Yapay zeka ile çatı tespiti ve panel yerleşimi: GES tasarımında otomasyonun sınırları
Bir adres girmek, tek başına tamamlanmış bir GES tasarımı üretmez. Çatı tespiti ile panel yerleşiminin solarVis'te nasıl çalıştığını, hangi verilere dayandığını ve hangi aşamalarda uzman kontrolü gerektirdiğini inceleyin.
Yapay zeka ile çatı tespiti ve panel yerleşimi çoğu zaman tek bir özellik gibi anlatılır: adresi girersiniz, tamamlanmış GES tasarımı karşınıza çıkar. Gerçekte bunlar farklı veri gereksinimleri, çıktıları ve kontrol noktaları olan iki ayrı adımdır. Müşteriye sunacağınız teklif bu çıktılara dayandığı için aradaki farkı bilmek önemlidir. Bu rehber, 67.500+ GES projesinde kullanılan solarVis 3B tasarım çözümünde her iki özelliğin nasıl çalıştığını, nerede uzman kontrolü gerektirdiğini ve veri kapsamının sonucu nasıl etkilediğini açıklar.
Yapay zeka ile çatı tespiti ne anlama gelir?
Yapay zeka ile çatı tespiti, bir hava veya uydu görüntüsünü tasarım aracının kullanabileceği geometriye dönüştüren bir bilgisayarlı görü görevidir. Sistem; çatı dış hattını, düzlemlerin kesiştiği iç çizgileri ve her çatı yüzeyinin sınırlarını belirler.
Ancak tek başına geometri, tamamlanmış bir tasarım değildir. Eğim ve yükseklik atanmamış çatı dış hattı, gölgelenme veya üretim hesabında kullanılabilecek bir model değil, düz bir eskizdir. Çatı tespiti araçları bu noktada ikiye ayrılır: yalnızca 2B geometri üretenler ve LiDAR tabanlı yükseklik verisi gibi ikinci bir kaynaktan yararlanarak 3B model oluşturanlar. Kullanılan yönteme göre tasarımcının tamamlaması gereken iş miktarı değişir.
Yapay zeka ile panel yerleşimi ne anlama gelir?
Yapay zeka ile panel yerleşimi farklı bir görevi yerine getirir: doğrulanmış çatı geometrisi ve tasarım kısıtlarına göre belirlenen hedefi karşılayan bir düzen oluşturur. Bu işlem yalnızca bir ızgarayı doldurmak değildir. Yerleşim motoru; kenar boşluklarına uymalı, engelleri ve çatı elemanlarını hesaba katmalı, düşük verimli alanlara panel ayırmamalı ve yalnızca panel sayısını artırmak yerine boyutlandırma hedefini karşılamalıdır.
Panel yerleşiminin sağlıklı çalışabilmesi için çatı geometrisinin doğrulanmış, gölgelenme analizinin ise tamamlanmış olması gerekir. Bu girdiler olmadan yerleşim motoru yüzeyleri doğru biçimde önceliklendiremez.
SolarVis bir çatıyı nasıl okur
Yapay zeka ile çatı tespiti: 3B model değil, 2B tel kafes
Çatı Çizimi adımındaki yapay zeka ile çatı tespiti, araç çubuğundaki parıltı simgesinden başlatılır. Proje konumuna ait uydu görüntülerini analiz eder, işlem sırasında "Çatı tespit ediliyor..." durumunu gösterir ve ardından çatı dış hattını, yüzeyler arasındaki iç kenarları ve çatı yüzeylerini içeren 2B bir tel kafes oluşturur.
Çıktı yalnızca geometriden oluşur. Sistem, bulduğu öğelere eğim veya yükseklik atayamaz; dolayısıyla sonuç henüz bir 3B model değildir. Özellik yalnızca proje konumunda yüksek çözünürlüklü çatı verisi bulunduğunda kullanılabilir. İşlem tek adımda geri alınabilir, ancak oluşturulan tel kafes yine de uzman kontrolünden geçirilmelidir. Atlanan kenarlar ve yüzeyler, tasarıma devam etmeden önce standart çizim araçlarıyla düzeltilir.
İç Kenar Algılayıcı: yalnızca geometri, daha dar kapsam
İç Kenar Algılayıcı (Inner Edge Detector), önceden çizilmiş çatı dış hattının açılarını analiz eden ayrı bir araçtır. Bu açıların açıortayı boyunca bir iç çizgi önerir ve mahya veya dere çizgisinin daha hızlı tamamlanmasını sağlar. Yapay zeka ile çatı tespitinde olduğu gibi yalnızca geometri üretir, eğim atamaz.
3B'ye geçiş: LiDAR ile modelleme veya elle eğim atama
2B tel kafesi 3B modele dönüştürmenin iki yolu vardır. LiDAR ile 3B modelleme (uygulamadaki adıyla Fit to LiDAR), Google Maps HD üzerinden sağlanan LiDAR tabanlı yükseklik verisini kullanır. Her noktanın yüksekliğini ve her çatı yüzeyinin eğimini otomatik olarak belirler; böylece elle eğim atama ihtiyacını ortadan kaldırır. Yalnızca duvar konumlarının onaylanmasını gerektirir ve yapay zeka ile çatı tespiti gibi veri kapsamı bulunan bölgelerde çalışır.
LiDAR ile 3B modellemenin kullanılamadığı yerlerde eğimler elle atanır. Bir yüzey veya kenar seçip sağ panelden eğim değerini girebilir ya da eğim okunu sürükleyebilirsiniz. Böylece seçilen yüzey 3B bir düzleme dönüşür. Aynı çatıdaki yüzeylere farklı eğimler atanabilmesi, özellikle beşik çatıdan daha karmaşık geometrilerde önemlidir.
Gerçek çatı koşullarını modele eklemek
Çatı biçimi tek başına güvenli bir panel yerleşimi için yeterli değildir. 3B GES Tasarımı ve Simülasyonu çözümündeki Çatı Çizimi adımı, çatının hangi bölümlerinin gerçekten kullanılabilir olduğunu belirleyen unsurları ekler:
- Engeller (dikdörtgen, daire veya çokgen); bacaları, çatı pencerelerini, çanak antenleri ve panel yerleştirilemeyecek diğer alanları tanımlar. Bu alanlar panel yerleşiminin dışında bırakılır ve gölgelenme hesabına katılır.
- Çatı çıkmaları üç tiptedir: tek eğimli, beşik ve kırma. Her birinin genişliği, uzunluğu ve eğimi ayarlanabilir.
- Parapet duvarları, 0,1 ile 3 metre arasında yükseklik ve 0,05 ile 1 metre arasında kalınlıkla tanımlanabilir. Gerçek gölge oluşturur ve panel yerleşiminde fiziksel bir sınır görevi görür.
- Bölgeyi Ayır (Split Region), farklı yüksekliklerdeki çatı bölümlerini birbirinden ayırır. Böylece kademeli çatılar ve ek yapılar tek bir düzlem yerine gerçek geometrilerine göre modellenir.
Altlık görüntüsü Google Maps, Google Maps HD, Azure Maps veya projeye yüklenip hizalanan özel görsellerden alınabilir. Görüntü ve model kalitesi doğrudan yerleşim sonucunu etkiler. Parapet duvarı ya da çatı çıkması eksik bir model, panellerin sahada kullanılamayacak alanlara yerleştirilmesine neden olabilir.
Yapay zeka tabanlı çatı tespiti ile LiDAR destekli 3B modelleme, kapsamı bölgeye göre değişen verilere dayanır. Bu nedenle oluşturulan sonuçların kontrol edilmesi gerekir. Yapay zeka çatı geometrisinin büyük bölümünü hazırlasa da engelleri, çatı çıkmalarını ve parapetleri tasarımcının eklemesi gerekebilir.
Gölgelenme analizi neden önce çalıştırılmalı?
Araç çubuğundaki güneş düğmesinden çalıştırılan gölgelenme analizi, yapay zeka 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 temel metrik üretir: güneş erişimi, TOF (Eğim ve Yön Faktörü) ve TSRF, yani Toplam Güneş Kaynağı Oranı. Güneş erişimi, gölgelenme etkisinden sonra yüzeye ulaşan güneş enerjisi oranını gösterir. TOF, çatının ideal eğim ve yönden sapmasının yol açtığı geometrik kaybı gösterir. TSRF ise ikisini birleştirir: TSRF = güneş erişimi × TOF. Hesaplamanın ayrıntılarını ışınım, gölgelenme ve string tasarımı yazısında bulabilirsiniz. Bu metrikler olmadan çatı yüzeylerini üretim potansiyeline göre önceliklendirmek mümkün değildir.
SolarVis panel yerleşimini nasıl oluşturur?
Gölgelenme analizi çalıştıktan sonra yapay zeka 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 boyutlandırma hedefidir: panel sayısı, yıllık üretim (kWh), DC kurulu güç (kWp) veya tüketimi karşılama yüzdesi. İkincisi ise çalışma modudur:
- Maks. Üretim, toplam enerji üretimini önceliklendirerek yerleştirilebilir her noktayı doldurur.
- Maks. Verimlilik, yalnızca yüzde 75 ve üzeri TSRF değerine sahip noktaları korur. Sonuçta daha az sayıda panelden daha yüksek ortalama güneş erişimi elde edilir.
Yüzde 75 TSRF rastgele seçilmiş bir değer değildir. Bazı teşvik ve kalite programları bu oranı uygun yerleşim için alt sınır olarak kullanır[1][2]. Bununla birlikte geçerli eşik ülkeye ve programa göre değişebilir. Maks. Verimlilik modu bu oranı yerleşim için tanımlı bir kalite eşiği olarak uygular.
Ayıklama kaydırıcısı, yerleşimi oluşturan kurallar yerine tamamlanmış tasarım üzerinde çalışır. Yapay zeka ile panel yerleşimi tamamlandıktan sonra TSRF eşiğini yükseltebilirsiniz. Eşiğin altında kalan paneller kırmızıyla vurgulanır; değişikliği onayladığınızda seçilen paneller kaldırılır. Otomatik modlara ek olarak Çatı Yüzeyini Doldur (Fill Roof Face) aracı seçili yüzeye panel yerleştirir. Panelleri elle taşıma, gruplama ve çoğaltma araçları da kullanılabilir. Tamamlanan yerleşimdeki panel sayısı, üretim verisi ve çatı görünümü doğrudan GES Tekliflendirme Yazılımına aktarılır ve müşteriye sunulacak teklifte kullanılır.
GES tasarım yazılımı seçerken nelere bakılmalı?
Bu kategorideki araçların çoğu otomasyon vaat eder. Asıl fark, otomasyonun gerçekte ne ürettiğidir. Bir aracı tasarım ekibinizin iş akışına almadan önce GES tasarım yazılımını şu sorularla değerlendirin.
Çatı tespiti 2B'de mi kalıyor, yoksa gerçek bir 3B model mi üretiyor? 2B tel kafes üzerinde simülasyon yapabilmek için eğim ve yükseklik atanması gerekir. Yükseklik verisini kullanarak çatıyı 3B modele dönüştüren bir araç, bu ek adımı ortadan kaldırır.
Kullanılabilirlik adres bazında kontrol ediliyor mu ve kapsam yoksa ne oluyor? Tespit kalitesi kullanılan veriye bağlıdır ve hiçbir sağlayıcı her adresi kapsamaz. Veri bulunmayan projelerde standart çizim araçlarının tasarımı tamamlamaya yetecek esnekliği sunması gerekir.
Yerleşim motoru gölgelenmeyi hesaba katıyor mu, yoksa yalnızca geometriye göre mi çalışıyor? Çatıyı yalnızca biçimine göre dolduran bir araç, panelleri düşük verimli alanlara yerleştirebilir. Yüzeylerin ölçülen güneş erişimine göre sıralanması, GES tasarım otomasyonunu basit ızgara doldurma işleminden ayırır.
Yerleşimi hedefe ve kalite eşiğine göre yönlendirebiliyor musunuz? Sistemi üretim hedefi veya tüketimi karşılama oranına göre boyutlandırabilmek ve TSRF için alt sınır belirleyebilmek, müşteriye teknik gerekçeleriyle açıklayabileceğiniz bir tasarım oluşturmanızı sağlar.
Çıktı düzenlenebilir mi? Otomasyon her saha koşulunu önceden öngöremez. Yerleşim motoru hızlı ve tutarlı bir başlangıç noktası sunmalı, tasarımcı da gerektiğinde her paneli ayrı ayrı düzenleyebilmelidir.
