기계 학습을 이용한 연결 초고층 구조물의 풍압장 고충실도 재구성

연결 초고층 구조물(CSHS)의 설계는 복잡한 공기역학적 간섭으로 인해 어려움을 겪으며, 이는 전통적인 풍동 실험(WTT)의 희박하고 이산적인 데이터로 인해 더욱 심화되어 중요 압력 피크를 포착하지 못하는 경우가 많습니다. 이러한 제한을 극복하기 위해 고충실도 전장 풍압 재구성을 위한 기계 학습(ML) 프레임워크가 구축되었습니다. 쌍둥이 및 삼중 타워 CSHS의 포괄적인 WTT 데이터를 활용하여 XGBoost, KNN, RF 알고리즘의 평균 압력, 변동 압력, 그리고 과도 압력에 대한 예측 성능을 체계적으로 평가하였습니다. XGBoost는 뛰어난 견고성과 일반화 능력을 보였습니다. 결정적으로, 모델의 예측 정확도는 국부 공기역학적 환경과 본질적으로 연결되어 있음을 확인하였습니다. KNN은 핵심 공간 인접성 가정이 위배되는 고난류 후류 영역에서 성능이 저하된 반면, XGBoost는 와류 박리의 비선형 역학을 성공적으로 포착하였습니다. 따라서 본 연구는 신뢰할 수 있는 XGBoost 기반 재구성 방법론을 확립하고 풍동 공학에서 다양한 ML 알고리즘의 적용 가능성과 한계에 대한 중요한 물리적 통찰을 제공합니다.