[논문 리뷰] Convolutional versus Dense Neural Networks: Comparing the Two Neural Networks Performance in Predicting Building Operational Energy Use Based on the Building Shape

Farnaz Nazari, Wei Yan|arXiv (Cornell University)|2021. 08. 29.

Building Energy and Comfort Optimization참고 문헌 40인용 수 4

한 줄 요약

이 연구는 건물의 형상에 기반하여 운영 에너지 사용을 예측하기 위해 밀집 신경망(DNN)과 컨볼루션 신경망(CNN)을 비교한다. 건물 기하학적 형상을 입력으로 사용하여 DNN는 정확도, 학습 속도, 단순성에서 CNN을 능가했지만, CNN은 이미지 기반 표현을 통해 시각적 해석 가능성을 제공했다.

ABSTRACT

A building self-shading shape impacts substantially on the amount of direct sunlight received by the building and contributes significantly to building operational energy use, in addition to other major contributing variables, such as materials and window-to-wall ratios. Deep Learning has the potential to assist designers and engineers by efficiently predicting building energy performance. This paper assesses the applicability of two different neural networks structures, Dense Neural Network (DNN) and Convolutional Neural Network (CNN), for predicting building operational energy use with respect to building shape. The comparison between the two neural networks shows that the DNN model surpasses the CNN model in performance, simplicity, and computation time. However, image-based CNN has the benefit of utilizing architectural graphics that facilitates design communication.

연구 동기 및 목표

• 건물 형상에 기반한 건물 운영 에너지 사용 예측에서 DNN와 CNN의 성능 평가.
• 에너지 예측에서 모델 정확도, 계산 효율성, 해석 가능성 간의 상호 상충 관계 평가.
• 딥 러닝 모델이 초기 단계 건물 설계 의사결정을 지원하는 데의 잠재력 탐색.
• 이미지 기반 CNN이 낮은 성능에도 불구하고 설계 커뮤니케이션에서의 이점이 있는지 규명하기.

제안 방법

• 입력 데이터는 건물 형상 기하학을 포함하며, CNN에는 2차원 표현으로 변환되고, DNN에는 벡터화된 특징으로 변환되었다.
• DNN는 완전 연결층, ReLU 활성화 함수, 드롭아웃 정규화를 사용하여 과적합을 방지하기 위해 학습되었다.
• CNN는 2차원 컨볼루션 계층, 풀링, 완전 연결 계층을 사용하여 형상 이미지를 처리하도록 구현되었다.
• 모든 모델은 건물 형상과 시뮬레이션에서 유도된 운영 에너지 사용 값의 데이터셋을 기반으로 학습되었다.
• 모델 성능 평가는 평균 제곱 오차(MSE) 및 결정계수(R-squared) 지표를 사용하였으며, 단위가 없는 MSE 값이 보고되었다.
• 계산 효율성 비교를 위해 학습 및 추론 시간이 기록되었다.

실험 결과

연구 질문

• RQ1 DNN와 CNN 모델은 형상에 기반한 건물 운영 에너지 사용 예측에서 어떻게 비교되는가?
• RQ2 동일한 입력 데이터에서 어떤 모델 아키텍처가 더 높은 예측 정확도를 달성하는가?
• RQ3 DNN와 CNN 모델 간의 학습 및 추론 속도는 어떻게 다른가?
• RQ4 낮은 성능에도 불구하고 이미지 기반 CNN이 설계 커뮤니케이션에 기여할 수 있는가?
• RQ5 건축 기하학과 형상 특징은 에너지 예측 결과에 어떤 영향을 미치는가?

주요 결과

• DNN 모델은 더 낮은 평균 제곱 오차(MSE)를 기록하여 CNN 모델보다 뛰어난 예측 정확도를 확보했다.
• DNN 모델은 더 빠른 학습 및 추론 시간을 보여, 더 뛰어난 계산 효율성을 나타냈다.
• DNN는 CNN보다 구현이 간단했으며, 더 적은 하이퍼파rameter를 필요로 했다.
• 낮은 성능에도 불구하고 CNN 모델은 건물 형상을 이미지로 처리함으로써 시각적 해석 가능성을 제공하여 설계 커뮤니케이션에 기여했다.
• 수정된 단위 없는 MSE 값은 성능 비교의 탄탄함을 확인시켰다.
• 모두 효과적이었지만, 정확도와 속도의 균형을 고려할 때 DNN가 실용적인 에너지 예측 작업에 더 적합했다.