[논문 리뷰] Investigation of wind pressures on tall building under interference effects using machine learning techniques

Gang Hu, Lingbo Liu외 3명|arXiv (Cornell University)|2019. 08. 20.

Wind and Air Flow Studies참고 문헌 57인용 수 4

한 줄 요약

이 연구는 도쿄 고등학교 공학 연구소의 풍동 실험 데이터의 30%만을 사용하여, 고층 건물의 간섭 효과 하에서 풍압 계수를 예측하기 위해 생성적 적대 신경망(GANs)을 활용한다. 30%의 데이터로 훈련된 GANs 모델은 다른 기계학습 모델보다 뛰어난 성능을 보이며, 예측되지 않은 간섭 조건에서도 평균 및 변동 압력 계수를 정확하게 예측하여, 풍동 실험 수요를 최대 70% 감소시킬 수 있다.

ABSTRACT

Interference effects of tall buildings have attracted numerous studies due to the boom of clusters of tall buildings in megacities. To fully understand the interference effects of buildings, it often requires a substantial amount of wind tunnel tests. Limited wind tunnel tests that only cover part of interference scenarios are unable to fully reveal the interference effects. This study used machine learning techniques to resolve the conflicting requirement between limited wind tunnel tests that produce unreliable results and a completed investigation of the interference effects that is costly and time-consuming. Four machine learning models including decision tree, random forest, XGBoost, generative adversarial networks (GANs), were trained based on 30% of a dataset to predict both mean and fluctuating pressure coefficients on the principal building. The GANs model exhibited the best performance in predicting these pressure coefficients. A number of GANs models were then trained based on different portions of the dataset ranging from 10% to 90%. It was found that the GANs model based on 30% of the dataset is capable of predicting both mean and fluctuating pressure coefficients under unseen interference conditions accurately. By using this GANs model, 70% of the wind tunnel test cases can be saved, largely alleviating the cost of this kind of wind tunnel testing study.

연구 동기 및 목표

• 고층 건물 군집에서의 간섭 효과를 연구하기 위한 풍동 실험의 높은 비용과 범위 제한 문제를 해결하기 위해.
• 최소한의 실험 데이터로 예측되지 않은 간섭 조건 하에서의 풍압을 정확히 예측할 수 있는 기계학습 모델을 개발하기 위해.
• 결정 트리, 랜덤 포레스트, XGBoost 및 GANs를 포함한 여러 기계학습 모델의 성능을 평가하고 비교하기 위해 풍압 계수를 예측하기 위해.
• GANs 모델이 다양한 간섭 시나리오에 걸쳐 신뢰할 수 있는 예측을 수행하기 위해 필요한 최소 데이터셋 크기를 규명하기 위해.
• 지나치게 많은 물리적 시험 없이도 구조 설계를 위한 고해상도 간섭 인자 맵을 제공하기 위해.

제안 방법

• 도쿄 고등학교 공학 연구소의 풍동 데이터베이스에서 30%의 데이터를 사용하여 결정 트리, 랜덤 포레스트, XGBoost 및 생성적 적대 신경망(GANs) 모델을 훈련시켰다.
• GANs 아키텍처를 사용하여 다양한 건물 배열, 바람 방향 및 간격 비율에서 풍압 계수 데이터의 기본 분포를 학습하였다.
• 예측된 풍압 계수와 실험 결과 간의 상관계수(R²) 및 평균 제곱근 오차(RMSE)와 같은 통계적 지표를 사용하여 모델 성능을 평가하였다.
• 훈련 데이터의 비율을 10%에서 90%까지 점진적으로 증가시키며 여러 GANs 모델을 훈련하여 데이터 효율성과 일반화 능력을 평가하였다.
• 성능이 가장 뛰어난 GANs 모델을 사용하여 예측되지 않은 테스트 케이스에 대해 검증하여, 미사용 간섭 구성 조건에 대한 예측 정확도를 확인하였다.
• 훈련된 GANs 모델을 활용하여 원래 풍동 실험 케이스의 70%에 대한 예측을 수행하여 물리적 시험을 효과적으로 대체하였다.

실험 결과

연구 질문

• RQ1 풍동 실험 데이터의 제한된 부분집합으로 훈련된 기계학습 모델이 고층 건물의 간섭 효과 하에서 풍압 계수를 정확히 예측할 수 있는가?
• RQ2 결정 트리, 랜덤 포레스트, XGBoost 또는 GANs 중에서 어떤 기계학습 모델이 예측되지 않은 간섭 조건 하에서 평균 및 변동 압력 계수 예측에 가장 우수한 성능를 보이는가?
• RQ3 GANs 모델이 다양한 건물 배열 및 바람 조건에서 안정적이고 일반화된 예측을 달성하기 위해 필요한 최소 데이터셋 크기는 얼마인가?
• RQ4 훈련된 GANs 모델이 간섭 효과 연구에서 물리적 풍동 실험을 어느 정도 대체할 수 있으며, 필요한 시험 케이스 수는 얼마나 감소할 수 있는가?
• RQ5 훈련된 GANs 모델은 기존의 실험 방식으로는 불가능한 힘 및 모멘트 계수에 대한 고해상도 간섭 인자 맵을 생성할 수 있는가?

주요 결과

• 모든 테스트 조건에서 GANs 모델이 결정 트리, 랜덤 포레스트 및 XGBoost보다 평균 및 변동 압력 계수 예측 성능에서 뛰어났다.
• 전체 2,664건의 데이터셋의 30%만으로 훈련된 GANs 모델도 전체 데이터셋으로 훈련된 모델와 동일한 예측 정확도를 달성하였다.
• 훈련 데이터를 늘릴수록 성능 향상은 30% 이하에서 가장 두드러졌으며, 그 이상에서는 성능 향상의 효과가 점점 감소하였다.
• 30%의 데이터로 훈련된 GANs 모델은 예측되지 않은 간섭 조건 하에서도 압력 계수를 정확히 예측하였으며, 동적 증폭이 높은 중요한 위치에서도 정확도를 유지하였다.
• 모델을 통해 물리적 시험이 없이도 풍동 실험 케이스의 70%를 예측할 수 있었으며, 이는 풍공학 연구에서 비용과 시간을 크게 절감시켰다.
• 작은 데이터 부분집합으로 훈련된 GANs 모델이 전체 데이터셋으로 훈련된 모델보다 더 효과적인 것으로 나타났으며, 이는 더 나은 일반화 능력과 노이즈 억제 효과 때문이었다.