탐색적 다기준 설계 의사결정을 위한 심층강화학습 기반 BIM 공간계획 자동화 프레임워크 : 대규모언어모델 기반 설계기준 현지화를 통한 지하주차장 레이아웃 설계 사례 = Deep Reinforcement Learning-Based BIM Spatial-Planning Automation Framework for Exploratory Multi-Criteria Design Decision-Making : A Case Study of Underground Parking Garage Layout Design with Design-Criteria Localization Using Large Language Models

국문 초록 (Abstract)

최근 AEC 산업에서는 BIM을 중심으로 디지털 기반 설계 프로세스가 확대되고 있으며, AI 기술의 발전과 함께 BIM 기반 설계 자동화에 대한 관심도 증가하고 있다. 특히, 지하주차장 레이아웃 설계는 차량 동선, 구조 요소, 층간 연결성, 법규 및 설계 기준 등을 동시에 고려해야 하는 복합적인 공간 계획 문제로, 반복적인 설계 검토와 수정 과정에 많은 시간과 비용이 소요된다. 이에 따라 설계 효율 향상과 다양한 설계 대안 탐색을 위하여 AI 기반 지하주차장 레이아웃 자동화 연구와 상용 도구 개발이 활발히 이루어지고 있다. 하지만 기존 선행 연구 및 상용 도구들은 1） 설계 결과를 BIM 모델로 직접 연계하지 못하여 추가적인 수작업 모델링이 요구되며, 2） 경사로와 층간 연결 관계를 포함하는 다층 지하주차장 설계를 위한 순차적 학습 구조가 부족하다. 또한, 3） 설계 기준이 고정된 규칙 형태로 내장되어 있어, 국가·지역별 설계 기준 변화에 유연하게 대응하기 어렵다는 한계를 가지고 있다.
이러한 한계를 해결하기 위해, 본 연구는 심층 강화학습과 대규모 언어 모델을 활용한 BIM 기반 건축 설계 자동화 프레임워크를 제안하였다. 프레임워크는 BIM 정보 처리 모듈, 강화학습 기반 설계 자동화 모듈, LLM 기반 강화학습 환경 조정 모듈로 구성된다. 먼저 IFC 기반 BIM 모델로부터 구조 요소, 공간 정보, 비가용 영역 등을 자동 추출하여 강화학습 환경을 구성하고, 상태 공간·행동 공간·보상 함수를 정의하여 지하주차장 설계 문제를 마르코프 결정 과정 기반의 순차적 의사결정 문제로 모델링하였다. 또한 강화학습 결과를 IFC 기반 BIM 모델로 자동 생성할 수 있는 통합 파이프라인을 구축함으로써 BIM 환경과 강화학습 기반 설계 자동화를 직접 연계하였다. 마지막으로, LLM과 RAG를 활용하여 국가·지역별 설계 기준 문서로부터 설계 파라미터를 추출하고 이를 강화학습 환경에 동적으로 반영할 수 있는 localization 구조를 구현하였다.
본 연구에서는 실제 건물 사례를 대상으로 제안 프레임워크의 유효성을검증하였으며 그 결과는 다음과 같다. 첫째, BIM 정보 처리 모듈에서는 BIM 모델을 강화학습 환경으로 활용하고 설계 결과를 BIM 모델로 자동 생성할 수 있는 구조를 구현하였다. IFC 모델 입력부터 강화학습 수행 및 IFC 기반 설계 결과 생성까지의 전체 처리 시간을 측정한 결과, 연면적 약 69,606.07㎡ 규모 건물의 단일 층 기준 약 6.7초로 측정되어 초기 설계 대안 탐색 단계에서 실무 적용 가능한 수준의 처리 성능을 확인하였다.
둘째, 강화학습 기반 설계 자동화 모듈에서는 BIM 기반 강화학습 환경 내에서 층간 연결 관계와 수직·수평 동선을 고려할 수 있는 3차원 기반 학습 메커니즘을 설계하였다. 본 연구에서 개발한 BIM 기반 지하주차장 레이아웃 설계 환경의 적합성을 검증하기 위하여 PPO, A2C, DQN, MaskablePPO, RecurrentPPO 총 5개 강화학습 모델을 비교한 결과, MaskablePPO가 종합 레이아웃 설계점수 J = 1,744.7, 평균 주차면 수 172.7개, 평균 수렴 스텝 8,364로 가장 우수한 성능을 나타냈다. 이는 본 연구에서 개발한 지하주차장 설계 환경에서 MaskablePPO의 액션 마스킹을 통해 비합법적 행동을 사전에 제거함으로써 희소한 유효 행동 공간에서의 탐색 효율을 향상시킨 결과로 분석되었다. 또한 실제 준공 건물 2개 사례를 대상으로 검증한 결과, 생성된 설계안은 모든 사례에서 동선 일치율 1.0을 달성하였으며, 실제 설계안과 유사한 수준의 주차면 수를 생성하였다. 특히 다층 지하주차장의 경사로 설계에서는, 그리디 시뮬레이션 기반 경사로 후보 추출과 강화학습을 결합한 2단계 최적화 구조를 적용함으로써 실제 설계안과 동일한 위치의 경사로를 선정할 수 있었으며, 이를 통해 층간 연결 관계와 수직 동선을 고려한 다층 설계가 가능함을 확인하였다.
셋째, LLM 기반 강화학습 환경 조정 모듈에서는 설계 기준 문서로부터 강화학습 환경 초기화에 필요한 설계 기준 파라미터를 자동 추출하고 반영할 수 있는 파이프라인을 구현하였다. LLM 기반 환경 조정 모듈의 유효성을 검증하기 위하여 RAG 적용 전후의 설계 기준 파라미터 추출 성능을 비교한 결과, 전체 평균 정확도는 71.72%에서 99.70%로 향상되었으며, 평균 응답 시간 또한 10.74초에서 9.41초로 감소하여 정확도와 처리 효율 측면 모두에서 성능 개선 효과를 확인하였다. 또한, 한국과 일본의 설계 기준을 각각 적용하여 지하주차장 설계안을 생성한 결과, 한국 기준에서는 총 156면, 일본 기준에서는 총 169면의 주차면이 생성되었으며, 두 설계안 모두 각 국가의 주차면 구성 비율 및 EV 주차 구획 확보 기준을 만족하는 것으로 확인되었다. 특히 일본 기준에서는 소형 주차면 비율 증가에 따라 동일한 베이 내 최대 8개의 주차면이 배치되는 고밀도 레이아웃 패턴이 나타났으며, 이를 통해 국가별 설계 기준 차이가 실제 공간 배치 및 주차면 구성 패턴 변화로 이어짐을 확인하였다. 이를 통해 제안한 구조가 국가·지역별 설계 기준 변화를 강화학습 환경에 동적으로 반영할 수 있음을 검증하였다.
본 연구는 지하주차장 레이아웃 설계 문제를 강화학습 기반 순차적 의사결정 문제로 정의하고, BIM–강화학습–LLM을 통합한 설계 자동화 프레임워크를 제안하였다는 점에서 학술적 의의를 가진다. 또한 LLM과 RAG를 활용하여 국가·지역별 설계 기준을 강화학습 환경에 동적으로 반영할 수 있는 localization 구조를 구현함으로써, 설계 기준 변화에 적응 가능한 BIM 기반 설계 자동화 가능성을 제시하였다. 향후에는 공동주택 단지 배치, 실내 공간 재구성 등 다양한 공간 계획 문제로의 확장과 함께 구조·환경·에너지 성능을 통합적으로 고려하는 BIM 기반 다목적 설계 최적화 연구로 발전될 수 있을 것으로 기대된다.

목차 (Table of Contents)

• 제1장 서 론 20
• 1.1 연구의 배경 및 목적 22
• 1.2 연구의 범위 및 방법 26
• 제1장 참고문헌 29
• 제2장 AI 기반 건축 설계 자동화에 관한 고찰 31
• 2.1 BIM 기반 건축 자동 설계 최적화 33
• 2.1.1 건축 설계의 의사결정 구조 및 개념적 원리 33
• 2.1.2 BIM 기반 설계 자동화의 필요성 37
• 2.1.3 BIM 기반 설계 자동화 선행연구 분석 40
• 2.1.3.1 규칙 기반 설계 방법 40
• 2.1.3.2 진화 연산 기반 설계 방법 41
• 2.1.3.3 판별형 AI 기반 설계 방법 44
• 2.1.3.4 BIM 기반 설계 자동화 방법별 한계점 분석 46
• 2.2 심층 강화학습 개요 48
• 2.2.1 심층 강화학습의 개념 및 원리 48
• 2.2.2 심층 강화학습 기반 건축 설계 선행연구 분석 51
• 2.3 생성형 AI 개요 54
• 2.3.1 생성형 AI의 개념 및 원리 54
• 2.3.2 생성형 AI 기반 건축 설계 선행연구 분석 57
• 2.4 BIM 기반 건축 설계 자동화 프레임워크 제안 59
• 2.5 지하주차장 설계 개요 63
• 2.5.1 지하주차장 레이아웃 설계 63
• 2.5.2 지하주차장 설계 기술 현황 및 문제 정의 65
• 2.6 소결 68
• 제2장 참고문헌 72
• 제3장 심층 강화학습 및 LLM 기반 BIM 설계 자동화 78
• 3.1 지하주차장 설계 조건 80
• 3.2 IFC 기반 BIM 모델 정보 처리 85
• 3.2.1 IFC 모델 정보 추출 85
• 3.2.2 IFC 모델 정보 생성 93
• 3.2.3 실무 활용을 위한 IFC 모델 변환 95
• 3.3 심층 강화학습 기반 지하주차장 설계 자동화 98
• 3.3.1 지하주차장 설계에 대한 마코프 결정 과정 98
• 3.3.1.1 상태 공간 102
• 3.3.1.2 행동 공간 103
• 3.3.1.3 보상 함수 104
• 3.3.2 하이브리드 보상 구조 108
• 3.3.3 주차면 배치 모델 111
• 3.3.4 경사로 배치 모델 115
• 3.3.5 심층 강화학습 모델 119
• 3.4 LLM을 활용한 설계안 현지화 124
• 3.4.1 현지화 정의 124
• 3.4.2 LLM 역할 정의 128
• 3.4.3 LLM 기반 RAG를 활용한 강화학습 환경 자동 조정 130
• 3.5 소결 136
• 제3장 참고문헌 138
• 제4장 심층 강화학습 및 LLM 기반 BIM 설계 자동화 검증 143
• 4.1 검증 방법 및 평가 지표 145
• 4.1.1 검증 방법 구성 145
• 4.1.2 평가 지표 정의 146
• 4.2 심층 강화학습 기반 지하주차장 레이아웃 생성 결과 149
• 4.2.1 강화학습 모델별 설계안 생성 성능 비교 149
• 4.2.2 MaskablePPO 기반 설계안 생성 결과 분석 158
• 4.3 LLM 기반 설계안 현지화 결과 171
• 4.3.1 RAG를 활용한 설계 파라미터 추출 유효성 검증 171
• 4.3.2 국가별 지하주차장 설계안 생성 결과 175
• 4.4 소결 177
• 제4장 참고문헌 179
• 제5장 결 론 180