[논문 리뷰] Positional Encoding Augmented GAN for the Assessment of Wind Flow for Pedestrian Comfort in Urban Areas

Henrik Hoeiness, Kristoffer Gjerde외 3명|arXiv (Cornell University)|2021. 12. 15.

Wind and Air Flow Studies인용 수 5

한 줄 요약

이 논문은 2차원 건물 외곽선을 바탕으로 보행자 수준의 바람 흐름 예측을 수행하는 위치 인코딩을 통합한 GAN 프레임워크를 제안한다. 기존의 CFD에 비해 시뮬레이션 시간을 크게 단축시킨다. SDF와 CoordConv를 통해 공간 좌표를 주입하고, 스펙트럴 정규화 및 주의 메커니즘을 적용함으로써 모델의 정확도를 최대 20% 향상시키며, 실시간 바람 쾌적성 평가를 지원하는 상호작용형 도시 설계를 가능하게 한다.

ABSTRACT

Approximating wind flows using computational fluid dynamics (CFD) methods can be time-consuming. Creating a tool for interactively designing prototypes while observing the wind flow change requires simpler models to simulate faster. Instead of running numerical approximations resulting in detailed calculations, data-driven methods and deep learning might be able to give similar results in a fraction of the time. This work rephrases the problem from computing 3D flow fields using CFD to a 2D image-to-image translation-based problem on the building footprints to predict the flow field at pedestrian height level. We investigate the use of generative adversarial networks (GAN), such as Pix2Pix [1] and CycleGAN [2] representing state-of-the-art for image-to-image translation task in various domains as well as U-Net autoencoder [3]. The models can learn the underlying distribution of a dataset in a data-driven manner, which we argue can help the model learn the underlying Reynolds-averaged Navier-Stokes (RANS) equations from CFD. We experiment on novel simulated datasets on various three-dimensional bluff-shaped buildings with and without height information. Moreover, we present an extensive qualitative and quantitative evaluation of the generated images for a selection of models and compare their performance with the simulations delivered by CFD. We then show that adding positional data to the input can produce more accurate results by proposing a general framework for injecting such information on the different architectures. Furthermore, we show that the models performances improve by applying attention mechanisms and spectral normalization to facilitate stable training.

연구 동기 및 목표

• 시간이 오래 걸리는 CFD 시뮬레이션에 대한 빠르고 데이터 기반의 대안을 개발하여 도시 환경의 바람 흐름을 평가하는 데 목적이 있다.
• 3차원 바람 흐름 예측 문제를 건물 외곽선을 입력으로 사용하는 2차원 이미지 간 변환 문제로 재정의한다.
• 생성적 적대 신경망(Pix2Pix, CycleGAN)과 U-Net의 성능을 평가하여 보행자 높이의 바람 속도장을 예측한다.
• 위치 인코딩(SDF, CoordConv)이 다양한 도시 기하학적 구조에서 모델의 정확도와 일반화 능력에 미치는 영향을 조사한다.
• 느린 CFD 시뮬레이션을 대체하여 빠르고 학습 가능한 신경망 모델을 도입함으로써 빠른 프로토타이핑을 지원하는 상호작용형 도시 설계를 가능하게 한다.

제안 방법

• 바람 흐름 예측을 조건부 이미지 간 변환 작업으로 표현하여 2차원 건물 외곽선을 2차원 바람 속도장으로 매핑한다.
• Pix2Pix, CycleGAN, U-Net 아키텍처를 사용하여 기하학적 구조에서 흐름장으로의 매핑을 학습하며, 시뮬레이션된 CFD 데이터셋을 기반으로 훈련한다.
• 공간 인식 능력과 일반화 능력을 향상시키기 위해 SDF(부호 거리 함수)와 CoordConv를 사용해 입력에 위치 정보를 주입한다.
• GAN의 훈련 안정성과 특징 학습 능력을 향상시키기 위해 스펙트럴 정규화와 자기 주의 메커니즘을 적용한다.
• 건물 복잡도가 다양하고 오슬로의 실제 도시 데이터를 포함한 합성 데이터셋을 대상으로 다중 척도 평가 프로토콜을 사용해 성능을 검증한다.
• 지표면 CFD 시뮬레이션과의 비교를 위해 RMSE, MRE 및 시각적 분석을 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GAN 기반 모델은 건물 외곽선에서 보행자 수준의 바람 흐름을 정확하게 예측할 수 있는가? 이는 정확도를 유지하면서도 기존 CFD보다 빠른가?
• RQ2 SDF와 CoordConv를 통한 위치 인코딩 주입이 바람 흐름 예측에서 이미지 간 변환 모델의 성능에 어떤 영향을 미치는가?
• RQ3 스펙트럴 정규화 및 주의 메커니즘과 같은 아키텍처 개선이 훈련 안정성과 예측 정확도를 얼마나 향상시키는가?
• RQ4 제안된 모델은 실존하는 도시 레이아웃과 같은 복잡한 도시 환경에 일반화될 수 있으며, 상호작용형 설계 워크플로우를 지원할 수 있는가?
• RQ5 정밀한 속도 예측이 완벽하지 않더라도, 모델의 출력은 실용적인 바람 쾌적성 분류에 충분한가?

주요 결과

• SDF와 CoordConv를 통한 위치 인코딩 주입으로 𝒟₃ 데이터셋에서 Pix2Pix, CycleGAN, U-Net 각각 7%, 20%, 4%의 성능 향상을 달성했다.
• 스펙트럴 정규화로 𝒟₃ 데이터셋에서 MRE가 10% 감소했고, 가장 복잡한 데이터셋 𝒟₅에서는 4% 감소하여 훈련 안정성과 일반화 능력 향상을 입증했다.
• 자기 주의 메커니즘을 통합한 모델이 비주목 모델보다 성능이 뛰어나, 더 나은 특징 표현 학습 능력을 보였다.
• 감독 학습 방식으로 훈련된 U-Net 모델은 GAN과 유사한 성능을 달성했지만, 더 단순한 훈련 동역학을 보였으며, 이는 이 작업에 더 적합할 수 있음을 시사한다.
• 시각적 및 정량적 분석 결과, 건물 뒤쪽에서 오차가 더 높게 나타나 복잡한 후류 및 난류 패턴을 포착하는 데 한계가 있음을 보여주었다.
• 이러한 한계에도 불구하고, 모델의 출력은 Lawson 기준에 따른 바람 쾌적성 분류에 충분히 정확했으며, 상호작용형 도시 설계 도구에서의 활용 가능성을 뒷받침했다.