AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ

İlker Karabulut; Burhan Ergen

TR EN

AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ

Abstract

Büyük ölçekli afetler sonrasında ortaya çıkan acil konut ihtiyacı, kısa süre içinde binlerce konut biriminin hızlı ve nitelikli biçimde tasarlanmasını zorunlu kılmaktadır. Geleneksel mimari tasarım yöntemleri, her bir konut biriminin ayrı ayrı ele alınmasını gerektirdiğinden, zaman ve iş gücü bakımından ölçeklenebilirlik açısından sınırlı kalmaktadır. Bu çalışmada, oda sayısı, oda türü ve mekânsal bağlantı şeması gibi kullanıcı tarafından tanımlanan sınırlı tasarım kısıtlarından otomatik olarak kat planı üreten hibrit bir öğrenme çerçevesi önerilmektedir. Söz konusu kısıtlar, vaziyet planı ve yapı sınırları bağlamında temsil edilmekte; mekânsal ilişkilerin kodlanması amacıyla İkinci Nesil Grafik Dikkat Ağı (GATv2) mimarisi kullanılmaktadır. GATv2 modülü tarafından üretilen vektörel yerleşim çıktıları, diferansiyellenebilir bir işleme katmanından geçirilerek koşullu üretken çekişmeli ağ (cGAN) aracılığıyla görsel doku ve mobilya bilgisi içeren nihai kat planlarına dönüştürülmektedir. RPLAN veri setinde yer alan 80.000 etiketli plan üzerinde eğitilen ve optimize edilen model, 0,7649 IoU yerleşim doğruluğu ve 22,10 Fréchet Inception Distance (FID) değeri elde etmiştir. Bulgular, afet sonrası toplu konut üretiminde tasarım esnekliğini korurken üretim süresini belirgin biçimde azaltabilecek bir karar destek aracının uygulanabilirliğini ortaya koymaktadır.

Keywords

ARTIFICIAL INTELLIGENCE-SUPPORTED AUTOMATIC FLOOR PLAN GENERATION AS AN ACCELERATING TOOL IN POST-DISASTER RECONSTRUCTION PROCESSES

Abstract

The pressing need for housing after large-scale disasters requires the rapid, high-quality design of thousands of units in a short time. Conventional architectural methods are limited in scalability, in both time and labour, because each unit is treated individually. In this study, a hybrid learning framework is proposed that automatically generates floor plans from sparse, user-defined design constraints (number/type of rooms and connection scheme). These constraints are represented by the site plan and building boundaries, and the Second-Generation Graph Attention Network (GATv2) architecture is used to encode spatial relationships. The vector layouts produced by the GATv2 module pass through a differentiable rendering layer and are converted, via a conditional generative adversarial network (cGAN), into final floor plans containing visual texture and furnishing. Trained and optimised on the RPLAN dataset of 80,000 labelled plans, the model achieved a layout accuracy of 0.7649 IoU and a Fréchet Inception Distance (FID) of 22.10. The findings indicate the viability of a decision-support tool able to markedly reduce production time while preserving design flexibility in post-disaster mass housing.

Keywords

References

Brody, S., Alon, U., & Yahav, E. (2022). How attentive are graph attention networks? In International Conference on Learning Representations. https://doi.org/10.48550/arXiv.2105.14491
Gülkan, P. (2018). 2019 başında yürürlüğe girecek Türkiye Bina Deprem Yönetmeliğine ilişkin değerlendirme. İnşaat Mühendisleri Odası Ankara Şubesi. Retrieved from https://eski.imo.org.tr/resimler/dosya_ekler/ba0c0a58a5560e3_ek.doc?tipi=1&turu=X&sube=3
Hastürk, O., & Altan, M. F. (2023). Depremin ardından kentsel dönüşüm. Avrasya Dosyası, 14(1), 146–170. https://izlik.org/JA66WT45YB
Heusel, M., Ramsauer, H., Unterthiner, T., Nessler, B., & Hochreiter, S. (2017). GANs trained by a two time-scale update rule converge to a local Nash equilibrium. Advances in Neural Information Processing Systems, 30, 6626–6637. https://doi.org/10.5555/3295222.3295408
Hu, R., Huang, Z., Tang, Y., van Kaick, O., Zhang, H., & Huang, H. (2020). Graph2Plan: Learning floorplan generation from layout graphs. ACM Transactions on Graphics, 39(4), Article 118. https://doi.org/10.1145/3386569.3392391
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 1125–1134). https://doi.org/10.1109/CVPR.2017.632
Nauata, N., Chang, K.-H., Cheng, C.-Y., Mori, G., & Furukawa, Y. (2020). House-GAN: Relational generative adversarial networks for graph-constrained house layout generation. In A. Vedaldi, H. Bischof, T. Brox, & J.-M. Frahm (Eds.), Computer Vision – ECCV 2020 (pp. 162–177). Springer. https://doi.org/10.1007/978-3-030-58452-8_10
Nauata, N., Hosseini, S., Chang, K.-H., Chu, H., Cheng, C.-Y., & Furukawa, Y. (2021). House-GAN++: Generative adversarial layout refinement network towards intelligent computational agent for professional architects. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 13632–13641). https://doi.org/10.1109/CVPR46437.2021.01342

Radford, A., Metz, L., & Chintala, S. (2016). Unsupervised representation learning with deep convolutional generative adversarial networks. In International Conference on Learning Representations. https://doi.org/10.48550/arXiv.1511.06434
Rahbar, M., Mahdavinejad, M., Markazi, A. H. D., & Bemanian, M. (2022). Architectural layout design through deep learning and agent-based modeling: A hybrid approach. Journal of Building Engineering, 47, Article 103822. https://doi.org/10.1016/j.jobe.2021.103822
Rezatofighi, H., Tsoi, N., Gwak, J., Sadeghian, A., Reid, I., & Savarese, S. (2019). Generalized intersection over union: A metric and a loss for bounding box regression. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 658–666). https://doi.org/10.1109/CVPR.2019.00075
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In N. Navab, J. Hornegger, W. M. Wells, & A. F. Frangi (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 (pp. 234–241). Springer. https://doi.org/10.1007/978-3-319-24574-4_28
Ünal, B. (2021). Geleneksel tasarım süreçleri ve tasarım yarışmaları süreçleri üzerine bir değerlendirme: ‘A’Design & Award Competition’ örneği. Pearson Journal, 6(16), 491–505. https://doi.org/10.46872/pj.451
Wu, W., Fu, X.-M., Tang, R., Wang, Y., Qi, Y.-H., & Liu, L. (2019). Data-driven interior plan generation for residential buildings. ACM Transactions on Graphics, 38(6), 1–12. https://doi.org/10.1145/3355089.3356556
Zhang, H., Goodfellow, I., Metaxas, D., & Odena, A. (2019). Self-attention generative adversarial networks. In K. Chaudhuri & R. Salakhutdinov (Eds.), Proceedings of the 36th International Conference on Machine Learning (Vol. 97, pp. 7354–7363). PMLR. https://doi.org/10.48550/arXiv.1805.08318

Details

Primary Language

Turkish

Subjects

Deep Learning

Journal Section

Research Article

Authors

İlker Karabulut ^*
0000-0002-7894-6491
Türkiye

Burhan Ergen
0000-0003-3244-2615
Türkiye

Publication Date

September 3, 2026

Submission Date

February 23, 2026

Acceptance Date

May 20, 2026

Published in Issue

Year 2026 Volume: 29 Number: 3

IZ

https://izlik.org/JA34NN33WC

Cite

RIS / Bibtex

APA

Karabulut, İ., & Ergen, B. (2026). AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 29(3), 1087-1100. https://izlik.org/JA34NN33WC

AMA

1.Karabulut İ, Ergen B. AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ. KSU J. Eng. Sci. 2026;29(3):1087-1100. https://izlik.org/JA34NN33WC

Chicago

Karabulut, İlker, and Burhan Ergen. 2026. “AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 (3): 1087-1100. https://izlik.org/JA34NN33WC.

EndNote

Karabulut İ, Ergen B (September 1, 2026) AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 3 1087–1100.

IEEE

[1]İ. Karabulut and B. Ergen, “AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ”, KSU J. Eng. Sci., vol. 29, no. 3, pp. 1087–1100, Sept. 2026, [Online]. Available: https://izlik.org/JA34NN33WC

ISNAD

Karabulut, İlker - Ergen, Burhan. “AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29/3 (September 1, 2026): 1087-1100. https://izlik.org/JA34NN33WC.

JAMA

1.Karabulut İ, Ergen B. AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ. KSU J. Eng. Sci. 2026;29:1087–1100.

MLA

Karabulut, İlker, and Burhan Ergen. “AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, vol. 29, no. 3, Sept. 2026, pp. 1087-00, https://izlik.org/JA34NN33WC.

Vancouver

1.İlker Karabulut, Burhan Ergen. AFET SONRASI YENİDEN YAPILAŞMA SÜREÇLERİNDE HIZLANDIRICI BİR ARAÇ OLARAK YAPAY ZEKA DESTEKLİ OTOMATİK KAT PLANI ÜRETİMİ. KSU J. Eng. Sci. [Internet]. 2026 Sep. 1;29(3):1087-100. Available from: https://izlik.org/JA34NN33WC