بهینه‌سازی پیکربندی و عملکرد فضایی طبقات فوقانی مراکز تجاری با رویکرد طراحی مولد و تکنیک تاپسیس (مطالعه موردی: طبقه 2G ایران‌مال)

شهلا  نادری دلپاک; آزاده شاهچراغی; زهرا سادات  سعیده زرآبادی

نویسندگان

شهلا نادری دلپاک دانشجوی دکتری، گروه معماری، واحد علوم و تحقيقات، دانشگاه آزاد اسلامى، تهران، ايران. نویسنده https://orcid.org/0009-0003-1013-5312
آزاده شاهچراغی گروه معماری، واحد علوم و تحقيقات، دانشگاه آزاد اسلامى، تهران، ايران. https://orcid.org/0000-0003-1947-2772
زهرا سادات سعیده زرآبادی شهرسازی، واحد علوم و تحقيقات، دانشگاه آزاد اسلامى، تهران، ايران. نویسنده https://orcid.org/0000-0002-3757-2809

کلمات کلیدی:

حلیل پیکره‌بندی فضایی و شناسایی , استفاده از نحو فضا

چکیده

پژوهش حاضر با هدف تولید گزینه‌های بازطراحی مبتنی بر قواعد نرم طراحی، ارزیابی و رتبه‌بندی گزینه‌ها با استفاده از تکنیک تصمیم‌گیری چندمعیاره تاپسیس، و شبیه‌سازی عملکرد گزینه بهینه برای ارتقای شاخص‌های نحو فضا و پاخور طبقه 2G ایران‌مال انجام شد. این پژوهش با رویکرد کمی، الگوریتمیک و مبتنی بر شبیه‌سازی انجام شد. شش قاعده نرم طراحی استخراج‌شده از مرحله پیشین پژوهش پارامتری‌سازی و بر مبنای دامنه‌های مجاز تغییرات کالبدی، پنج گزینه فضایی متمایز تولید شد. ارزیابی گزینه‌ها بر اساس پنج شاخص کلیدی عملکرد شامل پاخور، نرخ اشغال فضا، رضایت کاربران، تعاملات اجتماعی و ارزش اقتصادی فضاها و سه شاخص کلیدی ریسک شامل نقاط کور باقی‌مانده، انحراف از پاخور پیش‌بینی‌شده و انحراف از بودجه انجام گرفت. اوزان معیارها با استفاده از فرایند تحلیل سلسله‌مراتبی تعیین و گزینه‌ها از طریق تکنیک TOPSIS رتبه‌بندی شدند. سپس گزینه برتر با توجه به تحلیل حساسیت و بازخورد کارشناسان اصلاح و گزینه +3 ایجاد شد. تحلیل‌های نحو فضا، دیداری، شبکه‌ای و شبیه‌سازی جریان کاربران با استفاده از DepthmapX، Gephi/AGraph و MassMotion انجام گرفت. نتایج TOPSIS نشان داد گزینه 3 با ضریب نزدیکی 0.766، کمترین فاصله از راه‌حل ایده‌آل مثبت (0.234) و بیشترین فاصله از راه‌حل ضدایده‌آل (0.766) را داشت و به‌عنوان گزینه برتر انتخاب شد. تحلیل حساسیت نشان داد این انتخاب در شش سناریو پایدار بود و تنها با کاهش وزن نرخ اشغال از 0.25 به 0.20، گزینه 4 جایگزین آن شد. پس از اصلاح، گزینه +3 به همپیوندی 21.60، عمق فضایی 4.35 گام، شاخص انتخاب 5,450، نفوذپذیری بصری 0.55، پنج نقطه کور و پاخور 5,750 نفر در روز دست یافت؛ نرخ اشغال به 82% و امتیاز TOPSIS به 0.790 افزایش یافت. تلفیق طراحی مولد، تحلیل نحو فضا و TOPSIS می‌تواند چارچوبی نظام‌مند، عینی و مبتنی بر شواهد برای بهینه‌سازی پیکربندی فضایی مراکز تجاری بزرگ‌مقیاس فراهم کند. نتایج نشان داد بازآرایی شبکه حرکتی، تقویت پیوندهای عمودی و افقی و افزایش شفافیت بصری می‌تواند هم‌زمان نقاط کور را کاهش داده، دسترسی و توزیع حرکت را بهبود بخشد و عملکرد تجاری طبقات فوقانی را ارتقا دهد.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

1. Zhou W, Guo H, Hou X, Lai W, Yao L. A Statistical Study of the Pedestrian Distribution in a Commercial Wholesale Centre Based on the Traffic Spatial Structure. Buildings. 2024;14(6):1782.

2. Yurtseven M. The Verticality Challenge in Shopping Malls. Journal of Urban Design. 2024;29(3):301-18.

3. Hillier B, Hanson J. The Social Logic of Space: Cambridge University Press; 1984.

4. Hillier B. Space Is the Machine: Cambridge University Press; 1996.

5. Jalalian-Hoseini S. Space Syntax in Architectural Design: University of Tehran Press; 2020.

6. Jalalian-Hoseini S. Analysis of Bazaars and Shopping Centers as Urban Spaces via Space Syntax Software: Case Studies of Iranian Bazaars and Tehran Shopping Centers. Journal of Iranian Architecture Studies. 2022.

7. Sajadzadeh H, Arianpour S, Talischi G. A Comparative Study of Behavioral Camps in the Traditional Bazaar and Shopping Center of Boroujerd Diplomat Based on Spatial Configuration Analysis. Journal of Researches in Islamic Architecture. 2023;11(1).

8. Turner A, editor Depthmap: A Program to Perform Visibility Graph Analysis. Proceedings of the 3rd International Space Syntax Symposium; 2001.

9. Varoudis T. DepthmapX: A Cross-Platform Software for Space Syntax Analysis. Journal of Space Syntax. 2020;11(1):45-62.

10. Varoudis T, Hanna S. Beyond Axial Lines: High-Resolution Geometric Analysis of London's Urban Fabric Using LIDAR Scans. UCL Discovery; 2024.

11. Najafpour I, Haghlesan M. Optimizing the Spatial Design of Urban Metro Stations Using the Space Syntax Method. Journal of Architect, Urban Design & Urban Planning. 2023;16(44):49-67.

12. Wang Y, editor Research on Urban Traffic Congestion Using Dual-Modal Model of Space Syntax Based on Big Data. Proceedings of ICAICE '24; 2024: ACM.

13. Freeman LC. A Set of Measures of Centrality Based on Betweenness. Sociometry. 1977;40(1):35-41.

14. Freeman LC. Centrality in Social Networks: Conceptual Clarification. Social Networks. 1978;1(3):215-39.

15. Manum B, editor AGraph: A Tool for Spatial Analysis. Proceedings of the 7th International Space Syntax Symposium; 2009.

16. Altafini D, Salardi-Jost M, Cutini V, editors. Decoding Small-Worlds Networks in a Regional Context: Unveiling Local-Local and Local-Global Centrality Logics with Space Syntax. Proceedings of the 14th Space Syntax Symposium; 2024: Tab Edizioni.

17. Space S. Broadgate Arena: Post-Occupancy Evaluation Report. UCL Space Syntax Lab; 2018.

18. Oasys S. MassMotion User Manual. Oasys Ltd.; 2020.

19. Deutsch R. Data-Driven Design and Construction: John Wiley & Sons; 2015.

20. Bier H, Knight T. Data-Driven Design in Architecture: A Systematic Review. Journal of Architectural Computing. 2024;22(1):15-38.

21. Liu Y, Wang S. Big Data in Architectural Design: A Critical Review. Automation in Construction. 2024;158:105-23.

22. Li J, Bian K. Construction of Urban Spatial Intelligent Planning and Design System under the Background of Big Data. International Journal of Information Technology and Systems. 2024;17(1).

23. Zhang H, Zheng Y. From Data to Design: A Methodology for Big-Data-Driven Architecture. Design Studies. 2025;86:101-19.

24. Kim M. Parametric Design and Architectural Form. International Journal of Architectural Computing. 2014;12(3):245-62.

25. Knight T, Stiny G. Generative Design and the Computational Turn in Architecture. Architectural Design. 2015;85(5):24-31.

26. Carpo M. The Second Digital Turn: Design Beyond Intelligence: MIT Press; 2017.

27. Davis M. Reverse Engineering in Architecture. Architectural Design. 2013;83(4):88-95.

28. Khachouch MK, Korchi A, Lakhrissi Y. Architecture Driven Modernization: A Review on Reverse Engineering Techniques Based on Models' Approach. WSEAS Transactions on Information Science and Applications. 2023;20:293-302.

29. Deb K, Pratap A, Agarwal S, Meyarivan T. A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation. 2002;6(2):182-97.

30. Hwang CL, Yoon K. Multiple Attribute Decision Making: Methods and Applications: Springer; 1981.

31. Opricovic S, Tzeng GH. Compromise Solution by MCDM Methods: A Comparative Analysis of VIKOR and TOPSIS. European Journal of Operational Research. 2004;156(2):445-55.

32. Elshafei A, Ibrahim A. Evidence-Based Design in Architecture. Architectural Science Review. 2023;66(2):112-28.

33. Loyola M. The Productivity Gap in the AECO Industry. Building Research & Information. 2018;46(5):489-504.

34. El-Ghandour W, Al-Huss M. Productivity in Construction Industry: A Review. Journal of Construction Engineering and Management. 2004;130(5):718-27.