최소 냉난방 부하량 도출을 위한 오피스 빌딩 배치 및 폭-깊이 설계 자동화

1.1. 연구의 배경 및 목적

서울시의 에너지 배출 중 건물의 에너지 사용은 68.8%로 가장 높은 비중을 차지하고 있다[1]. 현재 우리나라는 건축설계와 환경설계의 영역 분리로 기본설계가 마무리 된 후 환경에 대한 고려가 이루어지는 것이 일반적이다. 이로 인해 초기의 변수가 수정되면 이어지는 과정을 다시 반복해야 하므로 효율성이 떨어진다. 따라서 건축 설계의 초기 단계에서부터 에너지 성능을 고려하는 것이 필요하다.

파라메트릭 모델링은 알고리즘 에디터를 통해 변수 조정 시 변수 수정에 따른 결과를 즉시 확인할 수 있어, 기존 설계 방식에서 반복적으로 소모되는 시간을 줄이고 초기 단계부터 환경 성능을 개선을 가능하게 한다. 건축설계에서 환경성능에 영향을 주는 디자인요소 중 초기단계에 결정되는 요소는 건물 배치, 향, 장단변비 등이 있다[2]. 이에 본 연구의 목적은 최소의 냉난방 부하량을 도출하는 오피스 빌딩의 배치 및 폭-깊이를 도출하는 설계 자동화 알고리즘을 제안하여 설계자의 반복 작업을 줄이고 시간과 노력을 줄이는 것에 있다.

1.2. 연구의 방법 및 범위

본 연구의 방법은 Fig. 1.의 연구흐름도 순서로 진행된다. 첫째, 연구를 위한 모델을 설정한다. 서울특별시의 대표적인 업무 지구 중 하나인 강남구 테헤란로의 오피스 빌딩의 필지 형태를 분류하고, 이중 대표적인 필지 유형 3가지를 선정하여 모델을 설정한다. 둘째, 건물의 필지 위의 배치, 폭과 깊이 대안 도출을 위한 알고리즘을 구성한다. Rhinoceros7 (2021)과 내장된 Grasshopper을 사용하여 필지 및 주변 건물, 모델의 기본정보 값을 입력한다. Grasshopper의 환경 분석 Adds-on 프로그램인 Ladybug 1.8.0 (2024)과 Honeybee 1.8.0 (2024)를 사용하여 환경 분석 알고리즘을 구성한다. 이때 사용자는 창면적비, 층고, 층수, 코어 비율, 재료의 열관류율, 프로그램 등의 주요 설계 변수의 조절이 가능하다. 다음으로 Grasshopper 내장 최적화 알고리즘인 Galapagos를 사용하여 건물의 배치와 폭-깊이 최적안을 도출하되, 이때 도출 기준은 건물의 총 부하량이다. Galapagos는 필지 위 건물의 배치와 건물의 폭을 변수로 하여 최소의 총부하량이 되는 건물의 배치 및 형태를 도출한다. 셋째, 최적화 알고리즘에 의해 도출된 모델 별 대안과 현재 지어져 있는 빌딩의 부하량 비교를 통해 알고리즘의 활용성 및 유효성을 검증한다.

Fig. 1.

Flow chart of research

2.1. 패시브 설계 전략 및 선행연구 분석

패시브 설계 전략으로는 건물의 방향 및 형태, 차양 형태, 인접 건물과의 거리 등이 있으며 이러한 전략은 햇빛, 그늘, 기류와 같은 자연적인 요소를 사용하여 냉방, 난방, 조명 등의 필요성을 줄이는 데 중점을 둔다[3]. 액티브 설계 전략은 효율 또는 제어가 가능한 설비 시스템을 적용하여 에너지 사용을 최소화하는 데 중점을 둔다[4]. 초기의 건축 계획 단계에서부터 해당 필지의 상황과 주변 환경 조건을 고려한 두 설계 전략이 융합적으로 적용되어야 한다.

Table 1.은 환경 분석을 위한 패시브 설계 요소의 조절을 파라메트릭 디자인을 사용해 수행한 기존 연구들을 변수 기준으로 정리한 표이다. Youxiang Huan (2025)은 다목적 최적화 방법을 사용하여 건물 높이, 장단변비, 향, 창면적비 등을 변수로 두고 에너지 효율성을 평가하였다. 연구를 통해 도출된 최적의 설계 구성으로 에너지 소요를 30%, 수명주기비용을 20% 줄일 수 있음을 확인하였다[5]. Aviruch Bhati et al. (2024)은 건물 높이, 장단변비, 향, 창면적비, 차양 등의 변수를 조정하여 에너지 효율적인 설계 전략을 제공하는 도구를 개발하였다. 이 도구를 사용하였을 때 각 사례별 15%, 30%까지의 에너지 절감을 확인할 수 있었다[6]. Yijun Zhou et al. (2023)은 건물의 창면적비, 단열 조건, 건물 형태 등의 변수를 조정할 수 있는 다목적 최적화 모델을 개발하였다. 이 도구를 사용하였을 때 최대 47%까지 환경 성능 향상 및 에너지 절감이 가능함을 주장하였다[7]. Saffer Abbas et al.(2022)은 환경 시뮬레이션을 사용하여 건물의 방향, 형태, 창면적비 등을 조정하여 에너지 성능을 분석하였고 그 결과 평균 15~30% 정도의 에너지 절감이 가능함을 확인하였다[8]. Atsushi Takano(2016)은 MOBO (Multi-Objective Building Optimization)를 사용하여 층고, 장단변비, 향, 창면적비 등의 변수를 조정한 단독주택의 최적의 에너지 및 생애주기비용 대안을 도출하는 시뮬레이션을 진행하였다[9].

Table 1.

Analysis of previous studies about passive design

국외의 경우 설계 변수의 조합을 통하여 건물의 초기 설계 단계에서 에너지 효율을 향상시키기 위한 접근을 하는 다양한 연구가 진행되고 있다. 선행연구 분석을 종합해보면, 건축설계의 초기 단계에서의 결정이 에너지 효율에 큰 영향을 주며 다목적 최적화를 통해 여러 변수들이 동시에 고려되어야 함을 알 수 있다. 건축설계에서 에너지 성능에 영향을 주는 요소 중 건물의 배치, 장단변비는 초기 디자인 단계에서 결정되는 요소이다. 이에 본 연구에서는 이러한 요소 중 건물의 배치와 폭- 깊이를 변수로 설정하여 최적화 알고리즘 연구를 진행하였다.

Table 2.는 국내에서 에너지 절약을 위한 건물 장단변비를 분석한 기존 연구를 정리한 표이다. 김원석 외 1인(2010)은 Ecotect 프로그램을 사용하여 바닥면적 1600m², 층수 15층의 오픈 플랜 오피스의 냉난방부하 분석 및 에너지소비량을 분석하였다. 건물의 장변이 남향일 때 ‘1:1.2 → 1:2 → 1:1.4’ 순으로 냉난방에너지 소비율 증가함을 도출하였다[10]. 남주희 외 1인(2023)은 OpenStudio와 Energyplus을 사용하여 연면적 10,000m², 5층의 오피스 빌딩의 장단변비에 따른 냉난방부하를 검토하였다. 시뮬레이션 결과 ‘2:1→1:1→4:1→1:2→1:4’ 순으로 냉난방부하가 증가함을 도출하였다[11]. 정선철 외 1인(2025)은 ECO2 시뮬레이션을 통해 업무시설의 요소별 에너지 요구량을 분석하였다. 그 결과 에너지 요구량이 장단변비 1:1.5에서 최솟값, 2.5:1에서 최댓값임을 도출하였다[12]. ‘제로에너지건축물 인증 기술요소 참고서’의 에너지 절약형 배치 계획의 가이드라인에 따르면 ‘1.5:1→1:1→2:1→2.5:1→1:1.5→1:2→1:2.5’ 순의 장단변비가 에너지 절약에 유리하다고 제시한다[13]. 에너지 절약을 위한 오피스 건물의 장단변비 가이드라인을 제시하는 국내 연구를 종합해보면, 필지의 조건이나 건물의 규모 등에 따라 에너지 절약에 유리한 건물의 장단변비가 다르게 나타남을 알 수 있다. 이를 통해 건축계획에서 건물 형태를 결정할 때 기존의 가이드라인만을 고려하는 것은 한계가 있음을 알 수 있다. 이는 건물에서 패시브 전략을 사용할 때는 건물이 위치하는 대상지 및 주변 환경을 고려하는 것이 필요함을 보여준다.

Table 2.

Analysis of previous studies about building aspect ratio

2.2. 환경 시뮬레이션 프로그램

디지털 기술의 발달로 초기 설계 단계에서부터 환경 분석이 가능한 다양한 프로그램이 등장하였다. Table 3.은 본 연구에서 사용된 프로그램을 정리한 표이다.

Table 3.

Program used in research

Rhinoceros (이하 Rhino)는 NURBS 기반의 3D 모델링 프로그램이다. Grasshopper는 Rhino에 내장된 비주얼 프로그래밍 도구로 즉각적인 피드백이 가능하고, 다양한 설계 변수를 직관적으로 조정하고 반복할 수 있어 설계 탐색과 최적화 과정에 적합하다. 또한 목적에 맞게 다양한 Add-on 프로그램을 설치하여 활용할 수 있는 장점이 있다. 그중 대표적인 환경 분석 도구인 Honeybee와 Ladybug는 Energyplus와 Radiance를 기반으로 건물 혹은 도시의 일조, 음영, 에너지 등의 환경 성능 평가를 수행한다. 초기안 변경에 따른 실시간 분석이 가능하여 빠르게 에너지 효율을 검토하고 최적안을 도출할 수 있다는 장점이 있다. Galapagos는 유전 알고리즘 기반 최적화 문제 해결 Add-on 프로그램이다. 유전 알고리즘은 진화의 핵심 원리인 유전자의 개념을 이용하는 최적화 알고리즘이다. 조정할 값(Genome)과 목표값(Fitness) 주어지면 무작위 변수들을 추출하고 결합하여 목적함수의 목표값에 수렴하는 최종적인 대안을 도출해 낸다. Grasshopper 환경 내에서 매개변수 조정, 시뮬레이션, 최적화를 연계할 수 있어 효율적이며, 여러 대안을 함께 사용자가 비교 선택할 수 있다[14].

3.1. 건물 배치 및 폭-깊이 설계 알고리즘 구조

알고리즘의 전체적인 구조는 Fig. 2.와 같다. 알고리즘은 크게 3단계로 구성되며, Table 4.는 각 단계별 변수값을 정리한 표이다. 첫 번째 단계에서는 Rhino와 Grasshopper을 사용하여 필지 및 건물 정보를 입력하여 건물의 형태를 구성한다. 알고리즘의 확장성을 위해 Rhino에 그려진 필지경계선을 Grasshopper의 ‘crv’ 입력 컴포넌트를 이용하여 인식시키는 것을 제외하고는, 설계 변수의 숫자를 입력하는 것만으로 건물 형태가 생성될 수 있게 하였다. 이때 건물 정보는 건페율, 용적률, 층고, 층수, 창면적비, 코어 비율을 입력한다. 두 번째 단계에서는 Honeybee와 Ladybug를 사용하여 부하량 분석을 위한 기본값을 설정한다. 건물의 프로그램, 재료 및 설비, 기상데이터, 주변 건물 등 시뮬레이션을 위한 분석 조건을 설정한다. 세 번째 단계에서는 Galapagos를 이용하여 총 부하량 측면에서 건물의 최적안을 도출한다. 이때 본 연구에서의 변수는 ① 건물의 폭과 ② 필지 위의 그리드 상 건물의 위치이다. 이때 건물의 폭(Width)는 도로를 기준으로 건물이 마주보는 정면 파사드의 길이를 말하며, 깊이(Depth)는 건물의 깊이, 즉 정면에서 건물 안쪽으로 들어가는 방향의 길이를 말한다. Galapagos는 결과값이 최소의 부하량에 수렴할 때까지 건물의 그리드 위 위치와 폭을 조절하여 조합들을 도출하고 이에 따른 대안을 도출한다.

Fig. 2.

Overall grasshopper implementation

Table 4.

Algorithm input value

3.2. 대상지 분석 및 필지 유형 분류

서울시 테헤란로는 역삼동 강남역사거리부터 삼성동 삼성교까지 사이를 잇는 50m의 왕복 10차로 도로이다. 테헤란로에 면한 전체 157개의 오피스 빌딩이 위치한 필지 형태를 분류하고, 가장 빈번하게 나타나는 필지형태 3개를 선정하여 시뮬레이션을 진행한다.

Table 5.는 테헤란로에 면한 필지 형태를 분류하여 정리한 표이다. 1차적으로 사각형, 사다리꼴, 오각형, 이형으로 분류한다. 사각형, 사다리꼴, 오각형의 경우에는 세부 분류를 정방형, 세로형, 가로형로 분류한다. 정방형인 경우는 양변의 길이 비율이 1:1.1, 1.1:1 이내인 필지를 말하며[15], 세부 분류가 가로인 경우는 가로:세로의 비율이 1.1:1 이상인 경우, 세부 분류가 세로인 경우는 가로:세로의 비율이 1:1.1 이상인 경우를 말한다. 이형의 경우는 ㄱ, ㄴ 등의 꺾인 형태를 띄는 ‘T’ 형태와 정의가 어려운 이형의 형태로 세부 분류 한다. 필지 분류 결과 유형 ‘B’가 57개로 가장 많이 나타났으며, 다음으로 유형 ‘F’ 27개, 유형 ‘C’ 25개 순으로 많이 나타났다. 따라서 테헤란로에서 다수를 차지하는 필지 유형인 유형 ‘B’, ‘F’, ‘C’를 선정하여 모델을 설정하였다.

Table 5.

Classification of Teheran-ro landform

3.3. 모델 조건 설정

시뮬레이션을 위한 모델은 테헤란로에 위치한 오피스 빌딩 157개 중 건축물 대장이 없는 6개의 건물을 제외한 151개의 건물을 분석하였다. 이중 유형 ‘b’, ‘f’, ‘c’ 필지의 건물 중 테헤란로 전체 건물의 평균 연면적인 19,414.78m²에 가까운 건물을 선정하였다. Table 6.은 모델 3개의 필지 현황 및 모델의 기본값을 정리한 표이다. Site A는 역삼역과 선릉역 사이 남쪽 블럭에 위치한 W타워이다. 필지 형태는 유형 ‘f’이며 면적은 1586.60m²이다. 해당 블록은 동쪽 14m, 서쪽 40m, 남쪽 3m 도로에 인접해 있으며, 건축물대장에 의하면 건물의 연면적은 19,645.98m²이다. Site B는 역삼역과 선릉역 사이 남쪽 블록에 위치한 H빌딩이다. 필지 형태는 유형 ‘c’이며 면적은 1,415.50m²이다. 해당 블록은 동쪽 8m, 서쪽 8m, 남쪽 4m 도로에 인접해 있으며, 건축물대장에 의하면 건물의 연면적은 19,160.83m²이다. Site C는 삼성역과 선릉역 사이의 북쪽 블록에 위치한 W빌딩이다. 필지 형태는 유형 ‘b’이며 면적은 1369.90m²이다. 해당 블록은 동쪽 8m, 서쪽 6m, 북쪽 6m 도로에 인접해 있으며, 건축물대장에 의하면 W빌딩의 연면적은 20,126.44m²이다. 시뮬레이션을 위한 건물정보는 법적 범위에서 기존건물과 최대한 유사하게 작성하였다.

Table 6.

Building information input

필지의 경계는 필지경계선이 그려진 캐드 파일을 Rhino에 불러오고, Rhino 상에 그려진 커브를 Grasshopper의 ‘crv’ 입력 컴포넌트를 이용하여 인식시킨다. 필지 내 건물이 위치할 수 있는 영역인 건축한계선은 테헤란로 지구단위계획에 따라 0.5m를 이격한다.

다음은 건물 형태를 구성하기 위한 정보를 입력한다. 각 모델이 기존 건물과 최대한 유사하게 작성되나, 시뮬레이션을 위해 일부 값을 변경하여 작성하였다. 모델의 조건은 Table 6.과 같다. 모델 모두 건폐율은 기존 건물과 동일하게 작성하였으며, 건축면적은 대지면적과 건폐율을 곱한 값으로 설정된다. 모델의 층고는 일반적인 업무용 건물의 기준층 층고 중 4.0m로 설정하여 작성하였으며[16], 층수는 기존 건물과 동일한 22층, 20층, 19층이다. 각 층 바닥면적을 동일하게 작성하였으며, 따라서 용적률은 건축면적×층수로 결정된다. 건물의 높이는 층고×층수이며, 이에 따라 각 모델의 용적률과 높이는 ‘A’ 792.00%, 88m, ‘B’ 947.56%, 80m, ‘C’ 979.12%, 76m이다. ‘2023 서울시 유리커튼월 가이드라인’의 에너지 부문 가이드라인에서 커튼월 건물의 입면적에 대한 벽면율은 40% 이상을 권장하고 있다[15]. 따라서 모델의 창면적비는 60%로 통일하여 설정하였다. 건축면적에 대한 코어비는 25%이며, 코어 평면의 장단변비는 1:1이다. 코어는 건물의 변수 변화에 따라 평면 형태가 변하여도 오피스 평면의 중앙에 위치하게 하였다.

3.4. 환경 시뮬레이션 조건 설정

환경 분석 시뮬레이션을 위한 설정값은 Table 7.과 같다. Climate Zone은 ANSI/ASHRAE Standard 169-2022에서 구분한 기후지역 중 대한민국 서울이 포함된 4A를 적용하였으며, Construction Type은 철골조이다. 재실인원, 조명, 기기 발열, 침기, 환기, 냉난방 기준온도는 기본 제공하는 ASHRAE 90.1 2019-Large Office–Open Office 세팅 값을 적용하였다. 건물의 운영 시간은 공휴일을 제외하고 7:00부터 19:00까지이다. 건물의 벽, 지붕, 바닥, 유리의 열관류율은 국토교통부 고시 ｢건축물 에너지 절약 설계 기준｣ [별표 1]의 중부 2지역(서울) 단열 기준에 적합하게 반영하였다[17]. 기후 데이터는 1950년부터 2023년까지의 기록을 기반으로 구성된 서울 지역의 EPW¹⁾ 파일을 사용하였다. 주변 건물은 GIS와 .shp 파일을 사용하여 대상지 중심으로부터 반경 150m 이내를 실제건물과 동일한 규모로 모델링하였다. 주변건물은 모델의 정확한 부하량 측정을 위하여 음영으로 인식되게 하였으며, 반사율은 20%이다.

Table 7.

Simulation setting condition input

3.5. 배치 및 폭-깊이 최적안 도출 설정값

본 연구에서 갈라파고스의 결과값은 건물의 총부하량이며, 조정값은 건물의 폭과 필지 위 건물의 위치이다. 건물의 폭은 알고리즘의 가동 시간을 고려하여 1m 단위로 조정하여 형태가 변하도록 하였다. 폭이 조정됨에 따라 깊이가 결정되도록 하였으며, 건물 폭의 최댓값은 필지의 폭과 동일하다. 필지 상에서 건물이 이동하는 기준 그리드 간격은 알고리즘의 가동 시간을 고려하여 5m로 설정하였다.

기준 그리드는 필지의 동북 방향을 기준으로 필지의 폭, 깊이와 최대로 이동할 수 있는 거리를 고려하여 임의로 작성하였다. 건물은 평면 상에서 동북 방향의 모서리 점을 기준으로 그리드 위를 이동하며, 이는 Table 8.과 같다. 건물의 필지 위 위치를 시각화하기 위하여 가장 동북쪽에 위치한 점을 ‘1’으로 하여 번호를 부여하였다.

Table 8.

Location movement processing

4.1. 각 모델별 대안의 결과 분석

Table 9.는 각 모델 별로 최종 생성되는 50개의 대안 중 필지경계선을 벗어난 것을 제외하여 정리한 표이며, 시뮬레이션 효과 검증을 위해 필지에 현재 지어져 있는 빌딩을 단순화하여 모델링한 ‘기존안’과 결과를 비교하였다. 기존안은 Table 5.에 작성된 모델 별 기본 정보와 동일한 값으로 작성되었다. 건물의 폭-깊이는 현재 지어져 있는 건물의 폭-깊이의 소수점 둘째 자리에서 반올림하여 작성하였으며, 필지 위의 위치는 5m 간격의 그리드 위에서 최대한 동일한 지점에 배치시켰다. 결과로 도출되는 총 부하량[kwh/m²]은 난방, 냉방, 실내, 전기 부하량을 더한 값이다. 생성된 대안에서 실내, 전기 부하량은 동일하게 산출되어 Table 9.에는 총, 난방, 냉방 부하만 작성하여 대안을 비교하였다.

Table 9.

Base model ‘A’, ‘B’, ‘C’ simulation result image

모델 A는 10개 대안이 생성되었다. 건물형태는 장단변비가 1.17:1에서 2.70:1까지 생성되었으며, 배치는 대부분 동북쪽에 붙어 있는 대안이 도출되었다. 모델 A의 기존안은 폭이 37.60m이고 깊이가 21.12m로 장단변비가 1.78:1이며, 동북쪽에 붙어 있는 1번에 위치한다. 이때 총부하량은 126.62kwh/m²이다. 대안 중 기존안보다 총부하량이 낮은 경우는 6개, 높은 경우는 4개이다. 총부하량이 가장 낮은 경우는 건물의 폭이 46.00m이고 깊이가 17.26m로 장단변비가 2.70:1이며, 동북쪽 중앙인 2번에 위치할 때이다.

모델 B는 9개 대안이 생성되었다. 건물 형태는 장단변비가 1:1.22에서 1:1.95까지 생성되었다. 모델 B의 기존안은 폭이 22.90m이고 깊이가 30.77m로 장단변비가 1:1.34이며, 필지의 중앙인 2번에 위치한다. 이때 총부하량은 125.77kwh/m²이다. 대안 중 기존안보다 총부하량이 낮은 경우는 4개, 높은 경우는 5개이다. 총부하량이 가장 낮은 경우는 건물의 폭이 24.00m이고 깊이가 29.36m인 장단변비가 1:1.22일 때이며, 동쪽 중앙인 3번에 위치할 때이다.

모델 C는 10개 대안이 생성되었다. 건물 형태는 장단변비는 1:1.00에서 1:1.99까지 생성되었다. 모델 C의 기존안은 폭이 38.40m이고 깊이가 12.55m로 장단변비가 3.06:1이며, 필지의 북쪽인 2번에 위치한다. 이때 총부하량은 135.80kwh/m²이다. 대안 중 기존안보다 총부하량이 낮은 경우는 7개, 높은 경우는 3개이다. 총부하량이 가장 낮은 경우는 건물의 폭이 30.00m이고 깊이가 16.07m인 장단변비가 1.87:1이며, 북쪽인 2번에 위치할 때이다.

4.2. 시뮬레이션에 의한 모델별 부하량 분석

모델 A, B, C의 기존안과 도출된 대안의 총 부하, 냉방부하, 난방부하를 순서대로 그래프로 표기하였다. 그래프의 상단에는 총부하량이 가장 낮은 경우 대비 기존안과 총부하량이 가장 높은 경우의 총부하량 차이를 백분율로 표현하여 그래프 상단에 작성하였다.

Fig. 3.은 모델 A의 결과이다. 모델 A에서 총부하량이 가장 낮은 경우는 118.67kwh/m²으로 기존안의 126.62kwh/m² 대비 6.70% 적게 발생하며, 총부하량이 가장 높은 경우인 130.76kwh/m² 대비 10.19% 적게 발생한다. 상위 4개의 대안에서 건물의 배치는 북쪽 테헤란로의 도로로부터 그리드 한 칸이 떨어져 있다. 따라서, 모델 A에서는 도로면으로부터 이격된 건물의 배치가 에너지 측면에서 더 유리한 것으로 판단된다. Fig. 4.는 모델 B의 결과이다. 모델 ‘B’에서 총부하량이 가장 낮은 경우는 124.73kwh/m²으로 기존안의 125.77kwh/m² 대비 0.80% 적게 발생하며, 총부하량이 가장 높은 경우인 130.30kwh/m² 대비 4.46% 적게 발생한다. 상위 3개의 대안은 장단변비가 1.75:1에서 2.0:1 사이에 분포하며, 이 경우 배치는 북쪽 테헤란로에서 그리드 한 칸이 이격되어 있다. 따라서 모델 B의 경우에는 장변과 단변의 차이가 크고 테헤란로에서 이격된 건물 배치가 에너지 측면에서 더 유리한 것으로 판단된다. 모델 C에서 총부하량이 가장 낮은 경우는 128.29kwh/m²으로 기존안 135.80kwh/m² 대비 5.85% 적게 발생하며, 총부하량이 가장 높은 경우인 139.92kwh/m² 대비 9.07% 적게 발생한다. 상위 5개의 대안 중 C-2를 제외한 대안의 장단변비가 1:1.0에서 1:1.5 범위에 속한다. 따라서 Site ‘C’의 경우 정방형에 가까운 건물의 형태가 에너지 측면에서 더 유리한 것으로 판단된다.

Fig. 3.

Model ‘A’ energy load result

Fig. 4.

Model ‘B’ energy load result

Fig. 5.

Model ‘C’ energy load result

4.3. 소결

대지 내 외부 공간은 시민의 쾌적한 보행. 휴식, 녹지를 제공하며, 필지의 상황에 따른 출입구, 교통, 안전성 등 복합적인 요소를 고려한 적절한 외부 공간 계획이 필요하다. 건물의 장단변비는 건물 형태를 결정하는 주요소로 공간 활용 효율성과 내부 동선 계획 등에 영향을 미친다.

본 논문에서는 시뮬레이션을 통해 최소의 총부하량이 도출된 대안을 에너지 관점에서 건축계획 최적안으로 정의하였으며, Table 10.은 각 모델별 최적안인 ‘A-1’, ‘B-1’, ‘C-1’의 3D 및 배치를 정리한 표이다. 모델 ‘A-1’은 장단변비가 2.70:1으로 가로로 긴 형태를 띄며 필지 동북쪽에 위치하고 있다. 유동인구가 높은 테헤란로 방향으로 가로형태의 녹지를 계획하여 보다 넓은 보행 및 휴게공간을 제공할 수 있다. 모델 ‘B-1’의 장단변비는 1:1.22로, 필지 동북쪽에 위치하며 필지의 전면과 후면에 쌈지형 공원 조성이 가능하다. 필지 후면은 보행자가 비교적 적어 쉼터 위주의 공간 구성으로 쾌적한 휴게공간을 제공할 수 있다. 모델 ‘C-1’은 장단변비가 1.87:1이고 건물이 필지 남쪽에 위치한다. 테헤란로와 서쪽 8m 도로 방향으로 공지가 형성되어 접근성이 높은 코너 부분에 휴게공간을 계획하여 적극적으로 외부공간을 이용하게 할 수 있다.

Table 10.

Simulation result of rhino viewport