών κατοικιών στην πανεπιστημιούπολη του Πανεπιστημίου Πατρών έχει χρησιμεύσει ως σημείο εκκίνησης για πειραματισμό για τους Χρόνη, Λιάπη, Συμπέθερο17 με μια προτεινόμενη μεθοδολογία σχεδίασης που δίνει έμφαση στις βιοκλιματικές αρχές και χρησιμοποιεί νέα υπολογιστικά εργαλεία και διαδικασίες. Το λογισμικό που χρησιμοποιήθηκε για την ανάπτυξη των παραμέτρων του μοντέλου και τους αλγορίθμους σχεδίασης που συνδέουν το κτίριο με τα κλιματικά χαρακτηριστικά του χώρου, είναι το Bentley's Generative Components (εικόνες 39, 40).

17

Chronis A., Liapi K., Sibetheros I. (2012) A parametric approach to the bioclimatic design of large scale projects: The case of a student housing complex, Automation in Construction 22, 24–35


46

Εικόνα 8

5.Παραδείγματα


5.Παραδείγματα

Εικόνα 40

47


48

5.Παραδείγματα

Πείραμα από τους Shi και Yang18 εξετάζει το ποσοστό διαφανών επιφανειών σε κάθε όψη. Το πρόβλημα σχεδίασης είναι ένα ορθογώνιο κτίριο με διαστάσεις 4.2 × 4.2 × 3.0 m, που βρίσκεται στο Nanjing της Κίνας. Το κτίριο έχει ένα παράθυρο σε κάθε τοίχο με μια σταθερά συνολική επιφάνεια παραθύρου. Τα As, Ae, Aw, An υποδηλώνουν την περιοχή παραθύρου στη νότια, ανατολική, δυτική και βόρεια όψη αντίστοιχα. Η συνολική επιφάνεια παραθύρων είναι 7.29 m2. Χρησιμοποιούνται οι ακόλουθες εξισώσεις: As = s × 7.29 Ae = e × (7.29-As) Aw = w × (7.29-As-Ae) An = 7.29-As-Ae-Aw όπου s, e, w είναι αριθμοί μεταξύ 0.01 και 0.99 Στην περίπτωση αυτή, η βέλτιστη λύση, που φαίνεται στην εικόνα 41, έχει την ελάχιστη συνολική κατανάλωση ενέργειας. Το λογισμικό που χρησιμοποιήθηκε ήταν το Galapagos.

18

Shi Χ., Yang W. (2013) Performance-driven architectural design and optimization technique from a perspective of architects, Automation in Construction 32, 125–135


5.Παραδείγματα

Εικόνα 41

49


50

5.Παραδείγματα

Έρευνα των Portugal και Guedes19, χρησιμοποίησε επίσης το Galapagos για τον προσδιορισμό του βέλτιστου μεγέθους δεδομένης γεωμετρίας (παράθυρο) προκειμένου να μειωθεί η κατανάλωση ενέργειας (εικόνα 42). Ένα πλέγμα σημείων σχηματίζεται στην επιφάνεια που έχει επιλεγεί για να εφαρμοστεί το παράθυρο (α). Το σχήμα του παραθύρου αναγνωρίζεται συνδυάζοντας τέσσερα σημεία στην επιφάνεια. Το σχήμα του παραθύρου καθορίζεται με μόνο δύο σημεία ελέγχου, τα οποία δημιουργούν αυτόματα δύο δευτερέοντα σημεία. Ενώ τα σημεία ελέγχου μετακινούνται, τα δευτερεύοντα κινούνται ανάλογα (b). Το παράθυρο ορίζεται στη συνέχεια αφαιρώντας το από την επιφάνεια του τοίχου. Επιπλέον, το πάχος του τοιχώματος ορίζεται ως μια ευέλικτη παράμετρος (c).

Εικόνα 9

19

Portugal, V. & Guedes, M. C. (2012) Informed Parameterization: Optimization of building openings generation. LIMA, 28th International PLEA Conference


5.Παραδείγματα

51

Άλλη μία έρευνα των Ercan και Elias-Ozkan20 μελετά τη βελτιστοποίηση του συστήματος σκίασης (εικόνα 43). Η αρχικός σχεδιασμός σκίασης είχε σταθερή γωνία σε όλο το ύψος της πρόσοψης (a). Για να σπάσει αυτή η μονοτονία, εξερευνήθηκε η δυνατότητα αλλαγής του προσανατολισμού των στοιχείων σκίασης κατά μήκος του ύψους της όψης (b). Αυτή η προσπάθεια σχεδιασμού έχει ως στόχο την επίτευξη μια αισθητικά δυναμικής μορφής συστήματος σκίασης, ενώ παράλληλα βελτιστοποιείται η ποιότητα του φωτισμού μέσα στους χώρους γραφείων. Το λογισμικό που χρησιμοποιήθηκε ήταν το Galapagos.

Εικόνα 43

20

Ercan B., Elias-Ozkan S.T. (2015) Performance-based parametric design explorations: A method for generating appropriate building components, Elsevier Ltd


52

5.Παραδείγματα

Πείραμα των Konis, Gamas, Kensek21 αποδεικνύει πως είναι δυνατόν ο γενετικός αλγόριθμος να καθορίσει ουσιαστικά γεωμετρικές παραμέτρους του κελύφους στην αρχική φάση του σχεδιασμού. Γίνεται μελέτη σε κτίριο γραφειακών χώρων σε διαφορετικές τοποθεσίες και τα αποτελέσματα που προτείνονται προκύπτουν από παραμέτρους της βασικής γεωμετρίας της κάτοψης, του ποσοστού και θέσης των ανοιγμάτων και των συστημάτων σκίασης, καθώς αναζητείται και η χειρότερη αποδοτικά λύση. Στο παράδειγμα αυτό φαίνεται η διαφοροποίηση των λύσεων ανάλογα με τα εκάστοτε κλιματικά δεδομένα της περιοχής (εικόνες 44, 45).

21

Konis K., Gamas A., Kensek K. (2016) Passive performance and building form: An optimization framework for early-stage design support, Solar Energy 125, 161–179


5.Παραδείγματα

Εικόνα 44

53


54

Εικόνα 45

5.Παραδείγματα


5.Παραδείγματα

55

Πείραμα του Chalabee22 ερευνά το αποδοτικότερο ποσοστό διαφανούς επιφάνειας στη νότια όψη κελύφους γραφειακών χώρων σε έξι διαφορετικές περιπτώσεις, με βασικό κριτήριο το μέγιστο φυσικό φωτισμό. Η μελέτη διεξάγεται για δύο διαφορετικά τυπικά κιβώτια σε σχήμα κουτιού με την ίδια επιφάνεια δαπέδου (20 × 20) και (40 × 10). Το ύψος του κτιρίου είναι ένα εύκαμπτο στοιχείο (3m, 6m και 9m) που δείχνει την επίδραση του ύψους κτιρίου στην κατανάλωση ενέργειας. To λογισμικό Galapagos χρησιμοποιήθηκε για ακόμα μία φορά (εικόνα 46).

Εικόνα 46

22

Chalabee Η. (2013) Performance-based architectural design: Optimisation of building opening generation using generative algorithms, University of Sheffield


56

6.Μελέτη εφαρμογής

6.Μελέτη εφαρμογής 6.1.Δεδομένα Η μελέτη αφορά μία άσκηση, ορίζοντας κανόνες που διαμορφώνουν απλές γεωμετρίες και εξάγουν βασικά συμπεράσματα για τις παραμέτρους του κελύφους που επηρεάζουν σε μεγάλο βαθμό την ενεργειακή ζήτηση και κατανάλωση. Σκοπίμως δεν επιλέχθηκαν πιο σύνθετες γεωμετρίες για δύο κυρίως λόγους: •οι συνθετικές και σχεδιαστικές δυνατότητες κάθε αρχιτέκτονα είναι αναρίθμητες και εξαρτώνται από διάφορες παραμέτρους που αφορούν τις απαιτήσεις του εκάστοτε πελάτη, την τοποθεσία, τη νομοθεσία, κ.ά. Καθώς το παρόν ερευνητικό πρόκειται για μελέτη που δεν περιορίζεται από εξωγενείς απαιτήσεις, η απλοποίηση των σχεδιαστικών παραμέτρων θεωρήθηκε η βέλτιστη τεχνική. •τα αποτελέσματα της έρευνας παρέχουν πολλές πληροφορίες που βοηθούν στην εξαγωγή συμπερασμάτων για την επίδραση της μορφολογίας του κελύφους στην ενεργειακή ζήτηση, γεγονός που δε θα ίσχυε αν ορίζαμε πιο σύνθετες γεωμετρίες. Η μελέτη εξετάζει κατά πόσο ο γενετικός αλγόριθμος μπορεί να καθορίσει βασικές παραμέτρους της γεωμετρίας όπως τις διαστάσεις, τον προσανατολισμό, το ποσοστό των διαφανών επιφανειών και τη θέση τους, το πάχος της μόνωσης για τον καθορισμό του συντελεστή θερμοπερατότητας Uvalue, τις διαστάσεις των σκιάστρων με σκοπό την ελάχιστη ενεργειακή ζήτηση.


6.Μελέτη εφαρμογής

57

Έγινε επιλογή διάφορων κλιματικών δεδομένων, διαφορετικών δηλαδή τοποθεσιών, με σκοπό την καλύτερη κατανόηση των αποτελεσμάτων και την εξέταση της λειτουργίας του γενετικού αλγορίθμου, καθώς και την εξαγωγή συμπερασμάτων που αφορούν τη γεωμετρία του κελύφους και τον τρόπο με τον οποίο επιδρά στην ενεργειακή ζήτηση και κατανάλωση του κτιρίου. Το πείραμα που επιλέχθηκε αφορά μία μονοκατοικία συνολικής επιφάνειας 100m2 με τετράριχτη στέγη. Τα δεδομένα που διατηρούνται σταθερά φαίνονται στους παρακάτω πίνακες23.

Πίνακας 1 Γενικά χαρακτηριστικά

Συνολική επιφάνεια κτιρίου Αριθμός ορόφων Ύψος ορόφου Κλίση στέγης Αριθμός ζωνών Αριθμός θερμαινόμενων ζωνών

23

100m2 1 3m 30° 2 1

Οι τιμές του Πίνακα 2 ορίστηκαν με βάση τους Πίνακες 2.1, 2.2, 2.3 της Τεχνικής Οδηγίας του Τεχνικού Επιμελητηρίου Ελλάδας, Τ.Ο.Τ.Ε.Ε. 20701-1/2017, Έκδοση Α’, οι τιμές του Πίνακα 3, Πίνακα 4, Πίνακα 5 ορίστηκαν με βάση τον Πίνακα 1 της Τεχνικής Οδηγίας του Τεχνικού Επιμελητηρίου Ελλάδας, Τ.Ο.Τ.Ε.Ε 20701-2/2017, Έκδοση Α’ και οι τιμές του Πίνακα 6 ορίστηκαν με βάση τους Πίνακες 9 και 10 της Τεχνικής Οδηγίας του Τεχνικού Επιμελητηρίου Ελλάδας, Τ.Ο.Τ.Ε.Ε 20701-2/2017, Έκδοση Α’


58

6.Μελέτη εφαρμογής

Πίνακας 2 Εσωτερικές συνθήκες λειτουργίας

Ωράριο λειτουργίας Ημέρες λειτουργίας Μήνες λειτουργίας Περίοδος θέρμανσης Περίοδος ψύξης Μέση εσωτερική θερμοκρασία θέρμανσης Μέση εσωτερική θερμοκρασία ψύξης Μέση εσωτερική σχετική υγρασία χειμώνα Μέση εσωτερική σχετική υγρασία θέρους Απαιτούμενος νωπός αέρας Μέσος συντελεστής παρουσίας χρηστών Ισχύς λειτουργίας συσκευών Ισχύς φωτισμού

18h 7 12 Από 15/10 έως 30/04 Από 1/06 έως 31/08 20 26 40 45 0.003m3/s-m2 0.03ppl/m2 2Watt/m2 3.2Watt/m2


6.Μελέτη εφαρμογής

59

Πίνακας 3 Κατασκευή τοιχοποιίας

Υλικό

Πάχος d (m)

Ασβεστοκονίαμα (1.4.2.) Οπτοπλινθοδομή (1.7.2.1.) Διογκωμένη πολυστερίνη σε πλάκες (7.3.3.2.) Οπτοπλινθοδομή (1.7.2.1.) Ασβεστοκονίαμα (1.4.2.)

24

0.02

Θερμική αγωγιμότητα λ (W/m-K) 0.87

Πυκνότ ηταρ (kg/m3 ) 1800

Ειδική θερμοχωρητικότητα c (J/kg-K) 1000

0.09

0.49

1200

1000

float24

0.03

35

1450

0.09

0.49

1200

1000

0.02

0.87

1800

1000

Παράμετρος που μεταβάλλεται από το Galapagos


60

6.Μελέτη εφαρμογής

Πίνακας 4 Κατασκευή δαπέδου

Υλικό

Πάχος d (m)

Πυκνότητα ρ (kg/m3)

0.02

Θερμική αγωγιμότητα λ (W/m-K) 0.87

1800

Ειδική θερμοχωρητικότητα c (J/kg-K) 1000

Ασβεστοκονίαμα (1.4.2.) Διογκωμένη πολυστερίνη σε πλάκες (7.3.3.2.) Οπλισμένο σκυρόδεμα (1.5.3.) Κισσηρόδεμα (1.5.5.) Τσιμεντοκονίαμα (1.4.3.) Πλακίδια (4.7.2.)

0.06

0.03

35

1450

0.15

2.3

2300

1000

0.08

0.2

500

1000

0.02

1.4

2000

1100

0.005

1.84

2000

840


6.Μελέτη εφαρμογής

61

Πίνακας 5 Κατασκευή δώματος

Υλικό

Πάχος d (m)

Πυκνότητα ρ (kg/m3)

0.02

Θερμική αγωγιμότητα λ (W/m-K) 0.87

1800

Ειδική θερμοχωρητικότητα c (J/kg-K) 1000

Ασβεστοκονίαμα (1.4.2.) Διογκωμένη πολυστερίνη σε πλάκες (7.3.3.2.) Οπλισμένο σκυρόδεμα (1.5.3.) Κισσηρόδεμα (1.5.5.) Τσιμεντοκονίαμα (1.4.3.) Πλακίδια (4.7.2.)

0.06

0.03

35

1450

0.15

2.3

2300

1000

0.08

0.2

500

1000

0.02

1.4

2000

1100

0.005

1.84

2000

840


62

6.Μελέτη εφαρμογής

Πίνακας 6 Κατασκευή διαφανών επιφανειών (παράθυρα)

Πάχος πλαισίου Διαστάσεις Υλικό διάκενου Συντελεστής θερμοπερατότητας πλαισίου Συντελεστής θερμοπερατότητας υαλοπίνακα Συντελεστής ηλιακών θερμικών κερδών (SHGC) Διαπερατότητα στο ορατό κομμάτι του φάσματος (VT)

7cm 4-8-4 Αργό 2.5 W/(m2K) 1.9 W/(m2K) 0.7 0.8


6.Μελέτη εφαρμογής

63

6.2.Μεθοδολογία Υπάρχουν διάφορες μέθοδοι που μπορεί να ακολουθήσει ο σχεδιαστής/χειριστής του προγράμματος για την παραγωγή μορφών. Μια από αυτές είναι η χρήση του γενετικού αλγορίθμου με εναλλαγή τιμών σε μία παράμετρο τη φορά, διατηρώντας τις υπόλοιπες παραμέτρους σταθερές25. Η μέθοδος αυτή είναι αποτελεσματική κυρίως όταν υπάρχουν περιορισμοί, για παράδειγμα όταν ο προσανατολισμός του κτιρίου είναι δεδομένος και εξετάζουμε τη βελτιστοποίηση της γεωμετρίας αλλάζοντας άλλες τιμές. Αυτό φυσικά δεν παράγει το βέλτιστο αποτέλεσμα, αλλά τη βέλτιστη επιλογή με αυτό το δεδομένο. Η μεθοδολογία που επιλέχθηκε είναι η αναζήτηση λύσης εναλλάσσοντας όλες τις παραμέτρους παράλληλα. Με αυτό τον τρόπο βρίσκουμε την αποτελεσματικότερη λύση με το βέλτιστο συνδυασμό παραμέτρων που μας δίνει μικρότερη ενεργειακή κατανάλωση. Αρχικά έγινε ο σχεδιασμός της βασικής γεωμετρίας του κτιρίου, της στέγης, των ανοιγμάτων και των σκιάστρων. Στη συνέχεια η κατασκευή, με ορισμό των υλικών και κατά συνέπεια του συντελεστή θερμοπερατότητας και ο προσδιορισμός των φορτίων των ενεργειακών ζωνών. Τέλος ορίστηκαν τα κλιματικά δεδομένα και ο προσανατολισμός. Έγινε επανάληψη του πειράματος σε δύο στάδια: 1. μεταβάλλοντας τα κλιματικά δεδομένα (δύο διαφορετικά σενάρια με κλιματικά δεδομένα Αθηνών και Θεσσαλονίκης)

25

Hemsatha T., Bandhosseinib K.A. (2015) Building Design with Energy Performance as Primary Agent, Energy Procedia 78, 3049 – 3054


64

6.Μελέτη εφαρμογής

2. μεταβάλλοντας το ποσοστό των διαφανών επιφανειών (δύο διαφορετικά σενάρια με ποσοστό διαφανών επιφανειών 10% και 20%) Συνολικά, τα πειράματα που διεξήχθησαν ήταν τέσσερα. Η βασική γεωμετρία του κτιρίου είναι ορθογωνικής κάτοψης, συνολικής επιφάνειας 100m2 που διατηρείται σταθερή αλλάζοντας απλά την αναλογία των πλευρών κάνοντας το περίγραμμα τετραγωνικό ή ορθογωνικό. Η στέγη είναι τετράριχτη κλίσης 30 μοιρών. Οι διαφανείς επιφάνειες έχουν δεδομένο εμβαδόν 10m2 ή 20m2 (10% και 20% επί του πατώματος αντίστοιχα) και ο γενετικός αλγόριθμος επιλέγει το ποσοστό διανομής τους σε κάθε πλευρά, ενώ ταυτόχρονα υπολογίζει και τις διαστάσεις των προβόλων. Όσον αφορά την κατασκευή, η μοναδική τιμή που μεταβάλλεται είναι αυτή του πάχους της μόνωσης. Στον πίνακα 7 συνοψίζονται οι παράμετροι και τα όρια των τιμών τους.


6.Μελέτη εφαρμογής

65

Πίνακας 7

Παράμετρος Διαστάσεις x y Προσανατολισμός Διαφανείς επιφάνειες Ποσοστό βόρειας όψης Ποσοστό δυτικής όψης Ποσοστό νότιας όψης Ποσοστό ανατολικής όψης Πάχος μόνωσης τοιχοποιίας Πρόβολος Μήκος Πλάτος

Ελάχιστη τιμή

Μέγιστη τιμή

5m 5m 0°

10m 10m 90°

0%

95%

0%

95%

0%

95%

0%

95%

0.05m

0.10m

0m 0m

2.2m 1m

6.3.Αποτελέσματα Τα αποτελέσματα του Γενετικού Αλγορίθμου για κάθε ένα από τα πειράματα αναλύονται παρακάτω.


66

6.Μελέτη εφαρμογής

6.3.1.Πείραμα 1: Αθήνα, ποσοστό διαφανών επιφανειών: 10% επί του πατώματος


6.Μελέτη εφαρμογής

67

6.3.2.Πείραμα 2: Θεσσαλονίκη, ποσοστό διαφανών επιφανειών: 10% επί του πατώματος


68

6.Μελέτη εφαρμογής

6.3.3.Πείραμα 3: Αθήνα, ποσοστό διαφανών επιφανειών: 20% επί του πατώματος


6.Μελέτη εφαρμογής

69

6.3.4.Πείραμα 4: Θεσσαλονίκη, ποσοστό διαφανών επιφανειών: 20% επί του πατώματος


70

6.Μελέτη εφαρμογής

Συνοπτικά, τα αποτελέσματα της έρευνας φαίνονται στον Πίνακα 8. Πίνακας 8

Διαστάσεις x y Προσανατολισμός Διαφανείς επιφάνειες Ποσοστό βόρειας όψης Ποσοστό δυτικής όψης Ποσοστό νότιας όψης Ποσοστό ανατολικής όψης Πάχος μόνωσης Πρόβολος Μήκος Πλάτος Ενεργειακή ζήτηση για θέρμανση Ενεργειακή ζήτηση για ψύξη Συνολική ενεργειακή ζήτηση

Αθήνα 10%

Θεσσαλονίκη 10%

Αθήνα 20%

Θεσσαλονίκη 20%

12.5m 8m

12.5m 8m

12.5m 8m

12.5m 8m

83°

86.1°

80.2°

75°

0%

0%

0%

0%

0%

0%

0%

0%

26.6%

26.7%

53.3%

53.3%

0%

0%

0%

0%

10cm

10cm

10cm

10cm

0.9m 2.52m-0.5m

0.9m 2.92m-0.7m

1.7m 1.5m 3.43m-0.2m 4.03m-0.5m

806.99 KWh 3549.39 KWh 4356.38 KWh

1768.31 KWh 2704.62 KWh 4472.93 KWh

767.68 KWh 3914.17 KWh 4681.85 KWh

1638.70 KWh 3013.18 KWh 4651.88 KWh


7.Συμπεράσματα

71

7.Συμπεράσματα 7.1.Μειονεκτήματα Σε ό,τι αφορά τον παραμετρικό σχεδιασμό που λαμβάνει υπ’ όψη ενεργειακούς παράγοντες σε κατοικίες παρουσιάζεται μια σειρά από προβλήματα που ο αρχιτέκτονας-χρήστης του λογισμικού καλείται να αντιμετωπίσει κατά τη διάρκεια του σχεδιασμού.

•Απαιτούμενος χρόνος Ένα από τα μεγαλύτερα μειονεκτήματα της χρήσης γενετικού αλγορίθμου αποτελεί η διάρκεια επεξεργασίας των δεδομένων. Ο γενετικός αλγόριθμος (Galapagos) σε κάθε προσπάθεια, μεταβάλλοντας τις παραμέτρους που επιλέγονται από το χειριστή, αναγκάζει τα plugins Ladybug και Honeybee να επαναλάβουν τον ενεργειακό υπολογισμό. Η διαδικασία αυτή μεμονωμένα δεν είναι χρονοβόρα, παρόλαυτα όταν ο αλγόριθμος αναζητεί λύση σε χιλιάδες συνδυασμούς των παραμέτρων, η διάρκεια μπορεί να ξεπεράσει τα λογικά χρονικά δεδομένα, ακόμα και για ένα απλό πρόβλημα. Προφανώς ο απαιτούμενος χρόνος εξαρτάται από τον αριθμό των συνδυασμών που ο αλγόριθμος πρέπει να επεξεργαστεί. Αυτό είναι και το σημείο που ο αρχιτέκτονας καλείται να ανταπεξέλθει, ελαχιστοποιώντας όσο το δυνατόν τους πιθανούς συνδυασμούς, κάνοντας έξυπνη χρήση των παρεχόμενων εργαλείων του λογισμικού.


72

7.Συμπεράσματα

•Γνώσεις προγραμματισμού Παρόλο που τα διαθέσιμα εργαλεία του λογισμικού προσφέρουν εξαιρετικές δυνατότητες σχεδιασμού όσον αφορά τη μορφολογία, πολλές φορές προβάλλουν ανεπαρκή όταν πρόκειται να γίνει χρήση του Galapagos. Ο αλγόριθμος, ενώ αποτελεί ένα έξυπνο εργαλείο, δε διαθέτει δυνατότητες ρυθμίσεων των εισερχόμενων παραμέτρων. Η μόνη επιλογή που απαιτείται είναι η μεγιστοποίηση ή ελαχιστοποίηση μίας μοναδικής τιμής. Αυτό παρουσιάζει δύο προβλήματα: 1. Οι παράμετροι πρέπει να είναι ρυθμισμένοι πριν την είσοδό τους στον αλγόριθμο αν ο χρήστης επιθυμεί συγκεκριμένες λύσεις. Για παράδειγμα, αν έχουμε δέκα διαφορετικές παραμέτρους(sliders) οι οποίοι δέχονται τιμές από το 0 μέχρι το 100 και επιθυμούμε να μην έχουμε ίδια τιμή σε κανένα από τα sliders, η ρύθμιση αυτή πρέπει να πραγματοποιηθεί με τα εργαλεία του Grasshopper και όχι του Galapagos. Η δυσκολία έγκειται στο γεγονός ότι είτε θα γίνει χρήση περίπλοκων και πολυάριθμων εργαλείων που θα «φορτώσουν» το αρχείο και θα αναγκάσουν τον αλγόριθμο σε αναζήτηση περισσότερων συνδυασμών, είτε με τη χρήση γλώσσας προγραμματισμού, γνώσεις που οι αρχιτέκτονες συνήθως δε διαθέτουν και δυσκολεύονται στην εξοικείωση τους με αυτές. Κατά συνέπεια είναι πιθανή η βοήθεια και συμμετοχή προγραμματιστή ή κάποιου άλλου γνώστη. 2. Η τιμή που δέχεται το Galapagos και ζητείται η μεγιστοποίηση ή ελαχιστοποίησή της είναι μοναδική. Επομένως και σε αυτή την περίπτωση απαιτούνται κατάλληλες ενέργειες πριν τον ορισμό αυτού του μεγέθους που ανταποκρίνονται στην αναζήτηση, καθώς δε μπορούμε να μεγιστοποιήσουμε μια τιμή και να ελαχιστοποιήσουμε μια άλλη.


7.Συμπεράσματα

73

•μη αποδεκτά αποτελέσματα Καθώς η χρήση του γενετικού αλγορίθμου γίνεται με σκοπό την παραγωγή μορφών και κελυφών που προορίζονται για ανθρώπινη χρήση, πρέπει να ληφθούν υπόψη κριτήρια που δεν αφορούν μόνο τους ενεργειακούς παράγοντες. Τα αποτελέσματα που παράγονται από το γενετικό αλγόριθμο, ενώ είναι απολύτως ανταποκρινόμενα στην αναζήτηση, μπορεί να μην είναι αισθητικά αποδεκτά από τους χρήστες. Καθώς δεν υπάρχει τρόπος ορισμού του «ωραίου», ο αρχιτέκτονας καλείται να λάβει αποφάσεις σχεδιαστικές. Συνεπώς μπορεί τα αποτελέσματα της χρήσης του γενετικού αλγορίθμου να μην ενδείκνυνται σε κάθε περίπτωση.

7.2.Πλεονεκτήματα •οικείο γραφικό περιβάλλον χρήστη Το plugin Grasshopper είναι σχεδιασμένο με τέτοιο τρόπο που ανταποκρίνεται στις ανάγκες του χρήστη. Το γραφικό περιβάλλον (interface) αποτελείται από στοιχεία (components) που αντιστοιχούν σε συγκεκριμένες λειτουργίες, δέχονται εισαγόμενες τιμές (inputs) και παράγουν εξερχόμενες (outputs). Τα components συνδέονται μεταξύ τους μέσω καλωδίων που πάντα ενώνουν τα outputs με τα inputs. Η παραγόμενη μορφή εμφανίζεται σε πραγματικό χρόνο στο παράθυρο του Rhino, δίνοντας τη δυνατότητα στο χρήστη να έχει άμεση επαφή με το μοντέλο, μεταβάλλοντας το οποιαδήποτε στιγμή.


74

7.Συμπεράσματα

Συνεπώς, η χρήση τόσο του Grasshopper όσο και του Galapagos φαίνεται να είναι μία εύκολη διαδικασία και η εξοικείωση του χρήστη με αυτά μπορεί να γίνει εύκολα και γρήγορα. •λειτουργική αποτελεσματικότητα Τα αποτελέσματα του γενετικού αλγορίθμου βασίζονται σε μετρήσιμα μεγέθη και συνεπώς είναι τουλάχιστον λειτουργικά. Πολλές φορές οι αρχιτέκτονες σχεδιάζουν κελύφη κάνοντας χρήση συστημάτων που υπόσχονται σωστή ενεργειακή διαχείριση, ενώ όμως τις περισσότερες φορές τα μεγέθη δεν είναι μετρήσιμα στο στάδιο του αρχικού σχεδιασμού, μπορεί το τελικό σχέδιο να μην είναι αποτελεσματικό και βιώσιμο. Καθώς οι παραγόμενες λύσεις του Γενετικού Αλγορίθμου βασίζονται σε πραγματικές τιμές που ορίζονται από το χρήστη, η αποτελεσματικότητα είναι δεδομένη. •ευελιξία Τα εργαλεία που παρέχονται από το Grasshopper είναι πολυάριθμα και διαθέτουν διάφορων τύπων πληροφορίες, δίνοντας έτσι την ευκαιρία στο χρήστη να παράγει μορφές των οποίων το αποτέλεσμα θα είναι το ίδιο ανεξάρτητα από τον τρόπο με τον οποίο δημιουργήθηκαν. Παράλληλα, διευκολύνεται και η εξοικείωση του χρήστη με το πρόγραμμα και επιταχύνεται ο ρυθμός εκμάθησης.


7.Συμπεράσματα

75

•διαδικτυακή κοινότητα Ο αρχικός στόχος των δημιουργών των εργαλείων του Grasshopper ήταν εξαρχής η διευκόλυνση της αρχιτεκτονικής διαδικασίας για τους σχεδιαστές που ασχολούνται με βιοκλιματικές τακτικές. Εκτός από τον έξυπνο σχεδιασμό και τις εύκολα διαθέσιμες οδηγίες και συμβουλές, το διαδίκτυο παρέχει πολυάριθμα forums που εξυπηρετούν κάθε χρήστη και δίνουν λύσεις σε ερωτήματα που μπορεί να προκύψουν σε ελάχιστο χρόνο, ενώ παράλληλα οι απεριόριστες διαδικτυακές πηγές από τους χρήστες ανά τον κόσμο διευκολύνουν σε μεγάλο βαθμό τη διαδικασία. •ανοιχτου κώδικα εφαρμογή Τα εργαλεία του Grasshopper είναι ανοιχτού κώδικα εφαρμογές, δίνοντας τη δυνατότητα σε προγραμματιστές τη δημιουργία νέων εργαλείων, εύκολα εντασσόμενων στο γραφικό περιβάλλον του Grasshopper. Έτσι υπάρχει ολοένα μεγαλύτερη ανάπτυξη της πλατφόρμας και συνεχόμενη βελτίωση των εργαλείων. Παράλληλα, υπάρχει δωρεάν διάθεση του λογισμικού, καθιστώντας το ένα από τα πιο χρήσιμα εργαλεία που μπορεί να χρησιμοποιηθεί από τον καθένα για την επίλυση απλών αλλά και πολύπλοκων προβλημάτων που αφορούν όλα τα πεδία της σύγχρονης αρχιτεκτονικής και σχεδιασμού.


76

8.Επίλογος

8.Επίλογος Στο αρχικό στάδιο του σχεδιασμού, οι περιβαλλοντικές προσομοιώσεις του κτιρίου έχουν σημαντικό ρόλο στη διαδικασία αρχιτεκτονικού σχεδιασμού, για να προσδιορίσουν τις καλύτερες επιδόσεις του κτιρίου. Για να εμπλέκονται αυτές οι προσομοιώσεις απαιτείται ένα προηγμένο πακέτο λογισμικού προσομοίωσης. Ωστόσο, η διαδικασία προσομοίωσης βασίζεται σε σενάρια, γεννώντας έτσι την ανάγκη να αναπτυχθεί ένα υπολογιστικό εργαλείο το οποίο θα είναι ικανό να δημιουργεί αυτόματα εναλλακτικές λύσεις σχεδιασμού. Ως αποτέλεσμα, η λύση χρησιμοποιεί την προσέγγιση του Γενετικού Αλγορίθμου ως υπολογιστική μέθοδο για την παραγωγή εναλλακτικών αρχιτεκτονικών σχεδιασμών. Η χρήση αυτών των εργαλείων παρέχει μια καλή καθοδήγηση για τους αρχιτέκτονες στη διαδικασία σχεδιασμού. Είναι επίσης σε θέση να βελτιστοποιήσουν τα διαφορετικά δομικά στοιχεία αλλάζοντας μόνο μερικά μέρη του ορισμού. Ωστόσο, αυτά τα εργαλεία εξακολουθούν να είναι σχετικά καινούργια και έχουν περιορισμούς. Ένας από τους κύριους περιορισμούς είναι το γεγονός ότι πρόκειται για μια χρονοβόρα διαδικασία και η απόδοση της διαδικασίας βασίζεται στην απόδοση των χρησιμοποιούμενων υπολογιστών. Μετά το πέρας της παρούσας ερευνητικής εργασίας, εξάγουμε διάφορα συμπεράσματα για τη χρήση Γενετικών Αλγορίθμων σε κτιριακά κελύφη για μικρότερες ενεργειακές αποδόσεις. Η άσκηση αυτή παράγει πολύτιμα αποτελέσματα και μας βοηθάει να κατανοήσουμε καλύτερα βασικές αρχές της βιοκλιματικής αρχιτεκτονικής.


8.Επίλογος

77

Ο γενετικός Αλγόριθμος αποδεικνύεται χρήσιμο εργαλείο για την εξερεύνηση των σχεδιαστικών ορίων και μπορεί να δημιουργήσει αποδοτικότερα κελύφη. Παρόλαυτα, στην πράξη, είναι απίθανο να βρεθούν οι ιδανικές συνθήκες κάτω από τις οποίες έγιναν τα πειράματα. Σε περιπτώσεις που γίνεται αναζήτηση λύσης σε πολυπλοκότερα προβλήματα, ο ορισμός των παραμέτρων, καθώς και η παρεχόμενη υπολογιστική ισχύς μπορεί να αποδειχθούν εμπόδια στην αποτελεσματική χρήση τέτοιων εργαλείων. Ακόμα κι αν οραματιστούμε ένα ιδανικό περιβάλλον στο μέλλον που θα παρέχει όλες αυτές τις δυνατότητες στους αρχιτέκτονες, τα αποτελέσματα τέτοιου είδους αναζητήσεων θα ήταν μάλλον απογοητευτικά, τουλάχιστον όσον αφορά το αισθητικό μέρος. Όσον αφορά τα βιοκλιματικά ζητήματα, οι απαιτήσεις ενός λειτουργικού κελύφους είναι ήδη γνωστές, ακόμα και τα αποτελέσματα της παρούσας ερευνητικής εργασίας δεν αποτέλεσαν έκπληξη. Ο ρόλος του αρχιτέκτονα είναι να αποδειχθεί ευέλικτος και να μπορέσει να χρησιμοποιήσει τα υπολογιστικά εργαλεία μετατρέποντάς τα σε σύμμαχο στην προσπάθεια επίλυσης προβλημάτων, χωρίς να αγνοεί τους αισθητικούς παράγοντες που καθιστούν ένα έργο ικανοποιητικό. Με βάση αυτή την αρχή, μπορούμε με αρκετή σιγουριά να πούμε ότι ο Γενετικός Αλγόριθμος, και συγκεκριμένα το Galapagos, αποτελεί ισχυρό εργαλείο στο σχεδιασμό συστημάτων μικρότερης κλίμακας βιοκλιματικής ή άλλης φύσης. Ο αρχιτέκτονας, έχοντας ως βάση συγκεκριμένο πλάνο και στόχους για το σχέδιό του, μπορεί να βασιστεί στις επιλύσεις γενετικών αλγορίθμων για τμήματα του σχεδιασμού, περιορίζοντας τις παραμέτρους και ικανοποιώντας έτσι και τους δύο στόχους τις


78

8.Επίλογος

αρχιτεκτονικής διαδικασίας, τη λειτουργική αποτελεσματικότητα και την αισθητική ικανοποίηση. Η πλατφόρμα σχεδίασης μέσω της οποίας λειτουργεί, το Rhinoceros 3D, είναι ένα ευρέως δημοφιλές πρόγραμμα ανάμεσα στους αρχιτέκτονες καθιστώντας το Γενετικό Αλγόριθμο μία πρακτική που μπορεί να υιοθετηθεί εύκολα από τους σχεδιαστές. Αναμφισβήτητα, το μέλλον της Αρχιτεκτονικής μπορεί να βασιστεί στη βοήθεια παρόμοιων υπολογιστικών εργαλείων, καθώς παράλληλα οι ταχέως αναπτυσσόμενες τεχνολογικές εξελίξεις διευρύνουν τα όρια του αρχιτεκτονικού σχεδιασμού. Ο σχεδιασμός με βάση παραμετρικούς και γενετικούς παράγοντες αποτελεί μια αναδυόμενη τάση στην αρχιτεκτονική τις τελευταίες δεκαετίες και θεωρείται ένα πολύτιμο εργαλείο για τη διερεύνηση του δυναμικού σχεδιασμού και τον εμπλουτισμό της αρχιτεκτονικής συνθετικής διαδικασίας. Κατά το σχεδιασμό μορφών ή συστημάτων, η μέθοδος αυτή προσφέρει δυναμικό έλεγχο της γεωμετρίας και των στοιχείων, επιτρέποντας στον σχεδιαστή να αναζητήσει κατάλληλες λύσεις για σύνθετα προβλήματα με τη χρήση πολλαπλών παραλλαγών. Εργαλεία σχεδιασμού, όπως το Grasshopper για το Rhinoceros 3D και το Galapagos, προσφέρουν την ευκαιρία να εφαρμοστούν παραμετρικές σχεδιαστικές έννοιες για την αυτοματοποίηση σύνθετων εργασιών.


9.Πηγές εικόνων

9.Πηγές εικόνων Εικόνα 1 Fasoulaki E. (2007) Genetic Algorithms in Architecture: a Necessity or a Trend?, epartment of Architecture, Massachusetts Institute of Technology Εικόνα 2 Jabi W. (2013) Parametric Design for Architecture. London, Laurence King Publishing Ltd Εικόνα 3 Grasshopper 3D, https://en.wikipedia.org/wiki/Grasshopper_3D Εικόνα 4 Grasshopper 3D, https://en.wikipedia.org/wiki/Grasshopper_3D Εικόνα 5 Ladybug Tools, https://www.grasshopper3d.com/group/ladybug Εικόνα 6 Ladybug Tools, https://www.grasshopper3d.com/group/ladybug Εικόνα 7 Vijini Mallawaarachchi, Introduction to Genetic Algorithms  Including Example Code, https://towardsdatascience.com/introduction-to-genetic-algorithmsincluding-example-code-e396e98d8bf3 Εικόνα 8 Vijini Mallawaarachchi, Introduction to Genetic Algorithms  Including Example Code, https://towardsdatascience.com/introduction-to-genetic-algorithmsincluding-example-code-e396e98d8bf3

79


80

9.Πηγές εικόνων

Εικόνα 9 Vijini Mallawaarachchi, Introduction to Genetic Algorithms  Including Example Code, https://towardsdatascience.com/introduction-to-genetic-algorithmsincluding-example-code-e396e98d8bf3 Εικόνα 10 Vijini Mallawaarachchi, Introduction to Genetic Algorithms  Including Example Code, https://towardsdatascience.com/introduction-to-genetic-algorithmsincluding-example-code-e396e98d8bf3 Εικόνα 11 Vijini Mallawaarachchi, Introduction to Genetic Algorithms  Including Example Code, https://towardsdatascience.com/introduction-to-genetic-algorithmsincluding-example-code-e396e98d8bf3 Εικόνα 12 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 13 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 14 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 15 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 16 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 17 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles


9.Πηγές εικόνων

81

Εικόνα 18 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 19 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 20 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 21 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 22 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 23 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 24 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 25 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 26 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 27 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 28 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles


82

9.Πηγές εικόνων

Εικόνα 29 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 30 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 31 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 32 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 33 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 34 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 35 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 36 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 37 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 38 Evolutionary Principles, Galapagos, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Εικόνα 39 Chronis A., Liapi K., Sibetheros I. (2012) A parametric approach to the bioclimatic design of large scale projects: The case of a student housing complex, Automation in Construction 22, 24–35


9.Πηγές εικόνων

83

Εικόνα 40 Chronis A., Liapi K., Sibetheros I. (2012) A parametric approach to the bioclimatic design of large scale projects: The case of a student housing complex, Automation in Construction 22, 24–35 Εικόνα 41 Shi Χ., Yang W. (2013) Performance-driven architectural design and optimization technique from a perspective of architects, Automation in Construction 32, 125–135 Εικόνα 42 Portugal, V. & Guedes, M. C. (2012) Informed Parameterization: Optimization of building openings generation. LIMA, 28th International PLEA Conference Εικόνα 43 Ercan B., Elias-Ozkan S.T. (2015) Performance-based parametric design explorations: A method for generating appropriate building components, Elsevier Ltd Εικόνα 44 Konis K., Gamas A., Kensek K. (2016) Passive performance and building form: An optimization framework for early-stage design support, Solar Energy 125, 161–179 Εικόνα 45 Konis K., Gamas A., Kensek K. (2016) Passive performance and building form: An optimization framework for early-stage design support, Solar Energy 125, 161–179 Εικόνα 46 Chalabee Η. (2013) Performance-based architectural design: Optimisation of building opening generation using generative algorithms, University of Sheffield


84

10.Βιβλιογραφία

10.Βιβλιογραφία Chalabee Η. (2013) Performance-based architectural design: Optimisation of building opening generation using generative algorithms, University of Sheffield Chong, Y. T. (2009). A heuristic-based approach to conceptual design, Research in Engineering Design, 20(2), 97-116 Chronis A., Liapi K., Sibetheros I. (2012) A parametric approach to the bioclimatic design of large scale projects: The case of a student housing complex, Automation in Construction 22, 24–35 Ercan B., Elias-Ozkan S.T. (2015) Performance-based parametric design explorations: A method for generating appropriate building components, Elsevier Ltd Fasoulaki E. (2007) Genetic Algorithms in Architecture: a Necessity or a Trend?, Department of Architecture, Massachusetts Institute of Technology Guillemin, A., Morel, N. (2001) An innovative lighting controller integrated in a self-adaptive building control system, Energy and Buildings, 33(5), 477-487 Hemsatha T., Bandhosseinib K.A. (2015) Building Design with Energy Performance as Primary Agent, Energy Procedia 78, 3049 – 3054 Jabi W. (2013) Parametric Design for Architecture, London, Laurence King Publishing Ltd


10.Βιβλιογραφία

85

Konis K., Gamas A., Kensek K. (2016) Passive performance and building form: An optimization framework for early-stage design support, Solar Energy 125, 161–179 Nembrini J., Sambergera S., Labelle G. (2014) Parametric scripting for early design performance simulation, Energy and Buildings 68, 786–798 Portugal, V. & Guedes, M. C. (2012) Informed Parameterization: Optimization of building openings generation, LIMA, 28th International PLEA Conference Shi Χ., Yang W. (2013) Performance-driven architectural design and optimization technique from a perspective of architects, Automation in Construction 32, 125–135 Θερμοφυσικές Ιδιότητες Δομικών Υλικών και Έλεγχος της Θερμομονωτικής Επάρκειας των Κτιρίων (2017) Τεχνική Οδηγία του Τεχνικού Επιμελητηρίου Ελλάδας Τ.Ο.Τ.Ε.Ε 20701-2/2017, Έκδοση Α’, Αθήνα Αναλυτικές Εθνικές Προδιαγραφές Παραμέτρων για τον Υπολογισμό της Ενεργειακής Απόδοσης Κτιρίων και την Έκδοση του Πιστοποιητικού Ενεργειακής Απόδοσης (2017) Τεχνική Οδηγία του Τεχνικού Επιμελητηρίου Ελλάδας Τ.Ο.Τ.Ε.Ε 20701-1/2017, Έκδοση Α’, Αθήνα


86

10.Βιβλιογραφία

Computer Aided Design (CAD), https://en.wikipedia.org/wiki/Computer-aided_design Evolutionary Principles applied to Problem Solving, https://www.grasshopper3d.com/profiles/blogs/evolutionary-principles Grasshopper 3D, https://en.wikipedia.org/wiki/Grasshopper_3D Heuristic (computer science), https://en.wikipedia.org/wiki/Heuristic_(computer_science) Ladybug Tools, https://www.grasshopper3d.com/group/ladybug Our Story, https://www.ladybug.tools/about Parametric design, https://en.wikipedia.org/wiki/Parametric_design Rhinoceros 3D, https://en.wikipedia.org/wiki/Rhinoceros_3D Vijini Mallawaarachchi, Introduction to Genetic Algorithms - Including Example Code, https://towardsdatascience.com/introduction-togenetic-algorithms-including-example-code-e396e98d8bf3 Γενετικοί Αλγόριθμοι, https://el.wikipedia.org/wiki/γενετικοί_αλγόριθμοι




Turn static files into dynamic content formats.

Create a flipbook
Issuu converts static files into: digital portfolios, online yearbooks, online catalogs, digital photo albums and more. Sign up and create your flipbook.