[論文レビュー] Towards Sustainable Architecture: 3D Convolutional Neural Networks for Computational Fluid Dynamics Simulation and Reverse DesignWorkflow

J. Musil, Jakub Knir+2 more|arXiv (Cornell University)|Nov 25, 2019

Wind and Air Flow Studies被引用数 6

ひとこと要約

本論文は、建築分野における定常的乱流風流の近似リアルタイム予測を可能にする3次元残差U-Net畳み込みニューラルネットワークを提案する。これにより、計算流体力学（CFD）シミュレーションが3桁速くなった。また、モデルを逆方向に適用し、目的の風流パターンから建物ボリュームを生成することで、インタラクティブで持続可能なデザインの探求が可能になった。

ABSTRACT

We present a general and flexible approximation model for near real-time prediction of steady turbulent flow in a 3D domain based on residual Convolutional Neural Networks (CNNs). This approach can provide immediate feedback for real-time iterations at the early stage of architectural design. This work-flow is then reversed and offers a designer a tool that generates building volumes based on target wind flow.

研究の動機と目的

• 建築設計の初期段階における従来のCFDシミュレーションの計算ボトルネックを解消すること。
• 遅いCFDソルバの代わりにデータ駆動型ニューラルネットワーク近似を導入することで、設計反復の過程でリアルタイムフィードバックを可能にすること。
• 訓練済みモデルを逆方向に適用し、望ましい風流結果を達成する建物形状を生成することで、持続可能な設計を支援すること。
• 高速シミュレーションと逆設計を統合した1つのディープラーニングフレームワークとしての設計効率の向上。
• 柔軟でスケーラブルなアーキテクチャを用いて、多様な幾何形状および入力サイズに対する一般化を実証すること。

提案手法

• CADとビジュアルプログラミングを用いて、256m × 128m × 64mの領域に制限された3,500個の3次元都市幾何形状サンプルを生成した。
• すべての幾何形状を1m解像度でボクセル化し、ネットワーク入力用の3次元バイナリーオンライングリッドを作成した。
• OpenFOAMを用いて定常状態の風流場をシミュレートし、真値として速度ベクトル場（x, y, z成分）を生成した。
• エンコーダー8層、デコーダー7層の3次元残差U-Netを訓練し、それぞれ4×4×4および3×3×3の畳み込みフィルタをストライド2および1で使用した。
• ELU活性化関数を備えたゲート付き残差ブロックを用いることで、特徴の学習と未学習の幾何形状への一般化を向上させた。
• 別々の出力ヘッド（3次元 vs. 1次元チャンネル）を用いて、前方（幾何形状 → 風流）および逆方向（風流 → 幾何形状）の両方の方向でモデルを訓練した。

実験結果

リサーチクエスチョン

• RQ1 深層3次元CNNモデルは、建築分野における定常的乱流風流の正確な近似リアルタイム予測を達成できるか？
• RQ2 モデルは、学習分布を超えた未学習の幾何形状および入力サイズに対し、どの程度一般化できるか？
• RQ3 同じ訓練済みモデルを、目的の風流パターンから建物ボリュームを生成するために効果的に逆方向に適用できるか？
• RQ4 逆モデルは、望ましい空気力学的結果に向かって形状生成を誘導することで、インタラクティブで持続可能な設計を支援できるか？
• RQ5 建築の多様性およびデータ品質は、実世界の設計応用におけるモデルの性能と一般化にどのような影響を及えるか？

主な発見

• モデルは、従来のCFDソルバーよりも約1,000倍速く風速場を予測し、1,000エポックにわたって低いテスト損失を維持した。
• 前方モデルは、訓練が進むにつれて安定し、性能が向上し、平均二乗誤差損失が減少し続けた。これは、強い収束性と一般化性を示している。
• 逆モデルは、目的の風流パターンから妥当な建物ボリュームを効果的に生成でき、インタラクティブなGrasshopperおよびFlaskベースの可視化で実証された。
• 残差ブロックとELU活性化関数の使用により、特徴表現が向上し、学習サンプルよりも大きな幾何形状への一般化が可能になった。
• モデルは未学習の都市形状に対しても良好に一般化しており、建築的多様性に強く、設計探索へのスケーラビリティが示された。
• リアルタイムフィードバックと逆設計を可能にするため、モデルフレームワークはインタラクティブな設計ワークフローを支援し、膨大なシミュレーション実行への依存を減らした。