[논문 리뷰] Pedestrian Wind Factor Estimation in Complex Urban Environments

Sarah Mokhtar, Matthew Beveridge외 2명|arXiv (Cornell University)|2021. 10. 06.

Wind and Air Flow Studies참고 문헌 29인용 수 7

한 줄 요약

이 논문은 복잡한 도시 환경에서 보행자 풍속 편안함 평가를 가속화하기 위해 조건부 생성 적대 신경망(cGAN)을 제안한다. 기존의 CFD 시뮬레이션 소요 시간을 수일에서 수초로 단축하면서도 높은 정확도(평균 오차 ±0.2 m/s)를 유지한다. 이 모델은 실시간으로 해석 가능한 풍장 근사치를 제공하여 초도 도시 설계에 적합하다.

ABSTRACT

Urban planners and policy makers face the challenge of creating livable and enjoyable cities for larger populations in much denser urban conditions. While the urban microclimate holds a key role in defining the quality of urban spaces today and in the future, the integration of wind microclimate assessment in early urban design and planning processes remains a challenge due to the complexity and high computational expense of computational fluid dynamics (CFD) simulations. This work develops a data-driven workflow for real-time pedestrian wind comfort estimation in complex urban environments which may enable designers, policy makers and city residents to make informed decisions about mobility, health, and energy choices. We use a conditional generative adversarial network (cGAN) architecture to reduce the computational computation while maintaining high confidence levels and interpretability, adequate representation of urban complexity, and suitability for pedestrian comfort estimation. We demonstrate high quality wind field approximations while reducing computation time from days to seconds.

연구 동기 및 목표

• 기존 CFD 시뮬레이션의 높은 계산 비용으로 인해 도시 설계 초도 단계에서 풍미세기 평가를 통합하는 데 어려움이 존재하므로 이를 해결한다.
• 복잡한 도시 형태에서 보행자 수준의 풍속 편안함 평가를 위한 데이터 기반 실시간 워크플로우를 개발한다.
• 입구, 터널, 나무, 지형과 같은 국지적 도시 특징의 표현을 향상시켜 기존의 서rogate 모델을 개선한다.
• 빠르고 해석 가능하며 정확한 풍장 예측을 통해 도시 계획가와 설계자가 실질적으로 활용할 수 있도록 한다.

제안 방법

• 도시 형태 입력에서 보행자 수준의 풍속 분포로의 매핑을 학습하기 위해 조건부 생성 적대 신경망(cGAN)을 활용한다.
• 고층 건물, 나무, 지형 특징을 포함한 다양한 도시 구조의 CFD 시뮬레이션 데이터셋을 기반으로 cGAN을 훈련한다.
• 건물 기하학, 지형, 식생을 포함한 도시 형태를 인코딩하는 조건부 입력을 사용하여 풍장 생성을 유도한다.
• 완전한 CFD와 비교해 최소한의 오차로 고해상도의 풍장 근사치를 생성하기 위해 생성자 및 판별자 네트워크를 최적화한다.
• 픽셀 수준의 정확성과 시각적 유사성을 균형 잡는 손실 함수를 구현하여 현실적이며 물리적으로 타당한 풍패tern을 확보한다.
• 전이 학습과 아키텍처 설계를 활용해 다양한 도시 형태로의 일반화 능력을 향상시키고 훈련 데이터에 대한 과적합을 줄인다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 서rogate 모델은 낮은 계산 비용으로 복잡한 도시 환경에서 보행자 수준의 풍속을 정확하게 근사할 수 있는가?
• RQ2 cGAN 모델은 고층 빌딩 군집, 나무, 지형 변화를 포함한 다양한 도시 형태로 일반화되는 정도는 어떠한가?
• RQ3 실시간 설계 시나리오에서 완전한 CFD 시뮬레이션과 비교해 모델은 정확도와 해석 가능성 면에서 어느 정도 유지되는가?
• RQ4 극한의 풍속 조건이나 고층 빌딩 군집 및 높은 기준 풍속을 가진 도시 구조에서 모델의 한계는 무엇인가?
• RQ5 터널, 입구, 조각난 테라스와 같은 국지적 도시 특징의 포함 여부가 모델 성능과 표현 정밀도에 어떤 영향을 미치는가?

주요 결과

• cGAN 모델은 도시 구성 당 CFD 시뮬레이션 시간을 최대 2일에서 10초 이내로 단축시켜 실시간 풍속 편안함 평가를 가능하게 한다.
• 모델은 풍속 예측에서 평균 절대 오차가 ±0.2 m/s로, 보행자 풍속 편안함 평가 기준인 1 m/s 이내의 허용 범위에 들어간다.
• 입구, 다리, 빈 공간이 있는 복잡한 특징을 가진 건물 포함 다양한 도시 형태에서 뛰어난 성능을 보인다.
• 두 개 이상의 고층 건물이 존재하거나 평균 10m 기준 풍속이 5 m/s 이상인 도시에서는 성능 저하가 발생하여 훈련 데이터의 확장 필요성을 시사한다.
• 훈련용 CFD 시뮬레이션에서의 굵은 메esh 구조는 아티팩트를 유발할 수 있으나, 모델이 이를 학습할 수 있어 고품질의 시뮬레이션 데이터가 일반화 능력 향상에 중요함을 보여준다.
• 모델의 예측 결과는 해석 가능하며 도시 설계 워크플로우에 통합하기 적합하여 초도 설계 단계에서 완전한 CFD의 실질적인 대안이 될 수 있다.