Prognozowanie optymalnej lokalizacji budynku z wykorzystaniem samoucz¿cej si¿ sieci neuronowej

Szybka urbanizacja i z¿o¿one projekty sk¿aniaj¿ bran¿¿ budowlan¿ do stosowania sztucznej inteligencji i uczenia maszynowego w celu uzyskania szybszych, bezpieczniejszych i bardziej op¿acalnych rozwi¿zä. W tej ksi¿¿ce badawczej wykorzystano raporty z badä gleby do zdefiniowania parametrów specyficznych dla danego miejsca, a 10 ró¿nych przypadków budynków przeanalizowano za pomoc¿ oprogramowania do analizy budynków, kädy z indywidualn¿ sztywno¿ci¿ spr¿¿yny (K). Podej¿cie ML oparte na Pythonie zostäo opracowane w celu przewidywania optymalnych wielopi¿trowych konfiguracji strukturalnych, koncentruj¿c si¿ na sile osiowej s¿upa. Kod AI-ML, sk¿adaj¿cy si¿ z dwóch etapów, identyfikuje dane wej¿ciowe, generuje wykresy przy u¿yciu Matplotlib v3.10.3 i porównuje warto¿ci przewidywane z rzeczywistymi w celu oceny MSE i R². Do wst¿pnego przetwarzania danych wykorzystano Pandas v2.0.3 i NumPy v1.26.4, a modele regresji liniowej i sieci neuronowej (TensorFlow v2.16.1, sklearn v1.3.0) zostäy wytrenowane w podziale 80:20. Sie¿ ANN osi¿gn¿¿a MSE równe 0 i R² równe 1, co oznacza doskonä¿ dok¿adno¿¿ i wydajno¿¿ optymalizacji projektu konstrukcyjnego.