(Grasshopper 작업 과정, 결과물 업로드)

예상 문제점

1. SubD 형태 기반의 multi objective optimization

2. Pachyderm와 Wallacei과의 연동 가능성

3. Acoustic optimization 할때 기하급수로 늘어나는 시뮬레이션 시간

Research on algorithm-based performance hall acoustic design and multi-objective optimization methodology using Pachyderm and Wallacei.

Pachyderm, Wallacei를 활용한 알고리즘 기반 공연장 음향 설계 및 다목적 최적화 방법론 연구

Yeo Sanggu

First author, Department of Architectural Engineering, Kunsan National University

Keyword

Algorithm design, Performance hall, Acoustic design, Multi-objective optimization, Pachyderm, Wallacei, Grasshopper

1. 서론: 공연장 설계 패러다임의 전환

1.1 건축 음향 설계의 현대적 과제

공연장 건축은 예술적 감수성과 공학적 정밀함이 교차하는 지점에서 탄생한다. 과거의 공연장 설계는 건축가의 경험적 직관이나 선례(Precedent)에 의존하는 경향이 강했다. 비엔나 무지크페라인(Musikverein)이나 보스턴 심포니 홀(Boston Symphony Hall)과 같은 전설적인 슈박스(Shoebox) 형태의 홀들은 수많은 시행착오 끝에 완성된 음향학적 걸작이지만, 이러한 성공 사례를 현대의 복잡한 대지 조건과 다목적 요구사항을 가진 프로젝트에 그대로 복제하는 것은 불가능하다.1 현대 공연장은 클래식 음악뿐만 아니라 강연, 대중음악, 연극 등 다양한 프로그램을 수용해야 하며, 이는 잔향시간(RT60), 명료도(C80), 음의 강도(G) 등 서로 상충하는 음향 지표들을 동시에 만족시켜야 함을 의미한다.3

더욱이 현대 건축 디자인은 비정형 곡면과 복잡한 기하학적 패턴을 적극적으로 수용하고 있다. 자하 하디드 아키텍츠(Zaha Hadid Architects)의 광저우 오페라 하우스나 프랭크 게리(Frank Gehry)의 월트 디즈니 콘서트 홀과 같은 사례는 기하학적 복잡성이 음향 성능에 미치는 영향을 예측하는 것이 얼마나 어려운지를 보여준다. 이러한 비정형 형태는 전통적인 경험식(Sabine 공식 등)으로는 해석이 불가능하며, 정밀한 기하 음향 시뮬레이션(Geometrical Acoustics Simulation)을 요구한다.4

1.2 연산 설계(Computational Design)와 다목적 최적화의 필요성

이러한 배경 속에서 파라메트릭 디자인(Parametric Design)과 연산 최적화(Computational Optimization)는 선택이 아닌 필수가 되었다. Rhino 3D와 Grasshopper는 단순한 모델링 도구를 넘어, 건축물의 형태를 수치적 변수(Genome)로 제어하고 성능을 평가하는 플랫폼으로 자리 잡았다. 그러나 많은 설계 과정에서 형태 생성과 성능 평가는 여전히 분리되어 있다. 건축가가 형태를 만들면 음향 컨설턴트가 이를 별도의 소프트웨어(Odeon, CATT-Acoustic)로 해석하고 피드백을 주는 순차적 방식은 반복적인 수정(Iteration)에 막대한 시간과 비용을 소모하게 한다.5

본 연구 보고서는 이러한 단절을 극복하기 위해 Grasshopper(형태 생성), Pachyderm(음향 시뮬레이션), **Wallacei(다목적 유전 알고리즘 최적화)**를 하나의 워크플로우로 통합하는 방법론을 제시한다. 특히 공연장의 핵심 요소인 **객석 배치(Sightlines/C-Value)**와 **실내 음향(Acoustics)**을 동시에 최적화하는 구체적인 알고리즘 구현 전략을 심층적으로 다룬다.

1.3 연구의 범위 및 구성

본 보고서는 총 7개의 장으로 구성되며, 각 장은 이론적 배경과 함께 실제 Grasshopper 환경에서의 구현 기술을 상세히 기술한다.

• 2장: 공연장 유형학(Typology)과 음향 이론을 고찰하고, 파라메트릭 변수 선정의 기준을 마련한다.

• 3장: C-Value 알고리즘을 통한 가시선 최적화 및 객석 배치 자동화 로직을 분석한다.

• 4장: Pachyderm Acoustic Simulation을 활용한 Grasshopper 내 음향 해석 설정 및 데이터 추출 방법을 다룬다.

• 5장: Wallacei를 이용한 다목적 진화 연산(MOEA)의 설정, 실행, 분석 프로세스를 설명한다.

• 6장: 최적화 결과의 데이터 시각화(Visualization) 및 표현형(Phenotype) 분석 기법을 제시한다.

2. 공연장 유형학과 음향 파라미터의 상관관계 분석

최적화 알고리즘을 구축하기 위해서는 먼저 '무엇을 최적화할 것인가'에 대한 명확한 정의가 필요하다. 이는 공연장의 형태적 유형(Typology)과 목표 음향 지표(Metrics)에 대한 깊은 이해를 바탕으로 한다.

2.1 공연장 형태 유형에 따른 파라메트릭 전략

2.1.1 슈박스(Shoebox) 타입: 직사각형의 미학

슈박스 타입은 긴 직사각형 평면과 높은 천장고를 특징으로 하며, 풍부한 측면 반사음(Lateral Reflections)을 제공하여 공간감(Spatial Impression)이 우수하다.1

• 음향적 특징: 평행한 측벽은 음원과 수음자 사이의 다중 반사를 유도하여 소리를 풍성하게 만든다. 그러나 과도한 폭은 측면 반사음의 도달 시간을 지연시켜 명료도를 저하시킬 수 있다.

• 파라메트릭 변수(Variables):

  • Length/Width Ratio: 1.8:1 ~ 2.2:1 비율이 이상적이다. Grasshopper에서는 이 비율을 Gene Pool로 설정하여 탐색한다.

  • Ceiling Height: 용적(Volume) 확보를 위한 핵심 변수이다. 잔향시간은 용적에 비례하므로($RT \propto V$), 천장 높이는 잔향시간 제어의 가장 직접적인 수단이 된다.6

  • Balcony Overhang: 발코니 깊이와 높이의 비율은 발코니 하부 객석의 음향 음영(Acoustic Shadow)을 방지하기 위해 중요하게 다뤄져야 한다.

2.1.2 빈야드(Vineyard / Terraced) 타입: 시각적 친밀감과 음향의 조화

베를린 필하모니(Berlin Philharmonie)로 대표되는 빈야드 타입은 무대를 중심으로 객석이 테라스 형태로 둘러싸는 구조이다. 시각적 거리가 짧아 친밀감이 높지만, 초기 반사음을 제공할 벽면이 부족하다는 단점이 있다.1

• 음향적 특징: 측벽이 없기 때문에 테라스의 난간 벽(Riser Walls)이나 천장에 매달린 반사판(Canopy)을 통해 초기 반사음을 확보해야 한다.

• 파라메트릭 변수:

  • Terrace Rotation: 무대를 중심으로 각 테라스 블록의 회전각.

  • Riser Wall Inclination: 테라스 벽면의 기울기를 조절하여 소리를 객석으로 반사시키거나 확산시킨다.

  • Bowl Slope: 객석 전체의 경사도는 가시선(Sightline)뿐만 아니라 직접음(Direct Sound)의 감쇠에도 영향을 미친다.

2.2 핵심 음향 평가지표 (Acoustic Metrics)

Pachyderm 시뮬레이션을 통해 도출해야 할 핵심 지표는 다음과 같다. Wallacei의 목적함수(Objective Function)는 이 지표들을 기반으로 설정된다.

이 지표들은 서로 상충관계(Trade-off)에 있다. 예를 들어, 용적을 키워 RT60을 늘리면, 소리 에너지가 분산되어 G값과 C80이 떨어질 수 있다.8 이러한 상충관계를 해결하는 것이 Wallacei를 이용한 다목적 최적화의 핵심 목표이다.

3. Grasshopper 기반 파라메트릭 모델링 및 가시선(C-Value) 최적화

공연장 모델링의 첫 단계는 관객이 무대를 완벽하게 볼 수 있도록 보장하는 것이다. 이는 단순한 기하학적 배치가 아닌, 수학적 알고리즘에 기반한 '가시선 최적화' 과정을 통해 달성된다.

3.1 C-Value 알고리즘의 수학적 모델링

C-Value는 앞사람의 머리 위로 확보되는 시야의 수직 높이(Clearance)를 의미한다. 모든 좌석에서 균일하고 충분한 C-Value(보통 60mm~120mm)를 확보하기 위해서는 객석 바닥의 단면 곡선이 포물선(Parabolic) 형태를 띠어야 한다.10

3.1.1 재귀적 연산(Recursive Calculation)의 필요성

$n$번째 열의 눈 높이($H_n$)는 $n-1$번째 열의 눈 높이($H_{n-1}$)에 종속된다. 따라서 이는 일반적인 Grasshopper의 데이터 흐름(DAG)으로는 해결하기 어려우며, Python Script나 Anemone와 같은 루프(Loop) 플러그인을 사용해야 한다.12

기본 수식은 다음과 같다:

3.1.2 Python Script를 이용한 단면 생성 로직

Grasshopper의 GhPython 컴포넌트를 사용하여 다음과 같은 로직을 구현한다.

Python

import rhinoscriptsyntax as rs

import math

# 입력 변수

# FocusPoint: 무대 초점 (Point3d)

# StartDistance: 첫 번째 열까지의 거리 (float)

# RowDepth: 열 간격 (float)

# RowCount: 열의 개수 (int)

# TargetC: 목표 C-Value (float, 예: 0.12)

# StartEyeHeight: 첫 번째 열 눈 높이 (float)

eye_points =

current_dist = StartDistance

current_height = StartEyeHeight

# 첫 번째 열 포인트 추가

eye_points.append(rs.AddPoint(0, current_dist, current_height))

for i in range(1, RowCount):

    prev_dist = current_dist

    prev_height = current_height

    # 다음 열의 거리

    current_dist += RowDepth

    # C-Value 공식을 역산하여 다음 열의 필요한 눈 높이 계산

    # H_next = (D_next * (H_prev + C)) / D_prev

    next_eye_height = (current_dist * (prev_height + TargetC)) / prev_dist

    current_height = next_eye_height

    eye_points.append(rs.AddPoint(0, current_dist, current_height))

# 출력: eye_points (점 리스트)

이 스크립트는 입력된 목표 C-Value를 만족하는 최적의 단면 곡선(Bowl Profile)을 생성한다. Wallacei는 이 스크립트의 TargetC 값을 변수로 조절하거나, 생성된 단면의 Total Height를 최소화하는 방향으로 최적화를 수행할 수 있다.

3.2 3D 객석 형태 생성 및 구획화

3.2.1 프로파일 스윕 및 트리밍

생성된 단면 곡선(Section Curve)은 공연장 평면의 가이드 커브(Rail Curve)를 따라 Rail Revolve 또는 Sweep 되어 3D 서피스를 형성한다. 슈박스 타입은 직선 레일을, 빈야드 타입은 다각형 혹은 곡선 레일을 사용하여 형태를 차별화한다.

3.2.2 객석 점(Seat Points) 생성

생성된 서피스 위에 실제 좌석 위치를 나타내는 점들을 배치한다.

• Divide Surface 또는 Isotrim + Area Centroid를 사용하여 좌석 포인트를 추출한다.

• 이 점들은 추후 Pachyderm 시뮬레이션의 **Receiver(수음점)**로 사용되며, Wallacei 분석 시 각 점에서의 음향 데이터가 매핑되는 기준점이 된다.

• 데이터 구조(Data Tree) 관리: 각 열(Row) 또는 구역(Block)별로 데이터 트리를 구성해야(예: {0;0}, {0;1}...) 시뮬레이션 결과를 분석할 때 위치별 음향 성능을 추적하기 용이하다.13

4. Pachyderm을 활용한 실내 음향 시뮬레이션 통합

Grasshopper 내에서 생성된 기하학적 모델은 곧바로 음향 해석 모델로 변환되어야 한다. Pachyderm Acoustic Simulation 플러그인은 Rhino/Grasshopper 환경 내에서 Ray-tracing 및 Image Source Method를 수행할 수 있는 강력한 오픈소스 도구이다.14

4.1 시뮬레이션 방법론의 선택

Pachyderm은 크게 세 가지 시뮬레이션 방식을 제공한다.4

1. Ray Tracing: 음원에서 수만 개의 음선(Ray)을 방출하여 추적한다. 잔향시간(RT60) 예측에 정확하며, 복잡한 비정형 형태 해석에 유리하다.

2. Image Source Method (ISM): 반사면을 거울로 가정하여 가상의 음원을 추적한다. 초기 반사음(Early Reflections) 계산에 정밀하나, 차수(Order)가 높아질수록 계산량이 폭증한다.

3. Hybrid Method: 초기 반사음은 ISM으로, 후기 잔향은 Ray Tracing으로 계산하는 방식. 가장 정확하지만 시간이 오래 걸린다.

Wallacei 최적화 전략: 최적화 과정에서는 수천 번의 반복 연산이 필요하므로, 계산 속도가 매우 중요하다. 따라서 초기 탐색 단계에서는 **Ray Tracing (Ray Count: 1,000 ~ 3,000)**으로 설정하여 속도를 확보하고, 최종 선정된 해(Phenotype)에 대해서만 Hybrid Method나 고밀도 Ray Tracing (Ray Count: 50,000+)을 수행하여 정밀 검증하는 전략을 취한다.

4.2 Grasshopper 내 Pachyderm 컴포넌트 구성

Pachyderm의 GH 컴포넌트 연결은 데이터의 흐름을 정확히 이해해야 오류를 방지할 수 있다.16

4.2.1 재질 데이터 관리 (Material Assignment)

Pachyderm은 객체의 Layer나 직접 할당된 Material ID를 통해 흡음률 데이터를 인식한다.

• 데이터베이스 구축: Grasshopper 내에서 흡음률(Absorption)과 산란계수(Scattering) 데이터를 담은 CSV 파일이나 패널을 구성한다.

• Polygon Scene 생성: Pach_Scene 컴포넌트는 Mesh 형상(Geometry)과 Layer ID(Integer)를 입력받는다. 이때 형상은 반드시 Mesh여야 하며, NURBS 서피스는 Mesh Brep을 통해 변환해야 한다.

• 주의사항: Grasshopper에서 직접 재질 라이브러리를 생성하는 기능이 제한적이므로, 미리 Rhino 인터페이스의 Pachyderm 탭에서 재질 라이브러리를 구축하고 저장한 뒤, GH에서는 해당 재질의 ID(Index)만 호출하여 사용하는 것이 안정적이다.18

4.2.2 음원 및 수음점 설정 (Source & Receiver Setup)

• Source: 무대 위의 대표 지점(예: 1.5m 높이)에 Pach_Source를 배치한다. 음향 파워(Sound Power Level, SWL)를 설정할 수 있다.

• Receiver: 앞서 C-Value 알고리즘으로 생성된 객석 포인트들을 Pach_Receiver에 연결한다. 모든 좌석을 계산하면 시간이 너무 오래 걸리므로, Cull Pattern이나 Random Reduce를 이용해 전체 객석을 대표하는 샘플 포인트(예: 전체의 5~10%)만 추출하여 최적화에 사용한다.

4.2.3 결과 데이터 추출 (Analysis Output)

시뮬레이션이 실행되면 Impulse Response 데이터가 생성된다. 이를 Pach_Acoustic_Parameters 컴포넌트에 연결하여 수치 데이터를 추출한다.19

• 출력 데이터: T-30(RT60 추정값), EDT, C80, D50, SPL 등.

• 데이터 가공: 각 Receiver에서 나온 값들의 평균(Average), 표준편차(Standard Deviation), 최소값(Min) 등을 계산하여 Wallacei의 목적함수로 입력한다. 예를 들어, "모든 좌석의 C80 편차를 줄여라"는 목적을 위해 표준편차를 최소화한다.

5. Wallacei를 이용한 다목적 최적화 (Multi-Objective Optimization)

형태 생성과 음향 평가가 연결되었다면, Wallacei를 통해 최적의 해를 탐색하는 진화 연산(Evolutionary Computation)을 수행한다. Wallacei는 NSGA-II (Non-dominated Sorting Genetic Algorithm II) 알고리즘을 사용하여 상충하는 목적들 사이의 파레토 최적해(Pareto Optimal Solutions)를 도출한다.20

5.1 최적화 문제 정의 (Problem Definition)

5.1.1 유전체 (Genomes: Design Variables)

설계자가 변경을 허용하는 변수들이다. Wallacei 컴포넌트의 Genes 입력단에 연결한다.

1. 공연장 전체 크기: 길이, 폭, 높이 (Shoebox 비율)

2. 객석 변수: 단의 높이(C-Value 타겟), 발코니 깊이, 오버행 각도.

3. 음향판 변수: 천장 반사판의 높이, 측벽의 기울기(Tilting Angle), 확산체의 깊이.

5.1.2 목적함수 (Objectives: Fitness Criteria)

Wallacei 컴포넌트의 Objectives 입력단에 연결한다. Wallacei는 기본적으로 **최소화(Minimization)**를 수행하므로, 최대화가 필요한 지표는 변환해야 한다.22

5.2 Wallacei 시뮬레이션 실행 및 설정

5.2.1 설정 (Settings)

• Population Size (개체군 크기): 한 세대당 생성할 디자인의 수. 시뮬레이션 속도를 고려하여 20~50 정도로 설정한다.

• Generation Count (세대 수): 진화를 반복할 횟수. 20~50세대 이상 진행하여 수렴(Convergence)을 유도한다.

• Algorithm: NSGA-II를 기본으로 사용하며, Crossover Probability(교차 확률)와 Mutation Probability(돌연변이 확률)은 기본값(0.9, 0.1)으로 시작하여 필요 시 조정한다.

5.2.2 실행 중 데이터 관리 (Data Management)

Wallacei는 시뮬레이션 중 생성된 모든 데이터를 메모리에 저장한다. 그러나 Data 입력단에 연결된 부가 정보(예: 각 좌석별 세부 C80 값 리스트, 메쉬 형상 데이터 등)는 파일 용량을 급격히 증가시킬 수 있다.

• 중요: Wallacei는 기본적으로 Objectives와 Genomes만 저장한다. Data나 Phenotype은 시뮬레이션 종료 후 별도로 추출하거나 Internalise Data를 통해 GH 파일에 저장해야 데이터 손실을 막을 수 있다.23

5.3 결과 분석 및 해 선택 (Analysis & Selection)

최적화가 완료되면 Wallacei Analytics 탭을 통해 결과를 분석한다.

5.3.1 분석 도구 (Analytic Charts)

• Standard Deviation Graph: 세대가 거듭될수록 유전적 다양성이 어떻게 변하는지, 해가 수렴하고 있는지 확인한다.

• Parallel Coordinate Plot (평행 좌표계): 각 변수(Genome)가 목적함수(Objective)에 미치는 영향을 시각적으로 파악한다. 예를 들어, "천장 높이가 낮아질수록 C80이 높아지는 경향"을 선의 흐름으로 읽어낼 수 있다.24

• Diamond Chart: 개별 해(Solution)의 성능 균형을 평가한다. 다각형의 면적이 넓고 균형 잡힌 형상이 파레토 최적해에 해당한다.25

5.3.2 해 선택 전략 (Selection Strategy)

• Pareto Front: 어떤 목적함수도 희생하지 않고는 다른 목적함수를 개선할 수 없는 최적의 해 집합. 이 라인 위에 있는 해들 중 설계 의도에 부합하는 것을 선택한다.

• Clustering (K-Means): 수천 개의 해를 유사한 성능이나 형태적 특징을 가진 그룹으로 분류하여(Cluster), 각 그룹의 대표 해(Representative Solution)를 추출하여 비교한다.25

6. 데이터 시각화 및 통합 워크플로우 완성

최적화된 수치 데이터만으로는 공간의 질을 완전히 파악하기 어렵다. 따라서 Wallacei에서 선택한 최적해(Phenotype)를 Grasshopper 캔버스로 불러와(Reinstate), 음향 성능을 3차원적으로 시각화하는 과정이 필수적이다.

6.1 표현형(Phenotype) 복원 및 시각화

Wallacei에서 Export Phenotype을 수행하면, 해당 디자인의 유전체(Genome) 값이 슬라이더에 다시 적용되어 Grasshopper 모델이 해당 형태로 업데이트된다.26

6.2 음향 맵핑 (Acoustic Mapping) 기술: Vertex Coloring

Pachyderm의 결과값(예: 위치별 C80)을 공연장 메쉬 위에 색상으로 입혀 히트맵(Heatmap)을 생성하는 과정은 다음과 같다.27

1. 메쉬 분해 (Deconstruct Mesh): 객석 메쉬를 분해하여 정점(Vertices)과 면(Faces) 정보를 추출한다.

2. 데이터 매칭 (Data Matching): Pachyderm Receiver 포인트(좌석)와 메쉬 정점 사이의 거리를 측정하여(Closest Point), 각 정점에 해당하는 음향 데이터를 매칭한다.

3. 색상 변환 (Gradient Mapping):

   • C80 값의 범위(예: Min -5dB, Max +5dB)를 설정한다.

   • Gradient 컴포넌트를 사용하여 수치값을 색상(RGB)으로 변환한다.

4. 메쉬 재구축 (Construct Mesh):

   • 기존 메쉬의 정점(Vertices)과 면(Faces) 정보는 그대로 유지한다.

   • Vertex Colors 입력단에 위에서 생성한 색상 리스트를 연결한다.

   • 이렇게 생성된 컬러 메쉬(Colored Mesh)는 Rhino 뷰포트에서 Rendered 모드로 볼 때 음향 분포를 직관적으로 보여준다.

6.3 Wallacei Phenotype Export의 기술적 한계 극복

Wallacei의 Phenotype 입력단에 컬러 메쉬를 직접 연결할 경우, Export 시 색상 정보가 소실되는 경우가 많다.29 이를 해결하기 위한 고급 테크닉은 다음과 같다:

1. 데이터 분리 저장: 색상 정보(RGB 값 리스트)를 Wallacei의 Data 입력단에 별도로 저장한다.

2. 후처리 복원 (Post-processing): Wallacei에서 형상(Geometry)과 데이터(Data: RGB)를 각각 Export한 후, Decode Phenotype 컴포넌트 뒤단에서 이 둘을 다시 결합하여 메쉬를 재색칠(Recolor)하는 로직을 구성한다.

7. 결론 및 향후 전망

7.1 연구의 성과 및 의의

본 연구를 통해 구축된 Grasshopper-Pachyderm-Wallacei 통합 워크플로우는 다음과 같은 성과를 제공한다.

1. 형태와 성능의 동기화: 설계 초기 단계(Schematic Design)에서부터 형태 변경이 음향과 가시선에 미치는 영향을 실시간으로 파악할 수 있다.

2. 상충 문제의 해결: RT60(풍부함)과 C80(명료함) 사이의 딜레마를 유전 알고리즘을 통해 수학적으로 절충하고 최적화된 대안을 제시한다.

3. 시각적 설득력 확보: 복잡한 음향 데이터를 직관적인 3D 히트맵으로 변환하여 건축주나 협업자와의 의사소통 효율을 극대화한다.

7.2 한계점 및 향후 발전 방향

• 계산 부하: Ray-tracing 시뮬레이션은 여전히 많은 연산 자원을 소모한다. 향후에는 수천 번의 시뮬레이션 대신, 머신러닝(Machine Learning) 모델을 학습시켜 음향 성능을 1초 이내에 예측하는 대리 모델(Surrogate Model) 기술의 도입이 필요하다.31

• 정밀도 검증: Pachyderm은 초기 설계용 도구로 훌륭하지만, 최종 실시 설계 단계에서는 Odeon 등 전문 소프트웨어와의 교차 검증(Cross-validation)이 반드시 수반되어야 한다.33

결론적으로, 본 보고서에서 제시한 방법론은 건축가가 음향 엔지니어의 수동적인 파트너가 아니라, 성능 기반 설계(Performance-Based Design)의 주체로서 공연장 설계를 주도할 수 있는 강력한 기술적 토대를 마련해 줄 것이다.

참고 자료

1. Architectural Acoustics in Vineyard Configuration Concert Hall - OMICS International, 12월 7, 2025에 액세스, https://www.omicsonline.org/open-access/architectural-acoustics-in-vineyard-configuration-concert-hall-2168-9717-1000224-107205.html

2. Optimizing acoustic design for dual-function concert and speech halls - PMC, 12월 7, 2025에 액세스, https://pmc.ncbi.nlm.nih.gov/articles/PMC12484848/

3. THE ACOUSTIC DESIGN OF A VINEYARD HALL AND A SHOEBOX THEATRE AT THE NEW KRAKOW CONGRESS CENTRE, 12월 7, 2025에 액세스, https://www.ioa.org.uk/system/files/proceedings/r_orlowski_the_acoustic_design_of_a_vineyard_hall_and_a_shoebox_theatre_at_the_new_krakow_congress_centre.pdf

4. Aeolus: a Grasshopper plugin for the interactive design and optimisation of acoustic shells - Minerva Access, 12월 7, 2025에 액세스, https://minerva-access.unimelb.edu.au/bitstreams/0b4a1904-7da4-407d-8332-7943e8521633/download

5. Parametric Room Acoustic workflows - CumInCAD, 12월 7, 2025에 액세스, https://papers.cumincad.org/data/works/att/ecaade2017_189.pdf

6. Calculating the Reverb Time of an Enclosure | Middle Tennessee State University, 12월 7, 2025에 액세스, https://w1.mtsu.edu/faculty/wroberts/teaching/reverb_3.php

7. Reverberation time and Sabine's Formula - Acoustic Lab, 12월 7, 2025에 액세스, https://www.acousticlab.com/en/reverberation-time-and-sabines-formula/

8. objective assessment of concert hall acoustics, 12월 7, 2025에 액세스, https://www.ioa.org.uk/system/files/proceedings/m_barron_objective_assessment_of_concert_hall_acoustics.pdf

9. Room acoustic parameters | Architectural Acoustics Class Notes - Fiveable, 12월 7, 2025에 액세스, https://fiveable.me/architectural-acoustics/unit-2/room-acoustic-parameters/study-guide/8vMXLLFgm6jqnASi

10. Optimizing Sightlines for Every Seat: Enhancing Audience Experience in Venues, 12월 7, 2025에 액세스, https://designcollaborative.com/optimizing-sightlines-for-every-seat-enhancing-audience-experience-in-venues/

11. OPTIMISATION FOR SPORT STADIUM DESIGNS Advantages for shifting from macro level to micro level viewing optimisation in stadium d - CumInCAD, 12월 7, 2025에 액세스, https://papers.cumincad.org/data/works/att/caadria2015_054.content.pdf

12. Sequential calculations - Grasshopper, 12월 7, 2025에 액세스, https://www.grasshopper3d.com/forum/topics/sequential-calculations

13. C-value for Sightline analysis (bowlbuilder) - Grasshopper - McNeel Forum, 12월 7, 2025에 액세스, https://discourse.mcneel.com/t/c-value-for-sightline-analysis-bowlbuilder/98222

14. Dynamic Simulation (part 1) - Acoustic Visualization - GSAPP SMORGASBORD, 12월 7, 2025에 액세스, https://smorgasbord.cdp.arch.columbia.edu/modules/21-integrated-computational-simulation/213-acoustic/

15. Pachyderm Acoustical Simulation | Food4Rhino, 12월 7, 2025에 액세스, https://www.food4rhino.com/en/app/pachyderm-acoustical-simulation

16. Grasshopper components of Pachyderm, 12월 7, 2025에 액세스, https://www.grasshopper3d.com/forum/topics/grasshopper-components-of-pachyderm?groupUrl=pachyderm&overrideMobileRedirect=1&groupId=2985220%3AGroup%3A1663732&id=2985220%3ATopic%3A1861280&page=1

17. Pachyderm Acoustic - Grasshopper, 12월 7, 2025에 액세스, https://www.grasshopper3d.com/m/group?id=2985220%3AGroup%3A1663732&maxDate=2023-04-19T07%3A30%3A57.738Z

18. Pachyderm Acoustic - Grasshopper, 12월 7, 2025에 액세스, https://www.grasshopper3d.com/m/group?id=2985220%3AGroup%3A1663732&maxDate=2019-12-14T19%3A42%3A04.552Z

19. Auditorium Acoustical Analysis | CAD – Scripting, 12월 7, 2025에 액세스, https://scripting.molab.eu/tutorials/auditorium-acoustical-analysis/

20. Learn - Wallacei, 12월 7, 2025에 액세스, https://www.wallacei.com/learn

21. Wallacei - Food4Rhino |, 12월 7, 2025에 액세스, https://www.food4rhino.com/en/app/wallacei?lang=en

22. Wallacei basics – Setting-up and running an optimization 0/6 - DigiPedia - TU Delft, 12월 7, 2025에 액세스, https://digipedia.tudelft.nl/tutorial/wallacei-basics-setting-up-and-running-an-optimization/

23. Data - Wallacei - McNeel Forum, 12월 7, 2025에 액세스, https://discourse.mcneel.com/t/data-wallacei/128396

24. Wallacei Basics – Analysing and selecting MO-optimization results in Wallacei X 0/8 - DigiPedia - Tu Delft, 12월 7, 2025에 액세스, https://digipedia.tudelft.nl/tutorial/wallacei-basics-analysing-and-selecting-mo-optimization-results-in-wallacei-x-2/

25. Multi-Objective Optimisation of Urban Form: A Framework for Selecting the Optimal Solution, 12월 7, 2025에 액세스, https://www.mdpi.com/2075-5309/12/9/1473

26. Wallacei X Phenotype - McNeel Forum, 12월 7, 2025에 액세스, https://discourse.mcneel.com/t/wallacei-x-phenotype/161214

27. Bake/Export Vertex Color Mesh (as a texture?) - Grasshopper, 12월 7, 2025에 액세스, https://www.grasshopper3d.com/forum/topics/bake-vertex-color-mesh-texture?overrideMobileRedirect=1

28. Mesh color data - Grasshopper, 12월 7, 2025에 액세스, https://www.grasshopper3d.com/forum/topics/mesh-color-data

29. Vertex colors not being used · Issue #133 · owl-project/NVISII - GitHub, 12월 7, 2025에 액세스, https://github.com/owl-project/NVISII/issues/133

30. Reduce Mesh (cull overlapping vertices) while keeping Vertex Colors? - Grasshopper, 12월 7, 2025에 액세스, https://discourse.mcneel.com/t/reduce-mesh-cull-overlapping-vertices-while-keeping-vertex-colors/193901

31. (PDF) Acoustic Design Evaluation in Educational Buildings using Artificial Intelligence, 12월 7, 2025에 액세스, https://www.researchgate.net/publication/381127100_Acoustic_Design_Evaluation_in_Educational_Buildings_using_Artificial_Intelligence

32. Using Machine Learning to Predict Indoor Acoustic Indicators of Multi-Functional Activity Centers - ResearchGate, 12월 7, 2025에 액세스, https://www.researchgate.net/publication/352523680_Using_Machine_Learning_to_Predict_Indoor_Acoustic_Indicators_of_Multi-Functional_Activity_Centers

An Evaluation of Geometrical Room Acoustics Simulations in Outdoor Settings, 12월 7, 2025에 액세스, https://dael.euracoustics.org/confs/fa2023/data/articles/000240.pdf