배경
도시 그린인프라(UGI)는 폭염·UHI 완화의 핵심 전략이지만, 블록 스케일 열적 효과 평가는 수 시간–수일이 걸리는 CFD를 요구합니다. 기존 ML 서로게이트(XGBoost, CNN)는 도시 공간 요소를 독립적으로 다루어 도시 미기상의 핵심인 이웃 상호작용 을 표현하지 못합니다.
방법
- GATv2 (Graph Attention Network v2) — attention 가중 메시지 전달로 이웃 정보 종합
- 도시 블록을 그래프로 표현: 노드 = 건물·도로·식생·오픈스페이스 / 엣지 = 공간 근접·인접·바람길 정합
- 학습 데이터: 서초구 30개 블록 × 1,500개 OpenFOAM CFD 시나리오 (Boussinesq)
- 전이학습 평가: 강남구 10개 블록 (zero-shot, few-shot, full retrain)
- Optuna Bayesian 최적화 로 UGI 구성(가로수 간격·LAI·옥상녹화) 탐색, 예산 5,000만 원/블록
주요 결과
| 지표 | 값 | |---|---| | Zero-shot R² | 0.845 | | Few-shot (10 블록 fine-tune) R² | 0.887 | | Full retraining R² | 0.962 | | 최적 가로수 간격 / LAI | 5–8 m / 4–5 | | 블록당 평균 냉각 | 0.23 °C | | 블록당 최대 냉각 | 1.98 °C |
의의
물리 기반 GNN이 확장 가능·전이 가능한 도시 열환경 계획 도구가 될 수 있음을 입증합니다. CFD 1회 실행 시간으로 수천 시나리오를 비교할 수 있으며, 학습 데이터가 없는 인접 도시에도 즉시 적용 가능합니다.