딥-제너레이티브 디자인을 활용한 건축외피 설계 방법론 연구
A Study on Building Façade Design Methodology Using Deep-Generative Design
- 주제(키워드) 딥러닝 , 제너레이티브 디자인 , 인공지능 기반 설계 , 건축외피 설계 방법론 , 유전 알고리즘
- 주제(DDC) 720
- 발행기관 아주대학교
- 지도교수 김성욱, 전유창
- 발행년도 2022
- 학위수여년월 2022. 8
- 학위명 석사
- 학과 및 전공 일반대학원 스마트융합건축학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032050
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구는 딥-제너레이티브 디자인(Deep-Generative Design)을 활용하여 설계과정 전반에 걸쳐 설계자의 의사 결정을 지원하는 새로운 건축외피 설계 프로세스의 제안을 목표로 한다. 제너레이티브 모델(Gernerative Design Model)또는 제너레이티브 디자인(Generative Design)을 활용한 기존의 건축 설계 프로세스는 고도화된 컴퓨팅 파워(Computing Power)를 바탕으로 매개변수 기반의 파라메트릭 디자인(Parametric Design)으로서 특성, 그리고 위상 최적화된 설계안들을 병렬적으로 생성할 수 있다는 장점 때문에 건축에서도 다양한 방식으로 활용되고 있다. 그러나 건축외피 설계의 경우, 최적화와 대안생성의 전제가 되는 초기 디자인 레퍼런스(Design Reference)를 수립하기 위해 수치화와 정량화가 힘든, 그러면서도 디지털 논리적인(Digitally Logical) 규칙 및 구속조건 설정이 요구되어 설계과정에서 그 활용도가 떨어진다. 또한, 제너레이티브 디자인을 통해 도출된 대안들은 설계자가 만족할만한 수준의 심미성을 보장하지 못하기 때문에 건축 외피 설계 분야에서 제너레이티브 디자인의 활용은 크게 주목받지 못하고 있다. 이에 본 연구는 제너레이티브 디자인 설계 프로세스에 기계 학습(Machine Learning)의 일종인 심층학습(Deep Learning) 기술을 접목하여 기존의 제너레이티브 디자인 기반 건축외피 설계 프로세스의 단점을 해결하고자 하였다. 본 연구에서 제안하는 건축외피 설계를 위한 딥-제너레이티브 디자인 프로세스는 다음의 세 단계로 구성된다. (1) 초기 디자인 레퍼런스 도출 제안된 설계 프로세스에서 설계자는 먼저, 심층학습 모형을 통해 디자인 레퍼런스 도출 과정에서 요구되는 다양한 기하학적 규칙을 직접 수립하지 않고 간단한 데이터의 형식으로 전달한다. 이를 바탕으로 심층학습 모형은 수집된 데이터 사이의 관계성을 학습하고 이를 분석하며, 그 분석의 결과로 디자인 레퍼런스 구축에 필요한 조건과 규칙을 수립한다. 이후 설계자는 수립된 규칙을 활용해 제너레이티브 디자인을 위한 초기 디자인 레퍼런스를 도출한다. (2) 설계 탐색 다음으로, 도출된 레퍼런스를 통해 제너레이티브 디자인 기반의 설계 탐색을 진행한다. 설계자는 목표하는 최적화 조건을 설정하고 매개변수 조절을 통해 위상 최적화 대안을 생성한다. 이후, 생성된 대안 중 설계자의 심미적 기준에 가장 적합하다고 판단되는 대안 혹은 복수의 대안들을 선택하여 다음 단계의 설계 탐색을 위한 디자인 레퍼런스로 활용한다. 이와 같은 대안생성-선택 과정에서 심층학습 모형은 설계자의 정성적 선호도를 학습하여 다음 탐색과정에 설계자의 심미적 선호가 반영된 대안들을 생성한다. (3) 설계안 선정 설계 탐색과정에서 선별된 복수의 설계안들은 설계자의 심미적 기준과 위상 최적화 조건을 모두 만족하는 결과물로, 이러한 대안생성 및 선택 과정은 설계자가 만족스러운 결과를 얻을 때까지 반복되며 설계자의 최종 선택으로 디자인 프로세스를 마무리한다. 본 연구에서 제안하는 디자인 프로세스는 건축외피 설계에서 심미성을 보장하는 위상 최적화 설계 탐색의 도구로 인공지능의 활용 가능성을 보여준다. 제안된 프로세스에서 인공지능은 제너레이티브 디자인 기반의 대안생성 및 평가에 효율성을 높임과 동시에, 설계자의 심미적 선호도를 정량화하여 생성되는 설계안에 심미성을 확보하는 수단으로 활용된다. 이는 인공지능의 적절한 활용을 통해 건축외피 설계에서 주로 설계안의 대량생산 수단으로만 사용됐던 제너레이티브 디자인의 단점을 보완함으로써, 인공지능 기반의 설계가 기존의 관습적 인식에서 벗어난 창의성 구현의 새로운 방법이 될 수 있음을 보이고, 이를 통해 건축외피 설계 프로세스에서 인공지능 및 컴퓨테이셔널 디자인의 활용에 대한 인식의 폭을 넓히는 데 의의가 있다.
more초록/요약
This study aims to propose a new building façade design process that leverages deep-generative design to support designer's decision making throughout the design process. Traditional architectural design processes using Generative Design are applied in many ways in the field of architecture because of its generation-based characteristics and Topology Optimization as a parametric design method utilizing advanced computing power. However, in the case of building façade design, due to the difficulty of digitization and quantification for establishing the Initial Design Reference which is the premise of optimization and generating design options. Initial Design Reference for Generative Design also requires digitally logical rules and various constraints, making it less useful in the design process. In addition, the use of Generative Design in building façade design is not attracting much attention from architects because the alternatives derived through Generative Design do not guarantee a satisfactory level of aesthetics for designers. Therefore, this study attempted to solve the shortcomings of the traditional Generative Design-based building façade design process by applying Deep Learning technology, a type of Machine Learning, to the Generative Design process. The Deep-Generative Design process for building façade design proposed in this study consists of the following three steps. (1) Derive Initial Design Reference In the proposed design process, designers first pass through Deep Learning Models in the form of simple data without directly establishing the various geometric rules required in the Initial Design Reference derivation process. Based on this, the Deep Learning Models learns and analyzes the relationship between the collected data, and establishes the conditions and rules necessary for Initial Design Reference as a result of the analysis. Afterwards, designers derive Initial Design Reference for Generative Design using established rules. (2) Design Exploration Next, a design search based on a Generative Design is conducted through the derived reference. Designers set target optimization conditions and generate Topology Optimized alternatives through parameter adjustment. Then, among the generated alternatives, an alternative or multiple alternatives that are considered to best meet the aesthetic criteria of the designer are selected and used as design references for the next step of design exploration. In this alternative generation-selection process, the Deep Learning Models learns the designer's qualitative preference and generates alternatives that reflect the designer's preference in the next exploration process. (3) Design Selection Design alternatives selected in the design exploration process are results that meet both the aesthetic and phase optimization conditions of the designer, and this alternative generation and selection process is repeated until the designer achieves satisfactory results and concluded with the designer's final choice. The design process proposed in this study shows the possibility of using Artificial Intelligence as a tool for Topology Optimization design exploration that guarantees aesthetics in building façade design. In the proposed process, Artificial Intelligence is utilized as a means of securing aesthetics by quantifying qualitative data delivered by designers while increasing efficiency in Generative Design-based alternative generation and evaluation. This shows that generative design, which was mainly used as a means of mass production of optimization designs through the proper use of Artificial Intelligence, can be a new way to realize creativity by providing a new approach beyond the conventional perception of designers.
more목차
1. 서론 1
1.1. 연구의 배경 및 목적 1
1.2. 연구의 방법 및 절차 3
2. 제너레이티브 디자인 및 딥러닝의 이해 5
2.1. 제너레이티브 디자인 5
2.1.1. 제너레이티브 디자인 프로세스 5
2.1.2. 유전적 알고리즘 9
2.1.3. 기존 제너레이티브 디자인의 한계 13
2.2. 딥러닝 15
2.2.1. 딥러닝의 정의 15
2.2.2. 딥러닝 심층 신경망의 이해 17
2.2.3. 딥러닝 심층 신경망 분석 20
2.2.4. 평가 29
2.3. 소결 34
3. 딥-제너레이티브 디자인 기반 건축외피 설계 프로세스 36
3.1. 딥-제너레이티브 디자인 기반 건축외피 설계 프로세스 도출 36
3.2. 딥러닝 기반 초기 디자인 레퍼런스 구축(Deep Learning Process) 38
3.3. 설계 탐색 프로세스(Design Exploration) 42
4. 딥-제너레이티브 디자인 건축외피 설계 실험 46
4.1. 실험 시나리오 46
4.1.1. 실험의 배경 및 범위 설정 46
4.1.2. 활용 소프트웨어 소개 47
4.2. 디자인 실험 48
5. 결론 63
5.1. 실험결과 분석 및 토의 63
5.2. 결론 66
6. 참고문헌 68
