[논문 리뷰] Towards Sustainable Architecture: 3D Convolutional Neural Networks for Computational Fluid Dynamics Simulation and Reverse DesignWorkflow

J. Musil, Jakub Knir외 2명|arXiv (Cornell University)|2019. 11. 25.

Wind and Air Flow Studies인용 수 6

한 줄 요약

이 논문은 건축 분야에서 정 steady한 난류 바람 흐름을 거의 실시간으로 예측할 수 있도록 하는 3차원 잔차 U-Net 컨볼루션 신경망을 제안한다. 이는 전산 유체역학(CFD) 시뮬레이션을 세 자리 수 만큼 가속화한다. 또한 모델을 뒤집어 건물 볼륨을 목표 바람 흐름 패턴에서 생성하도록 하여 상호작용적이고 지속 가능한 디자인 탐색을 가능하게 한다.

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.

연구 동기 및 목표

• 기존 CFD 시뮬레이션의 계산적 병목 현상을 건축 설계 초도 단계에서 해결한다.
• 느린 CFD 솔버를 데이터 기반 신경망 근사치로 대체하여 설계 반복 과정에서 실시간 피드백을 가능하게 한다.
• 학습된 모델을 뒤집어 원하는 바람 흐름 결과를 달성하는 건물 형태를 생성함으로써 지속 가능한 설계를 지원한다.
• 빠른 시뮬레이션과 역설계를 하나의 딥 러닝 프레임워크에 통합하여 설계 효율을 향상시킨다.
• 유연하고 확장 가능한 아키텍처를 사용하여 다양한 기하학적 형태와 입력 크기에 대해 일반화 능력을 입증한다.

제안 방법

• CAD 및 시각 프로그래밍을 사용해 3,500개의 3차원 도시 기하학 샘플을 생성하고, 256m × 128m × 64m 영역으로 제약을 둔다.
• 모든 기하학을 1m 해상도로 바이너리 점령 격자(occupancy grid)로 변환하여 네트워크 입력으로 사용한다.
• OpenFOAM을 사용해 정 steady 상태 바람 흐름 필드를 시뮬레이션하고, 진동수 벡터 필드(x, y, z 성분)를 정답 데이터로 생성한다.
• 8개의 인코더와 7개의 디코더 레이어를 가진 3차원 잔차 U-Net을 학습시키며, 각 필터는 4×4×4 및 3×3×3 크기로, 스트라이드는 각각 2와 1이다.
• ELU 활성화 함수를 사용한 게이트드 잔차 블록을 도입하여 특징 학습 능력과 새로운 기하학에 대한 일반화 능력을 향상시킨다.
• 전방(기하학 → 흐름) 및 역방향(흐름 → 기하학) 양방향 학습을 수행하며, 별도의 출력 헤드(3차원 및 1차원 채널)를 사용한다.

실험 결과

연구 질문

• RQ1 딥 3차원 CNN 모델이 건축 분야에서 정 steady 상태 난류 바람 흐름을 정확하고 거의 실시간으로 예측할 수 있는가?
• RQ2 학습 분포를 초월한 새로운 기하학적 형태와 입력 크기에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ3 동일한 학습된 모델을 얼마나 효과적으로 뒤집어 목표 바람 흐름 패턴에서 건물 볼륨을 생성할 수 있는가?
• RQ4 역방향 모델이 원하는 항공역학적 결과를 향해 형태를 생성하도록 이끌어 주어 상호작용적이고 지속 가능한 설계를 지원할 수 있는가?
• RQ5 건축 기하학의 다양성과 데이터 품질이 실제 설계 응용에서 모델의 성능 및 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 모델은 전통적인 CFD 솔버보다 약 1,000배 빠르게 바람 속도 필드를 예측하면서도 1,000 에포크 동안 낮은 테스트 손실을 유지한다.
• 전방 모델은 훈련 전반에 걸쳐 평균 제곱 오차 손실이 감소함에 따라 안정적이고 향상되는 성능을 보이며, 강한 수렴성과 일반화 능력을 나타낸다.
• 역방향 모델은 목표 바람 흐름 패턴에서 합리적인 건물 볼륨을 성공적으로 생성하였으며, 이는 인터랙티브한 Grasshopper 및 Flask 기반 시각화를 통해 입증되었다.
• 잔차 블록과 ELU 활성화 함수의 사용은 특징 표현 능력을 향상시키고, 훈련 샘플보다 큰 기하학에 대한 일반화를 가능하게 하였다.
• 모델은 새로운 도시 형태로도 잘 일반화되어 있어, 건축적 다양성에 대한 강건성과 설계 탐색에 대한 확장 가능성을 시사한다.
• 실시간 피드백과 역설계를 가능하게 하여 상호작용적 설계 워크플로우를 지원함으로써, 막대한 시뮬레이션 실행에 의존하는 것을 줄였다.