Yapay zekâ ile çatı tespiti ve panel yerleşimi: GES tasarımındaki el işi nasıl azalıyor
Bir adres girin, tasarım hazır olsun: GES yazılımlarının çoğunun verdiği söz bu. Gerçekte bu tek bir adım değil, iki ayrı adım. Yapay zekâ ile çatı tespiti ve panel yerleşimi solarVis içinde tam olarak ne yapıyor ve her biri işi hangi noktada size geri veriyor?
"Yapay zekâ ile çatı tespiti" ve "yapay zekâ ile panel yerleşimi" çoğu zaman tek bir özellikmiş gibi kullanılıyor: aracı bir adrese yöneltirsiniz, karşınıza tamamlanmış ve uygulanabilir bir GES tasarımı çıkar. Uygulamada ise bunlar, gerçek yetenekleri ve gerçek sınırları olan iki ayrı adımdır. Çıktıya bir teklifte güveneceksiniz, dolayısıyla aradaki fark önemlidir. Bu yazı önce iki terimin gerçekte ne anlama geldiğini açıklıyor. Ardından her birinin 67.500+ GES projesinin arkasındaki panel yerleşim yazılımı solarVis içinde nasıl çalıştığını gösteriyor. Kapsam sınırları ve manuel kontrol adımları dâhil.
"Yapay zekâ ile çatı tespiti" gerçekte ne demek
Özünde yapay zekâ ile çatı tespiti bir bilgisayarlı görü problemidir: bir hava veya uydu görüntüsünü, tasarım aracının kullanabileceği bir geometriye dönüştürmek. Bu da çatı dış hattını, düzlemlerin kesiştiği iç çizgileri ve her bir çatı yüzeyinin sınırlarını bulmak demektir.
Ancak tek başına geometri bir tasarım değildir. Eğim ve yükseklik atanmamış bir çatı dış hattı, üzerinde gölgelenme veya üretim hesabı yapabileceğiniz bir model değil, düz bir eskizdir. "Yapay zekâ ile çatı tespiti" kategorisi tam da burada ikiye ayrılır: 2B geometride duran araçlar ve genellikle LiDAR tabanlı yükseklik verisi gibi ikinci bir kaynağı devreye alarak tam bir 3B biçim çıkaran araçlar. Bir aracın bu çizginin hangi tarafında durduğu, sonrasında insana ne kadar iş kaldığını belirler.
"Yapay zekâ ile panel yerleşimi" gerçekte ne demek
Yapay zekâ ile panel yerleşimi farklı bir problemdir: çatı geometrisi ve onu kısıtlayan her şey verildiğinde, bir hedefi karşılayan panel yerleşimi üretmek. Bu, bir ızgarayı doldurmak değildir. Gerçek bir yerleşim motoru kenar boşluklarına uymak, engelleri ve çatı elemanlarını dolaşmak, zayıf bir noktaya panel harcamamak için gölgelenmeyi hesaba katmak ve panel sayısını en yükseğe çıkarmak yerine bir boyutlandırma hedefini tutturmak zorundadır.
Bu nedenle panel yerleşimi ancak bağlı olduğu girdiler hazır olduğunda bir anlam taşır: çatı geometrisinin gerçek olması ve (aşağıda anlatıldığı gibi) gölgelenmenin önceden hesaplanmış olması gerekir. İkisi hazır olmadan çalıştırılan bir yerleşim motoru, hiçbir şeye karşı optimizasyon yapıyor demektir.
solarVis bir çatıyı nasıl okur
Yapay zekâ ile çatı tespiti: 3B model değil, 2B tel kafes
Çatı Çizimi adımında yapay zekâ ile çatı tespiti, araç çubuğundaki parıltı simgesinden başlatılır. Proje konumuna ait uydu görüntülerini analiz eder, çalışırken "Çatı tespit ediliyor..." durumunu gösterir ve ardından bir 2B tel kafes döndürür: çatı dış hattı, yüzeyler arasındaki iç kenarlar ve yüzeylerin kendisi.
Çıktının tamamı budur. Bulduğu hiçbir öğeye eğim veya yükseklik atamaz; yani sonuç henüz bir 3B model değildir. Pratikte iki şey daha onu sınırlar. Birincisi, kullanılabilirlik koşulludur: yalnızca proje konumunu yüksek çözünürlüklü çatı verisinin kapsadığı yerlerde görünür, dolayısıyla her projenin güvenebileceği bir araç değildir. İkincisi, tek bir geri alınabilir işlemdir; bir geri alma önceki durumu geri getirir ve çıktının bir insan kontrolünden geçmesi beklenir: atlanan kenar ve yüzeyler, devam etmeden önce normal çizim araçlarıyla düzeltilir.
Inner Edge Detector: yalnızca geometri, daha dar kapsam
İlişkili ama ayrı bir araç olan Inner Edge Detector, elinizde hâlihazırda bulunan bir çatı dış hattının açılarını analiz eder ve bu açıların açıortayı boyunca önerilen bir iç çizgi üretir. Mahya veya dere çizgisini hızlıca tamamlamak için kullanışlıdır. Yapay zekâ ile çatı tespitinde olduğu gibi yalnızca geometri üretir. O da eğim atamaz.
3B'ye geçiş: Fit to LiDAR veya elle eğim
Bir 2B tel kafesi gerçek bir 3B modele dönüştürmenin iki yolu vardır. Fit to LiDAR, LiDAR tabanlı yükseklik verisinden (harita sağlayıcı olarak Google Maps HD gerektiren Google yükseklik verisi) gerçek bir 3B model kurar. Her noktanın yüksekliğini ve her çatı yüzeyinin eğimini otomatik olarak ayarlar ve elle eğim atamasını tamamen ortadan kaldırır. Yalnızca duvar konumlarının onaylanmasını ister ve yapay zekâ ile çatı tespitinde olduğu gibi yüksek veri kapsamına sahip bölgelerle sınırlıdır.
Fit to LiDAR'ın bulunmadığı yerlerde eğimler elle atanır: bir yüzey veya kenar seçilir, sağ panelden eğim girilir ya da eğim oku sürüklenir; böylece o yüzey bir 3B düzleme dönüşür. Aynı çatıdaki farklı yüzeyler farklı eğimler taşıyabilir. Basit bir beşik çatının ötesindeki her durumda bu önemlidir.
Modeli fiziksel olarak gerçek kılmak
Yalnızca çatı biçimi, üzerine güvenle panel yerleştirmek için hâlâ yeterli değildir. 3B GES Tasarımı ve Simülasyonu çözümündeki Çatı Çizimi adımı, bir çatının hangi bölümlerinin gerçekten kullanılabilir olduğunu belirleyen unsurları ekler:
- Engeller (dikdörtgen, daire veya çokgen) bacaları, çatı pencerelerini, çanak antenleri ve panelin oturamayacağı diğer her şeyi işaretler. Panel yerleşimini doğrudan engeller ve gölgelenme hesabına girer.
- Çatı çıkmaları üç tiptedir: tek eğimli, beşik ve kırma. Her birinin genişliği, uzunluğu ve eğimi ayarlanabilir.
- Parapet duvarları, 0,1 ile 3 metre yükseklik ve 0,05 ile 1 metre kalınlık aralığında, gerçek gölge düşürür ve fiziksel bir duvar gibi panel yerleşimini engeller.
- Split Region, farklı yüksekliklerdeki çatı bölümlerini ayırır; kademeli çatılar ve ek yapılar böylece tek bir düz düzlem olarak değil, doğru biçimde modellenir.
Görüntünün kendisi Google Maps, Google Maps HD veya Azure Maps'ten ya da yüklenip projeye hizalanan özel görüntülerden gelir. Bunların hiçbiri kozmetik değildir: bir yerleşim, üretildiği modelin kalitesi kadar iyidir ve parapet duvarı ya da çatı çıkması eksik bir model, panelleri gerçekte oturamayacakları yerlere koyar.
Yapay zekâ ile çatı tespiti ve Fit to LiDAR, her yerde eşit biçimde bulunmayan verilere dayanır ve ikisi de körü körüne kabul edilmesi değil, kontrol edilmesi gereken çıktı üretir. Engelleri, çatı çıkmalarını ve parapetleri elle kurmak, yapay zekâ adımı sizi yolun büyük kısmına getirdikten sonra çoğu zaman tam olarak yapılan iştir.
Gölgelenme neden yerleşimden önce çalışmalı
Araç çubuğundaki güneş düğmesinden çalıştırılan gölgelenme analizi, yapay zekâ ile panel yerleşimi için kesin bir ön koşuldur. Yerleşim kararları gölgelenme çıktısından türetildiği için, analiz çalıştırılmadan yerleşim motoru devreye girmez.
Analiz, çatı genelinde renk kodlu ışınım ısı haritaları ve panel başına üç inceleme değeri üretir: güneş erişimi, TOF (Eğim ve Yön Faktörü) ve TSRF, yani Toplam Güneş Kaynağı Oranı. Güneş erişimi, gölgelenme nedeniyle kaybedilen güneş ışığı miktarını yakalar; TOF ise optimum yöne veya açıya bakmayan bir çatının bundan ayrı geometrik kaybını yakalar. TSRF ikisini birleştirir: TSRF = güneş erişimi × TOF. Bu değerlerin nasıl hesaplandığını daha derinlemesine ele alan tamamlayıcı yazımız: ışınım, gölgelenme ve string tasarımı. Burada önemli olan daha yalın: bu değerler olmadan bir çatı yüzeyini diğerinin üstüne koyacak bir temel yoktur ve yerleşimin bir sonraki adımda yapması gereken tam olarak budur.
solarVis panel yerleşimini nasıl yürütür
Gölgelenme analizi çalıştıktan sonra yapay zekâ ile panel yerleşimi bu sonuçları okur, çatı yüzeylerini sıralar ve uygun tüm yüzeyleri tek seferde, en iyi noktalardan başlayarak doldurur; bu sırada kenar boşluklarına, engellere, çatı çıkmalarına ve yukarıda anlatılan gölgelenme sonuçlarına uyar.
Çıktıyı iki seçim biçimlendirir. Birincisi bir boyutlandırma hedefi: panel sayısı, yıllık üretim (kWh), DC güç (kWp) veya tüketimi karşılama yüzdesi. İkincisi bir mod:
- Max Production, toplam enerji üretimini önceliklendirerek yerleştirilebilir her noktayı doldurur.
- Max Efficiency, yalnızca yüzde 75 ve üzeri TSRF değerine sahip noktaları korur; sonuçta daha az ama daha iyi çalışan panel elde edilir.
Bu yüzde 75 rakamı üzerinde durmaya değer, çünkü özelliğin nasıl tasarlandığını en iyi anlatan ayrıntı budur. Rastgele bir kaydırıcı varsayılanı değildir. Birçok teşvik ve kalite programı, yüzde 75 ve üzeri TSRF değerini iyi konumlanmış bir sistemin ölçütü kabul eder ve bazı destekler bu aralıkta açık bir alt sınır belirler. Max Efficiency modu kendi kalite çıtasını icat etmek yerine tam olarak bu yerleşim kuralını yerleşim motoruna gömer.
Budama kaydırıcısı aynı fikrin üzerine kurulur, ama yerleşimi üreten kurallar üzerinde değil, tamamlanmış yerleşim üzerinde çalışır. Yapay zekâ ile panel yerleşimi çatıyı doldurduktan sonra kaydırıcının TSRF eşiğini yükseltmek, eşiğin altında kalan ve hâlihazırda yerleştirilmiş panelleri kırmızı ile vurgular; uygulamak ise budamayı işler. Yani motorun tasarım sırasında uyacağı bir kısıt koymuyor, var olan bir yerleşimi düzenliyorsunuz. Otomatik modların ötesinde Fill Roof Face seçili tek bir yüzeye panel yerleştirir; sonucun herhangi bir bölümünü elden geçirmek için elle sürükleyip bırakma, gruplama ve çoğaltma da kullanılabilir durumda kalır.
GES tasarım yazılımında nelere bakmalı
Bu kategorideki araçların çoğu artık otomasyon vaat ediyor. Önemli olan fark, otomasyonun gerçekte ne ürettiğinde. Bir tasarım ekibini bağlamadan önce herhangi bir GES tasarım yazılımına sorulmaya değer sorular şunlar.
Çatı tespiti 2B'de mi duruyor, yoksa gerçek bir 3B model mi üretiyor? Bir 2B tel kafes, herhangi bir simülasyon yapılabilmesi için hâlâ eğim ve yükseklik ataması ister. Yükseklik verisini çekip çatıyı otomatik olarak kaldıran bir araç, yalnızca tel kafes üreten bir aracın size bıraktığı adımı ortadan kaldırır.
Kullanılabilirlik adres bazında kontrol ediliyor mu ve kapsam yoksa ne oluyor? Tespit kalitesi temeldeki veriye bağlıdır ve hiçbir sağlayıcı her yeri kapsamaz. Asıl önemli olan, yedekteki çizim araçlarının iş akışını yalnızca iyi haritalanmış projelerde değil, her projede yürütecek kadar iyi olup olmadığıdır.
Yerleşim motoru gölgelenmeyi biliyor mu, yoksa yalnızca geometrik mi çalışıyor? Bir çatıyı yalnızca biçime bakarak dolduran bir araç, panelleri kendini asla amorti etmeyecek yerlere seve seve koyar. Yüzeyleri ölçülmüş güneş erişimine göre sıralamak, gerçek GES tasarım otomasyonunu ızgara doldurmaktan ayıran şeydir.
Bir hedefe ve kalite eşiğine göre yönlendirebiliyor musunuz? Bir üretim rakamına veya tüketimi karşılama oranına göre boyutlandırabilmek ve yüzde 75 TSRF gibi bir alt sınır koyabilmek, müşteriye savunabileceğiniz bir tasarım ile sonradan gerekçelendirmek zorunda kalacağınız bir tasarım arasındaki farktır.
Çıktı düzenlenebilir mi? Üretilen her yerleşim, er ya da geç öngörmediği bir istisnayla karşılaşır. Motor size hızlı ve tutarlı bir başlangıç noktası vermeli, siz de bunu panel panel değiştirebilmelisiniz.
