논문 상세보기
pp.31-38
최근 고층 건축물의 설계 시 풍향 변화에 따른 내풍 안전성 평가는 필수적이나, 유한요소해석은 막대한 시간과 비용이 소요 된다. 본 연구에서는 풍공학 표준 모형인 CAARC 건축물을 대상으로 해석 속도를 혁신적으로 단축하면서 물리적 타당성을 확보한 물 리정보 신경망을 포함한 다양한 대체모델 체계를 제안한다. 이 연구에서는 해석 자동화 파이프라인을 구축하여 0°-360° 풍향별 구조 응답 데이터를 생성하였으며, 3차 스플라인 보간, 다항회귀, 가우시안 프로세스 회귀, 다층 퍼셉트론과 물리정보 신경망의 성능을 정량 적으로 비교하였다. 분석 결과, 물리정보 신경망 모델은 결정계수 0.9991, 평균 절대 오차 5.848×10-10으로 가장 우수한 성능을 기록하 였다. 특히 물리정보 신경망은 학습 데이터가 없는 외삽 구간에서도 물리적 제약 조건을 통해 실제 유한요소해석 결과와 일치하는 응 답을 성공적으로 재구성하였다. 또한 단일 케이스 유한요소해석 대비 약 31배 이상의 연산 속도 향상을 보여 실시간 구조 응답 평가의 가능성을 확인하였다. 본 연구의 결과는 정적 등가 풍하중에 대한 풍향별 최대 변위 예측에 한정되며, 가스트·와류 진동 등 동적 거동 의 직접 예측은 향후 연구 과제이다.
In the design of modern tall buildings, evaluating structural safety against varying wind directions is a critical requirement. However, conventional finite element analysis (FEA) is constrained by significant time and computational costs. This study proposes a comprehensive surrogate modeling framework for the CAARC standard tall building model to drastically reduce simulation time while ensuring physical consistency. An automated process was developed to generate structural response data for wind angles ranging from 0° to 360°. For comparative validation, the performance of cubic spline interpolation (CSI), polynomial regression (PR), Gaussian process regression (GPR), multi-layer perceptron (MLP), and physics-informed neural network (PINN) models were quantitatively analyzed. The results indicate that the PINN model achieved superior performance, with a coefficient of determination of 0.9991 and a mean absolute error of 5.848×10-10. Notably, the PINN successfully reconstructed responses consistent with FEA results even in extrapolation zones where training data were absent, leveraging its inherent physical constraints. In terms of computational efficiency, the PINN achieved a speedup of more than 31 times compared to a single-case FEA, confirming its potential for real-time structural response evaluation. The proposed PINN-based surrogate model is expected to overcome the limitations of high-cost numerical analysis and serve as a core technology for implementing digital twins in smart architectural design and wind engineering. The results of this study are limited to the prediction of maximum displacement under static-equivalent wind loads. Direct prediction of dynamic responses such as gust- or vortex-induced vibrations remains as future work.
요 약
I. 서 론
II. 대상 구조물 및 데이터 생성 메커니즘
2.1 대상 모델 및 형상 정의
2.2 자동화된 유한요소해석 데이터 구축 전략
III. 근사 목적함수를 활용한 대체모델
3.1 3차 스플라인 보간
3.2 다항회귀
3.3 가우시안 프로세스 회귀
3.4 다층 퍼셉트론
3.5 물리정보 신경망
IV. 모델 예측 성능 및 검증 결과
4.1 예측 정확도 분석
4.2 연산 비용 및 효율성
V. 결 론
참고문헌
기호
