Agentic AI-Enabled Framework for Thermal Comfort and Building Energy Assessment in Tropical Urban Neighborhoods

싱가포르의 도시 열섬 현상과 건물 에너지 수요에 대응하기 위해, 대규모 언어 모델 (LLM) 과 경량 물리 기반 모델을 통합하여 도시 설계 작업을 해석하고 열적 쾌적성 및 에너지 소비를 실시간으로 평가하는 자율 에이전트 AI 프레임워크를 제안합니다.

핵심

🏙️ 1. 문제 상황: "왜 이렇게 더울까?"

싱가포르 같은 도시는 건물이 빽빽해서 바람도 잘 통하지 않고, 햇빛이 건물에 반사되어 더위를 더 가중시킵니다. 도시 계획가들은 "어떤 건물이 가장 더울까?", "어떤 재료를 바르면 시원해질까?"를 알고 싶어 하지만, 기존에는 이걸 계산하려면 엄청난 시간과 전문가의 손이 필요했습니다. 마치 복잡한 레시피를 일일이 손으로 재고 섞어야 하는 것과 비슷하죠.

🤖 2. 해결책: "AI 컨설턴트 + 로봇 팀"

이 연구팀은 두 가지 역할을 가진 AI 팀을 만들었습니다.

• 🧠 AI 컨설턴트 (LLM, 대형 언어 모델):
  • 역할: 사람의 말을 알아듣고 계획을 세우는 '두뇌'입니다.
  • 비유: 마치 유능한 건축 설계사처럼, "이 동네가 너무 더우니 그늘을 만들고 벽을 시원하게 해줘"라고 말만 하면, 어떤 계산이 필요한지, 어떤 자료가 필요한지 스스로 판단합니다.
• ⚡ 시뮬레이션 로봇 (물리 기반 모델):
  • 역할: 실제 물리 법칙 (바람, 햇빛, 열기) 을 빠르게 계산하는 '손과 발'입니다.
  • 비유: 신속한 요리사처럼, 설계사가 지시한 대로 재료를 섞어 '시원한 도시'를 가상으로 만들어보고 결과를 보여줍니다. 기존에 10 시간 걸리던 계산을 몇 분 만에 해냅니다.

🔄 3. 어떻게 작동할까요? (3 단계 프로세스)

이 팀은 다음과 같은 순서로 일합니다.

1. 의도 파악 (질문):
   • 사용자가 "3 월 하순의 날씨에 이 동네를 분석해 줘"라고 말하면, AI 컨설턴트는 "아, 3 월 하순이니까 비가 오기 전인 '계절 전환기' 날씨 데이터를 가져와야겠구나"라고 스스로 판단합니다.
2. 자동 실행 (계산):
   • 로봇이 건물의 3D 모양 (STL 파일) 을 보고, 바람이 어떻게 불고 햇빛이 어디에 닿는지, 그 결과로 땅과 건물이 얼마나 뜨거워지는지 계산합니다.
   • 이때 중요한 규칙이 있습니다. AI 컨설턴트는 "추측"만 할 뿐, 실제 날씨 데이터는 신뢰할 수 있는 기상청 자료로만 채워 넣습니다. (그래서 결과가 틀리지 않아요!)
3. 결과 보고 (해결책 제시):
   • 계산이 끝나면 AI 는 "A 구역은 바람이 안 통해서 더워요. B 건물은 햇빛을 너무 많이 받아서 에어컨이 많이 필요해요"라고 알려주고, "지붕을 흰색으로 칠하면 에너지가 10% 줄고, 하지만 바닥을 너무 밝게 하면 사람이 더 더워질 수 있으니 조심하세요" 같은 구체적인 조언을 줍니다.

💡 4. 놀라운 발견: "흰색이 항상 좋은 건 아니다?"

이 시스템이 가장 빛을 발한 부분은 예상치 못한 사실을 찾아낸 것입니다.

• 시나리오: "건물을 시원하게 하려면 흰색 페인트 (반사율이 높은 재질) 를 바르면 되겠지?"라고 AI 가 제안했습니다.
• 결과: 건물 자체의 냉방 에너지는 확실히 줄었습니다. 하지만 사람이 걷는 길 (보도) 에는 오히려 더 더워졌습니다.
• 이유: 흰색 바닥이 햇빛을 반사해서, 사람 몸에 직접 닿는 복사열이 늘어났기 때문입니다. 이를 논문에서는 **'반사율 페널티 (Albedo Penalty)'**라고 부릅니다.
• 해결: AI 는 이 사실을 스스로 발견하고, **"지붕은 흰색으로 하되, 사람이 걷는 길은 반사율이 낮은 재료를 쓰라"**는 더 정교한 조언을 내놓았습니다.

🌟 5. 결론: 왜 이 기술이 중요할까요?

이 연구는 **"인공지능이 물리 법칙을 무시하지 않고, 그 위에 올라타서 더 똑똑하게 일하는 방법"**을 보여줍니다.

• 전문가만 할 수 있던 일을 누구나 쉽게 할 수 있게 됩니다.
• 시간과 비용을 획기적으로 줄여줍니다.
• 실수할 확률을 줄여줍니다. (AI 가 잘못된 상상을 하지 못하게, 신뢰할 수 있는 데이터로만 계산하게 만들었기 때문입니다.)

마치 스마트폰의 내비게이션이 과거에 지도를 보고 직접 길을 찾던 것을, 실시간으로 교통 상황을 분석해 최적의 길을 안내하듯, 이 시스템은 도시의 더위와 에너지를 실시간으로 분석해 더 살기 좋은 도시를 만들어가는 나침반이 될 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 싱가포르는 고온 다습한 기후와 고밀도 도시 구조로 인해 도시 열섬 현상 (UHI) 이 심화되고 있으며, 이로 인해 실외 열 스트레스와 실내 냉방 수요가 급증하고 있습니다.
• 문제점:
  • 기존 도시 계획 및 설계 과정에서 열적 쾌적성 (실외) 과 건물 에너지 수요 (실내) 를 동시에 평가하는 것은 매우 복잡하고 노동 집약적입니다.
  • 여러 도구 (CFD, 에너지 시뮬레이션 등) 와 방대한 매개변수를 수동으로 연결해야 하며, 모델 준비 및 실행에 시간이 많이 소요됩니다.
  • 기존 LLM(대형 언어 모델) 기반 연구들은 주로 모델 입력 생성에 집중했으나, 물리 법칙에 기반한 정량적 평가와 통합된 워크플로우를 제공하는 데는 한계가 있었습니다.

2. 제안된 방법론 (Methodology)

이 연구는 LLM 의 자율적 추론 능력과 **가벼운 물리 기반 모델 (Lightweight Physics-based Models)**을 결합한 에이전트 기반 AI 프레임워크를 제안합니다.

2.1 핵심 아키텍처: 에이전트 기반 오케스트레이션

• LangGraph 기반 상태 머신: 전체 워크플로우는 5 단계로 구성되며, 하나의 상태 객체 (State Object) 를 통해 모든 단계가 연결되고 추적됩니다.
  1. 의도 분석 (Intent Analysis): 사용자가 자연어로 입력한 설계 과제를 LLM 이 해석하고 필요한 도구 (기하학, CFD, 태양광 등) 및 초기 매개변수를 제안합니다.
  2. 기하학 분석 (Geometry Analysis): STL 파일 로딩, 정제, 통합 및 건물 ID 부여. 핫스팟을 특정 건물과 매핑할 수 있도록 인덱스 지도를 생성합니다.
  3. 솔버 오케스트레이션 (Solver Orchestration): 다양한 소스 (기본 설정, 기후 데이터베이스, 실시간 기상, LLM 제안, 사용자 재정의) 에서 매개변수를 우선순위 체계에 따라 병합하여 솔버에 전달합니다.
  4. 재료 전략 추천 (Material Strategy Recommendation): 기준 시뮬레이션 후, 표면 특성 (알베도, 방사율 등) 을 조정하여 개선안을 제안하고 비교 분석합니다.
  5. 결과 통합 및 보고 (Integration & Reporting): 시뮬레이션 결과를 종합하여 인간이 읽을 수 있는 분석 리포트와 실행 가능한 설계 권장사항을 생성합니다.

2.2 데이터 거버넌스 및 추적 가능성

• 매개변수 우선순위 체인: LLM 은 조언자 역할을 하며, 물리적 경계 조건은 엄격한 우선순위로 제어됩니다.
  1. 사용자 재정의 (최우선)
  2. LLM 제안
  3. 실시간 기상 서비스
  4. 기후 데이터베이스 (IWEC 등)
  5. 기본 설정 (JSON)
• 완전한 감사 가능성 (Auditability): 모든 프롬프트, 응답, 매개변수 출처 (Provenance) 가 로깅되어 결과의 신뢰성을 보장합니다.

2.3 가벼운 물리 기반 모델

계산 효율성을 높이기 위해 복잡한 솔버 대신 경량화된 모델을 사용합니다.

• CFD (유체 역학): 2 차원 잠재 유동 (Potential Flow) 모델을 여러 고도에서 실행하여 3 차원 풍속 분포를 선형 보간으로 추정합니다.
• 복사 열전달 모델: 표면 에너지 균형 방정식을 사용하여 표면 온도와 평균 복사 온도 (MRT) 를 계산합니다.
• 열적 쾌적성 및 에너지 평가:
  • PET (생리적 등가 온도): Munich 에너지 균형 모델을 기반으로 열적 쾌적성을 평가합니다.
  • 건물 냉방 부하: 1 차원 전도 전달 함수 (CTF) 모델을 사용하여 외피의 열전달을 계산하고 냉방 에너지 사용 강도 (EUI) 를 산출합니다.

3. 주요 기여 (Key Contributions)

1. 종단 간 자동화 워크플로우: 자연어 입력 (Intent) 에서부터 기하학 처리, 물리 시뮬레이션, 결과 분석, 설계 제안까지 전 과정을 에이전트가 자율적으로 수행합니다.
2. 열대 기후 특화 경량 모델: 전통적인 CFD 및 에너지 모델의 계산 비용을 줄이면서도 열대 도시의 국소 기후 (Microclimate) 변수 (풍속, 표면 온도, PET 등) 를 신속하게 예측합니다.
3. 투명한 의사결정 구조: LLM 이 물리 엔진을 대체하는 것이 아니라, 물리 엔진을 조율하고 결과를 해석하는 역할을 수행하여 과학적 엄격성과 대화형 접근성을 동시에 확보했습니다.
4. 재료 전략의 자동 검증: 냉각 페인트, 녹색 외벽 등 다양한 표면 전략을 시뮬레이션하고 그 효과를 정량적으로 비교하는 폐루프 (Closed-loop) 시스템을 구축했습니다.

4. 실험 결과 및 분석 (Results)

싱가포르의 고밀도 지역을 대상으로 두 가지 시나리오를 검증했습니다.

• 시나리오 1: 자율적 기준선 감사 (Baseline Audit)

  • 사용자의 자연어 지시 ("3 월~5 월 간절기, 열적 쾌적성과 에너지 수요 평가") 를 바탕으로 에이전트가 자동으로 시뮬레이션 일정을 설정하고 실행했습니다.
  • 결과: 특정 광장 (b025, b057 인근) 에서 PET 가 52°C 이상으로 치솟는 '열 스트레스 핫스팟'을 정확히 식별했고, 고층 건물의 냉방 부하가 비효율적임을 규명했습니다.
  • 의의: 복잡한 물리적 인과관계 (일사량, 풍속, 건물 배치) 를 분석하여 구체적인 설계 개선안 (차양 설치, 외피 최적화 등) 을 제시했습니다.

• 시나리오 2: 폐루프 재료 개입 및 '알베도 페널티' 발견

  • 냉방 부하 감소를 위해 고반사율 (High-albedo) 재료를 적용하는 시나리오를 검증했습니다.
  • 결과:
    • 건물 에너지: 외피 열획득이 감소하여 냉방 부하가 약 8~11% 감소했습니다.
    • 열적 쾌적성 (알베도 페널티): 오히려 보행자의 PET 가 약 1°C 상승했습니다. 밝은 지표면에서 반사된 단파 복사 (Shortwave radiation) 가 보행자의 평균 복사 부하를 증가시켰기 때문입니다.
  • 의의: 에이전트가 단순한 "냉각" 전략이 아닌, 에너지 효율과 쾌적성 간의 트레이드오프를 스스로 식별하고, 지붕에는 고반사율을 적용하되 보행자 공간에는 적용하지 않는 등 **분리된 전략 (Decoupled Strategy)**을 제안하여 물리적 복잡성을 성공적으로 탐색했습니다.

5. 연구의 의의 및 결론 (Significance)

• 학제간 협력 촉진: 도시 계획가, 건축가, 환경 엔지니어가 복잡한 시뮬레이션 도구를 직접 다룰 필요 없이 자연어로 상호작용하며 데이터 기반 의사결정을 할 수 있게 합니다.
• 신속한 기후 적응 계획: 기존에 수주 걸리던 분석을 단시간에 수행하여, 기후 회복력 있는 도시 설계 (Green façade, Cool paint 등) 를 빠르게 비교·검증할 수 있습니다.
• 확장성: 이 프레임워크는 백엔드 솔버에 구애받지 않으며, 향후 고해상도 솔버나 AI 대리 모델 (Surrogate Models) 로 확장 가능합니다.
• 신뢰성: 모든 추론 과정과 매개변수 출처가 로깅되어 있어, 전문가의 검토와 설득력 있는 설계를 지원합니다.

이 연구는 생성형 AI 가 단순한 텍스트 생성을 넘어, 물리 법칙에 기반한 정량적 분석을 조율하는 **'지능형 오케스트레이터'**로서 도시 환경 설계 분야에서 혁신적인 가능성을 입증했습니다.