arXiv:2610.15885v1 cs.AI

다양한 실내 공간 치수에서의 실시간 예측을 위한 캔버스 기반 및 좌표 기반 기하학적 조건부 신경망 비교 연구

Comparative Study of Canvas- and Coordinate-Based Geometry-Conditioned Neural Networks for Real-Time Prediction of Indoor Environments with Varying Room Dimensions

Shaofan Wang, Philipp Geyer

제출 2026-10-11

한국어 초록

전산유체역학(CFD, computational fluid dynamics)은 반복적인 건물 설계에 있어 계산 비용이 많이 든다. 심층 학습(deep learning) 서로게이트 모델은 더 빠른 예측을 제공하지만, 다양한 방 치수에 걸친 일반화는 여전히 어려운 과제로 남아 있다. 본 연구는 다양한 방 크기에서 실내 공기 흐름 및 온도장을 신속하게 예측하기 위한 두 가지 기하학적 조건부 신경망(neural network) 서로게이트 모델을 비교한다. 건축 설계 단계에서 이 방법은 공급되는 조화된 공기가 높이와 길이가 다른 방 전체에 신선하고 시원한 공기를 효과적으로 제공할지를 실시간으로 평가하는 데 유용하다. 캔버스 기반 신경망(CaNN, canvas-based neural network)은 고정된 캔버스 내에서 서로 다른 점유 영역을 보존함으로써 방 크기를 명시적으로 인코딩하는 반면, 좌표 기반 신경망(CoNN, coordinate-based neural network)은 정규화된 좌표 채널을 사용한다. 두 모델 모두 U-Net 오토인코더를 사용하여 공기 흐름장과 온도장을 개별적으로 예측한다. 평가는 높이와 길이가 다양한 단순화된 방을 통제된 벤치마크(benchmark)로 사용하여 수행된다. 결과는 CaNN이 CoNN보다 CFD 결과와 더 높은 일치도를 달성함을 보여주며, 이는 성능 중심 건물 설계를 지원할 잠재력을 입증한다.

원문 초록

Computational fluid dynamics (CFD) is computationally expensive for iterative building design. Deep learning surrogates offer faster predictions, but generalization across varying room dimensions remains challenging. This study compares two geometry-conditioned neural network surrogate models for rapid indoor airflow and temperature field prediction under varying room sizes. During the architectural design stage, this method is relevant for real-time assessment of whether conditioned supply air will effectively provide fresh and cool air throughout rooms with varying heights and lengths. The canvas-based neural network (CaNN) explicitly encodes room size by preserving different occupied regions within a fixed canvas, whereas the coordinate-based neural network (CoNN) uses normalized coordinate channels. Both employ U-Net autoencoders to separately predict airflow and temperature fields. Evaluation uses simplified rooms with varying heights and lengths as a controlled benchmark. The results show that CaNN achieves higher agreement with CFD results than CoNN, demonstrating its potential to support performance-driven building design.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.15885v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.31765v2cs.CV공통 태그 surrogate modeling, computational fluid dynamics

HGPTrans: 차량 공기역학적 항력 계수 예측을 위한 계층적 그래프 풀링 Transolver

HGPTrans: Hierarchical Graph-Pooling Transolver for Automotive Aerodynamic Drag Coefficient Prediction

공기역학적 항력 계수($C_D$)를 정확하고 신속하게 예측하는 것은 특히 수많은 후보 형상을 평가해야 하는 초기 설계 단계의 차량 설계에 필수적입니다. 전산유체역학(CFD)은 신뢰할 수 있는 공기역학적 추정치를 제공하지만, 높은 계산 비용으로 인해 대규모 설계 탐험(exploration)이 제한됩니다. 본 논문에서는 차량 표면 메시로부터 직접 $C_D$를 예측하기 위해 계층적 그래프 풀링(hierarchical graph pooling)과 Transolver 기반 어텐션을 결합한 계층적 그래프 풀링 Transolver(HGPTrans)를 제안합니다. 차량의 공기역학이 국소적 기하학적 특징과 공간적으로 떨어진 표면 영역 간의 장거리 상호작용 모두에 의존한다는 점에 착안하여, HGPTrans는 세 가지 상호보완적인 구성 요소를 통합합니다. 그래프 동형성 합성곱(Graph isomorphism convolution)은 변별력 있는 국소 기하학 정보를 인코딩하고, Transolver 방식의 슬라이스 어텐션은 선형 계산 복잡도로 전역적 상호작용을 포착하며, 정보 중복성을 고려한 계층적 풀링은 유익한 기하학적 구조를 보존하면서 중복 노드를 점진적으로 제거합니다. 이 모델은 대규모 DrivAerNet 및 DrivAerNet++ 데이터셋에서 학습(training) 및 평가(evaluation)되었으며, 평가된 베이스라인 중 가장 낮은 평균 절대 오차와 평균 제곱 오차를 달성했습니다. 또한 세단과 스포츠 유틸리티 차량(SUV)을 모두 포함하는 실제 차량 데이터셋에서의 전이학습(transfer learning)을 통해 일반화 성능을 추가로 검증하였으며, 차량당 약 $0.293$초의 추론(inference) 시간으로 1.56\%(세단) 및 2.12\%(SUV)의 상대 $L_1$ 오차를 기록했습니다. 이는 예측된 항력 계수를 CFD 기준치 대비 수 퍼센트 이내로 유지하면서 고정밀 CFD에 비해 몇 자릿수(orders of magnitude)에 달하는 속도 향상을 이루어낸 것에 해당합니다. 소제 연구(ablation study)를 통해 각 구성 요소의 기여도를 확인하고 네트워크 깊이 및 풀링 비율의 영향을 규명했습니다.

arXiv:2606.07481v1cs.LG공통 태그 surrogate modeling, computational fluid dynamics

대리 유동 모델링을 위한 드리프팅 모델

Drifting Models for Surrogate Flow Modeling

전산유체역학(CFD)은 실내 환경 최적화를 위해 고충실도 유동장을 제공하지만, 계산 비용으로 인해 빠른 탐험을 제한합니다. 이 문제를 해결하기 위해 생성형 대리 모델은 결정론적 네트워크보다 우수한 분포 모델링을 제공하지만, 반복적 샘플링이 느린 단점이 있습니다. 고품질의 단일 패스 생성을 가능하게 하기 위해, 우리는 새로운 생성형 드리프팅 프레임워크를 유체역학에 적용했습니다. 우리는 학습된 VAE 잠재 공간에서 드리프팅을 수행하고, 생성된 샘플을 경계 조건과 정렬하기 위해 라벨 인식 마스킹을 사용하는 조건부 아키텍처를 소개합니다. 우리의 라벨 조건부 모델은 정확도와 유동 일관성 측면에서 반복적 디퓨전과 대등하면서도 100배 더 빠른 속도로 실행됩니다. 또한, 미지의 형상으로의 일반화를 위한 유망한 경로를 확립하는 공간 조건부 변형을 제안합니다. 결론적으로, 조건부 드리프팅은 디퓨전 기반 접근법에 대한 고도로 효율적인 대안으로서, 추론 속도가 중요한 상황에서 실시간 CFD 대리 모델을 실현합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.