배경
도시 미기상 CFD는 결과는 신뢰할 수 있지만 한 시나리오당 수 시간–수일이 걸려, 수천 개의 그린인프라 설계 대안을 탐색하는 것은 사실상 불가능합니다.
기존 머신러닝 서로게이트는 도시 공간을 격자로 강제 변환 하거나 각 요소를 독립적으로 다룹니다. 그러나 도시 미기상은 협곡 효과·바람길·수목 그늘 같은 이웃 상호작용 에 의해 결정됩니다.
접근 방법
- 도시 블록을 그래프 로 표현 — 노드는 건물·도로·식생, 엣지는 공간 근접성
- GATv2 (Graph Attention Network v2): attention 가중치를 통해 이웃 간 메시지 전달
- 학습 데이터: 서초구 30개 블록 × 1,500개 OpenFOAM CFD 시나리오
- 전이학습 3단계 평가 (강남구 10개 블록)
- Optuna Bayesian 최적화 로 가로수 간격·LAI·옥상녹화 조합 탐색
- 예산 제약: 블록당 5,000만 원
핵심 결과
| 지표 | 값 | |---|---| | Zero-shot 전이 R² | 0.845 | | Few-shot (10 블록 fine-tune) R² | 0.887 | | Full retraining R² | 0.962 | | 최적 가로수 간격 | 5–8 m | | 최적 LAI | 4–5 | | 블록당 평균 냉각 | 0.23 °C | | 블록당 최대 냉각 | 1.98 °C |
시사점
- CFD 1회 실행 시간으로 GNN은 수천 개 시나리오 를 비교 가능합니다.
- 학습 데이터가 없는 인접 도시에도 별도 학습 없이 즉시 적용 (zero-shot R²=0.845)
- 정성적 권고("나무를 심자")가 아닌 정량 권고("5–8 m 간격, LAI 4–5") 가 가능합니다.
관련 솔루션
- 도시 열환경 진단 (CFD · GNN) — 본 프로젝트의 핵심 기술 스택
- 그린인프라 공간 배치 최적화 — Bayesian → NSGA-II 다목적 확장