JP2020118536A - 風速分布推定装置及び風速分布推定方法 - Google Patents
風速分布推定装置及び風速分布推定方法 Download PDFInfo
- Publication number
- JP2020118536A JP2020118536A JP2019009279A JP2019009279A JP2020118536A JP 2020118536 A JP2020118536 A JP 2020118536A JP 2019009279 A JP2019009279 A JP 2019009279A JP 2019009279 A JP2019009279 A JP 2019009279A JP 2020118536 A JP2020118536 A JP 2020118536A
- Authority
- JP
- Japan
- Prior art keywords
- wind speed
- data
- speed distribution
- wind
- building
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
Description
風洞実験においては、評価の対象となる建物を再現した模型に風を当て、模型の周りの風速等を模型に設けられたセンサで測定することにより、建物周辺の風環境、風速分布が評価される。特許文献1には、風洞実験時に使用される風速測定装置が開示されている。
上記のような風洞実験においては、実験の相似則に基づいて実際の風速が計測されるため、信頼性が高い評価結果を取得し得る。
しかし、風洞実験には大型の風洞装置が必要であるし、模型の製作には多くの時間と費用を要する。
また、センサは一定の大きさを有するために、模型上に設置できる数が限られる。したがって、模型上の、あるいは模型周辺の全ての地点における風速が得られるわけではなく、評価結果を取得できる地点の密度が疎となりがちである。
数値流体解析は、コンピュータにより実現可能であるため風洞実験のような大掛かりな設備が不要であるし、建物のモデリングも風洞実験における模型の製作よりは短時間、低コストで実施可能である。また、評価結果を取得できる地点の密度が、風洞実験よりも高くなり得る。
しかし、建物のモデリングやメッシュ生成等の解析準備作業には高度な知識やノウハウが必要であり、一般に市街地を対象とした解析では大規模な3次元計算となるため、計算時間が相応にかかる。
ニューラルネットワークを用いた場合には、汎用的なコンピュータで評価装置を実現可能であり、風洞実験のような大掛かりな装置は不要である。また、ニューラルネットワークの学習が終了すると、簡易なデータを入力するのみで風速分布を出力可能であるため、数値流体解析のように高度な知識やノウハウ等も基本的には不要である。また、一般に数値流体解析より計算時間が高速である。
例えば特許文献3には、上記のようなニューラルネットワークによる風速分布の評価に関する、建物周辺の風速分布推定装置が開示されている。
特許文献3の風速分布推定装置は、推定する高さ情報を表わす高さ画像と、建物の断面形状情報を表わす形状画像と、風向き情報を表わす風向き画像とを入力する入力手段と、建物周辺の風速分布を表す画像である風速分布画像を作成する風速分布画像作成手段とを備えている。風速分布画像作成手段は、高さ画像と形状画像と風向き画像とを入力画像とし、風速分布画像を出力画像とする畳み込みニューラルネットワークから構成されている。
特許文献3においては、風速分布画像は風速等高線図を作成する入力として使用されている。換言すれば、特許文献3における風速分布画像においては、各画素の有する画素値は、当該画素に対応する地点の風速を表す値となっている。
風向情報を含む、より詳細な風速分布を取得することが望まれている。
上記のような構成によれば、学習に使用される教師データとしての風速分布データや、学習済みの学習モデルの出力となる風速分布の推定結果の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像中の画素は、当該風速分布画像に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像の各々における画素値を、当該風速分布画像に対応する軸線方向上での成分として、複数の風速分布画像間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置を実現可能である。
上記のような構成によれば、上記のような風速分布推定装置を適切に実現可能である。
上記のような構成によれば、学習に使用される教師データとしての風速分布データや、学習済みの学習モデルの出力となる風速分布の推定結果の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像中の画素は、当該風速分布画像に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像の各々における画素値を、当該風速分布画像に対応する軸線方向上での成分として、複数の風速分布画像間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置を実現可能である。
本実施形態における風速分布推定装置は、建物周辺の風速分布を推定するものであって、建物の形状情報を含む建物情報データ、風向データ、及び、建物情報データ及び風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルを備え、学習モデルに風速分布の推定対象となる建物情報データと風向データを入力して風速分布を推定し、推定結果を出力する、風速分布推定部を備え、風速分布データ及び推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
本実施形態における風速分布推定装置1は、上記のように、任意の建物において、建物周辺の風速分布を推定する装置である。風速分布推定装置1は、例えばパーソナルコンピュータ等の情報処理装置である。風速分布推定装置1は、学習部20、風速分布推定部21、学習モデルパラメータ記憶部22、及び結果合成部23を備えている。
これら風速分布推定装置1の構成要素のうち、学習部20、風速分布推定部21、及び結果合成部23は、例えば上記情報処理装置内のCPUにより実行されるソフトウェア、プログラムであってよい。また、学習モデルパラメータ記憶部22は、上記情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置により実現されていてよい。学習部20は、例えばGPU(Graphics Processing Unit)によって処理される。
すなわち、風速分布推定装置1は大別して、風速分布の学習と、風速分布の推定の、2通りの動作を行う。説明を簡単にするために、以下ではまず、風速分布の学習時における、風速分布推定装置1の各構成要素の説明をした後に、風速分布の推定時での各構成要素の挙動について説明する。
建物情報データ3は、建物の外形に関する情報を有するデータであり、建物形状画像6と建物高さ画像7を備えている。図3(a)と図3(b)は、それぞれ、建物形状画像6と建物高さ画像7の説明図である。
建物形状画像6は、任意の地域を俯瞰した状態における、建物の形状を表現する画像である。より詳細には、建物形状画像6においては、建物に相当する部分である建物部分6a内の画素と、建物に相当しない部分である非建物部分6b内の画素とが、異なる画素値を有するように設定されている。本実施形態においては、建物形状画像6は1チャンネルの画像であり、建物部分6aと非建物部分6bは、それぞれ黒と例えば白等の画素値の最大値に相当する色、例えば画素値(輝度値)が8ビットで表現される場合においては0と255で表現されている。
以降、この建物形状画像6をはじめとした本実施形態における各画像において、横に延在する軸線方向をX方向(第1の水平方向)、水平面内でX方向に直交して縦に延在する軸線方向をY方向(第2の水平方向)、及び水平面に直交する軸線方向をZ方向(鉛直方向)と呼称する。
建物高さ画像7は、上記のように建物形状画像6内に表現されたものと同一の地域を表現する画像であるため、建物形状画像6と同じ解像度を備えている。
風速分布推定装置1において風速分布を推定する対象として、例えば画素値が8ビットで表現される場合において、255mを超える高層建築物が多いことが想定される場合には、例えば0から最も高い建物の高さの値の範囲を、画素値の範囲すなわち0から255の範囲へと変換し、これを建物高さ画像7の画素値として用いてもよい。
風向データ4は、上記のように風向を表現するものであり、なおかつ全ての地点において値が一意であるため、1つのベクトルと見做すことができる。風向データ4は、このベクトルを建物情報データ3におけるX方向及びY方向の各々に成分分解した際の、X方向における成分値を1チャンネルの画像として表現した風向X成分画像8と、Y方向における成分値を1チャンネルの画像として表現した風向Y成分画像9を備えている。例えば、風向X成分画像8は、ベクトルが成分分解されたX方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。また、風向Y成分画像9は、ベクトルが成分分解されたY方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。
例えば、建物情報データ3におけるX方向及びY方向により形成される座標系において、西からの風の場合には、原点を上流とするとX軸上の正の方向への風向となるため、X方向上での成分値が正の値となりY方向上での成分値が0となる。したがって、風向X成分画像8は、全ての画素の画素値が画素値の最大値、例えば255に設定された、例えば白一色の画像となり得る。また、風向Y成分画像9は、全ての画素の画素値が画素値の取り得る値の範囲の中心値、例えば128に設定された、特定の中間色一色の画像となり得る。逆に、東からの風の場合には、原点を上流とするとX軸上の負の方向への風向となるため、X方向上での成分値が負の値となりY方向上での成分値が0となる。したがって、風向X成分画像8は全ての画素の画素値が画素値の最小値、例えば0に設定された、黒一色の画像となり、風向Y成分画像9は全ての画素の画素値が例えば128に設定された、特定の中間色一色の画像となり得る。
特に本実施形態においては、風速分布データ5は各地点における風向に関する情報をも含む。このために、風速分布データ5が風向に関する情報を保持し得るように、風速分布データ5は、それぞれが1チャンネルの画像である、風速分布X成分画像10、風速分布Y成分画像11、及び風速分布Z成分画像12を備えている。風速分布X成分画像10は、各画素の画素値が、建物情報データ3内に表現された地域内の当該画素に対応する地点における風向及び風速を表現するベクトルを、建物情報データ3におけるX方向とY方向、及びZ方向の各々に成分分解した際の、X方向における成分値に相当する値に設定された画像である。風速分布Y成分画像11及び風速分布Z成分画像12は、同様に、各画素の画素値が、Y方向及びZ方向の各々における成分値に相当する値に設定された画像である。各画素に対応する地点が建物の場合には、当該画素の画素値は無風に相当する値に設定されている。
このように、風速分布データ5は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像10、11、12、すなわち風速分布X成分画像10、風速分布Y成分画像11、及び風速分布Z成分画像12であり、これら複数の風速分布画像10、11、12の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
また、複数の軸線方向は、X方向(第1の水平方向)と、X方向に水平面内で直交するY方向(第2の水平方向)、及びZ方向(鉛直方向)である。
学習データ2の各画像は、本実施形態においては実際には、学習部20に入力される際に、各画素の値を画素値の最大値、例えば255により除算して、0から1までの値の範囲へと基準化されて用いられる。
既に説明したように、建物情報データ3、風向データ4、及び教師データとしての風速分布データ5の各々は、画像である。したがって、風速分布データ5と比較される学習時推定結果15も当然画像である。このため、本実施形態においては、機械学習器24は、画像を入出力とした場合の処理と相性の良い全層畳み込みネットワーク(Fully Convolutional Network、以下FCNと記載する)により実現されている。FCNは、以下に説明するように、全結合層を備えず、畳み込み層において処理、生成された特徴マップを直接、転置畳み込み層への入力とするものである。
学習部20は、建物情報データ3と風向データ4を初段の畳み込み層27aへ入力する。既に説明したように、本実施形態においては、建物情報データ3の建物形状画像6と建物高さ画像7、及び風向データ4の風向X成分画像8と風向Y成分画像9の各々は、1チャンネルの画像として実現されている。したがって、建物形状画像6、建物高さ画像7、風向X成分画像8、及び風向Y成分画像9は、これら4枚の1チャンネルの画像が1枚の4チャンネルの画像として結合された学習時入力データ14として、機械学習器24へ入力される。
機械学習器24は、この処理を、全てのフィルタに対して実行し、フィルタの数に応じた特徴マップを生成する。
特徴マップに対しては、必要に応じて、バッチ正規化処理やプーリング処理、活性化関数が実行される。
畳み込み層27aにおいて生成された特徴マップは、次段の畳み込み層27bの入力画像となる。
畳み込み層27cにおいては、畳み込み層27bにおいて生成された特徴マップに対して、畳み込みフィルタ処理が実行される。畳み込み層27cは、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更に必要に応じてバッチ正規化処理やプーリング処理を実行することで、フィルタの数に応じた所定の数の特徴マップを生成する。
各畳み込み層27a、27b、27cにおけるフィルタの重みは、機械学習により調整される。
畳み込み層27cにおいて生成された特徴マップは、転置畳み込み処理部28の転置畳み込み層28cへの入力となる。
転置畳み込み処理部28すなわち機械学習器24の出力データは、本実施形態においては、入力された学習時入力データ14内の建物情報データ3と風向データ4に対応する、建物情報データ3内に表現された地域における風速、風向の学習時推定結果15である。学習時推定結果15は、風速分布データ5と同様に、建物情報データ3内に表現された地域内の各地点における、X方向、Y方向、及びZ方向の各々に対応して成分分解された風速、風向情報が格納された、3枚の1チャンネルの画像であり、これが1枚の3チャンネルの画像として出力される。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器24が機械学習される。
結果として、機械学習器24は、学習時入力データ14が入力されたときに、これに含まれる建物情報データ3と風向データ4に対応する風速分布データ5に近い学習時推定結果15を出力するように学習される。
すなわち、学習部20は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデル25を生成するものである。
風速分布推定部21は、学習モデルパラメータ記憶部22から学習モデルパラメータを取得し、学習モデル25を構築する。図4は、学習モデル25の模式的な説明図である。風速分布推定部21は、この学習モデル25を、例えばCPU上でプログラムとして実行することで、風速分布を推定する。
学習モデル25の入力データである推定時入力データ30は、実際に風速分布の推定対象となる地域及び風向が情報として格納された、建物情報データ31と風向データ32である。建物情報データ31は、建物形状画像33と建物高さ画像34を備えており、これらの各々は、学習時に学習データ2として使用された建物形状画像6及び建物高さ画像7と同様に構成されている。風向データ32は、風向X成分画像35と風向Y成分画像36を備えており、これらの各々は、学習時に学習データ2として使用された風向X成分画像8及び風向Y成分画像9と同様に構成されている。建物形状画像33、建物高さ画像34、風向X成分画像35、及び風向Y成分画像36は、それぞれが1チャンネルの画像であり、推定時入力データ30は、これら4枚の1チャンネルの画像が1枚の4チャンネルの画像として結合された画像データである。
推定時入力データ30の各画像は、本実施形態においては実際には、学習時と同様に、風速分布推定部21に入力される際に、各画素の値を画素値の最大値、例えば255により除算して、0から1までの値の範囲へと基準化されて用いられる。
推定結果40は、学習時推定結果15と同様に、建物情報データ31内に表現された地域内の各地点における、X方向、Y方向、及びZ方向の各々に対応して成分分解された風速、風向情報が格納された、3枚の1チャンネルの画像であり、これが1枚の3チャンネルの画像として出力される。
風速分布推定部21は、推定結果40からX方向、Y方向、及びZ方向の各々に対応する1チャンネルの画像、すなわち各方向に対応して成分分解された風速、風向情報を抽出し、それぞれ、X成分推定結果画像41、Y成分推定結果画像42、及びZ成分推定結果画像43として外部へ出力するとともに、結果合成部23へと送信する。
また、推定結果40は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像41、42、43であり、複数の風速分布画像41、42、43の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
結果合成部23は、X成分推定結果画像41、Y成分推定結果画像42、及びZ成分推定結果画像43の各々の情報を合成して、風速分布合成結果画像44を生成する。風速分布合成結果画像44は、X成分推定結果画像41、Y成分推定結果画像42、及びZ成分推定結果画像43と同等の解像度を備えた画像である。結果合成部23は、X成分推定結果画像41、Y成分推定結果画像42、及びZ成分推定結果画像43の互いに対応する画素の各々に対し、これら画像41、42、43の各々から画素値、すなわち当該画素に対応する地点における風向風速のX成分値、Y成分値、及びZ成分値の各々に対応する値を取得し、これらの各々をベクトルとして、X方向、Y方向、及びZ方向の3つの軸線方向により形成される3次元座標系上で合成する。結果合成部23は、合成により生成されたベクトルの大きさを基に風速を、及び向きを基に風向を計算する。結果合成部23は、全画素に関して風速及び風向情報を計算し、これらをまとめて一つの画像すなわち風速分布合成結果画像44を生成する。
結果合成部23は、風速分布合成結果画像44を外部へ出力する。
本実施形態における風速分布推定方法は、建物周辺の風速分布を推定するものであって、建物の形状情報を含む建物情報データ、風向データ、及び、建物情報データ及び風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルに対し、風速分布の推定対象となる建物情報データと風向データを入力して風速分布を推定し、推定結果を出力する工程を備え、風速分布データ及び推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
学習部20は、建物情報データ3と風向データ4を学習時入力データ14として機械学習器24の畳み込み処理部27へ入力する。
畳み込み処理部27は、各畳み込み層27a、27b、27cにより畳み込み処理を実行して特徴マップを生成し、転置畳み込み処理部28へ入力する。
転置畳み込み処理部28は、各転置畳み込み層28c、28b、28aにより特徴マップを拡大、復元するように転置畳み込み処理を実行し、学習時推定結果15を出力する。
学習部20は、入力された学習時入力データ14に対応する風速分布データ5を取得し、風速分布データ5すなわち教師データと学習時推定結果15を画素単位で比較して、例えば各画素間の画素値の差分の2乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器24が機械学習される(ステップS1)。
学習部20は、学習が終了すると、調整が終了した各フィルタの重みの値等のパラメータを、学習モデルパラメータとして、学習モデルパラメータ記憶部22に記憶する(ステップS3)。
風速分布推定部21は、学習モデルパラメータ記憶部22から学習モデルパラメータを取得し、学習モデル25を構築する(ステップS11)。
風速分布推定部21は、学習モデル25に推定時入力データ30を入力する。学習モデル25は、畳み込み層27a、27b、27cと、及び転置畳み込み層28c、28b、28aを順に辿りながら、畳み込み処理及び転置畳み込み処理を実行する。最終的に転置畳み込み層28aから、推定時入力データ30に対応する推定結果40が出力される(ステップS13:推定結果40を出力する工程)。
風速分布推定部21は、推定結果40からX方向、Y方向、及びZ方向の各々に対応する1チャンネルの画像、すなわち各方向に対応して成分分解された風速、風向情報を抽出し、それぞれ、X成分推定結果画像41、Y成分推定結果画像42、及びZ成分推定結果画像43として外部へ出力するとともに、結果合成部23へと送信する。
結果合成部23は、風速分布推定部21から、X成分推定結果画像41、Y成分推定結果画像42、及びZ成分推定結果画像43を受信する。
結果合成部23は、X成分推定結果画像41、Y成分推定結果画像42、及びZ成分推定結果画像43の各々の情報を合成して、風速分布合成結果画像44を生成する(ステップS15)。
結果合成部23は、風速分布合成結果画像44を外部へ出力する。
また、本実施形態の風速分布推定方法は、建物周辺の風速分布を推定する、風速分布推定方法であって、建物の形状情報を含む建物情報データ3、風向データ4、及び、建物情報データ3及び風向データ4に対応する教師データとしての風速分布データ5を、学習データ2として深層学習された学習モデル25に対し、風速分布の推定対象となる建物情報データ31と風向データ32を入力して風速分布を推定し、推定結果40を出力する工程を備え、風速分布データ5及び推定結果40は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像10、11、12、41、42、43であり、複数の風速分布画像10、11、12、41、42、43の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
上記のような構成によれば、学習に使用される教師データとしての風速分布データ5や、学習済みの学習モデル25の出力となる風速分布の推定結果40の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像10、11、12、41、42、43であり、当該複数の風速分布画像10、11、12、41、42、43の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像10、11、12、41、42、43中の画素は、当該風速分布画像10、11、12、41、42、43に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像10、11、12、41、42、43の各々における画素値を、当該風速分布画像10、11、12、41、42、43に対応する軸線方向上での成分として、複数の風速分布画像10、11、12、41、42、43間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置1及び方法を実現可能である。
上記のような構成によれば、上記のような風速分布推定装置1を適切に実現可能である。
上記のような構成によれば、風向データ4、32はX方向とY方向に成分分解されており、風速分布データ5や、風速分布の推定結果40はこれらX方向とY方向を含む軸線方向に成分分解されている。すなわち、風向データ4、32における成分分解の方向と、推定結果40における成分分解の方向が一致しているため、機械学習器24の学習効率が高まり、学習モデル25の推定精度が向上する。
上記実施形態として示した風速分布推定装置1及び風速分布推定方法においては、多くの学習データ2を準備し機械学習器24の学習に用いるほど、学習モデル25の推定精度が向上し得る。このような、多くの学習データ2を実現する方法について次に説明する。
例えば、建物情報データ3及び風速分布データ5内に表現された地域が、学習に適さない程度に、あるいは実際の風速分布推定装置1の運用上想定している以上に、広すぎる範囲のものである場合がある。このような場合には、建物情報データ3及び風速分布データ5に関する各画像の各々に関し、当該広範な地域中の任意の部分を、適切な範囲に切り出すことで、一つの学習データ2から複数の学習データ2を生成することができる。この際には、建物情報データ3及び風速分布データ5の各画像を、同一の位置及び範囲で切り出して、各画像の同一座標に位置する画素が同一の地点に対応するように留意する必要がある。
このように、建物情報データ3は、風速分布の推定対象となる地域を俯瞰した状態における、建物の形状を表現する建物形状画像6と、建物の高さを表現する建物高さ画像7を備え、学習データ2中の互いに対応する建物情報データ3と風速分布データ5内の各画像6、7、10、11、12から、任意の部分を、適切な所定の範囲に切り出すことにより、新たな学習データ2が生成される。
これにより、一つの学習データ2から複数の学習データ2を生成することが可能となり、多くの学習データ2を機械学習器24の学習に用いることができるため、学習モデル25の推定精度が向上する。
図6(a)には、ある学習データ2A中に含まれる建物形状画像6Aが示されている。学習データ2Aは、建物形状画像6Aに対応して、図2等に示される建物高さ画像7を有している。学習データ2Aはまた、建物形状画像6Aに対応して、風向データ4Aを有しており、この風向データ4Aは、図2等に示される風向X成分画像8と風向Y成分画像9により、風が南から吹き込むことを情報として保持している。学習データ2Aは更に、建物形状画像6Aに対応して、風速分布データ5Aを有している。風速分布データ5Aは本来、建物形状画像6Aとして示される地域内の全地点すなわち全画素に対して風速風向情報を備えるものであるが、図6においては説明を簡単にするために、当該地域内の特定の地点Pに関する情報のみが示されている。風速分布データ5Aは、風速分布X成分画像10A、風速分布Y成分画像11A、及び風速分布Z成分画像12Aを備えている。地点Pにおいては、図6(a)にWPとして示されるように、南西から北東に向けて風が吹いている。本学習データ2においては、画像の右方向及び上方向が、X方向及びY方向の各々の正の方向であるため、これをX方向とY方向に成分分解した際には、X方向上での成分値xPとY方向上での成分値yPの各々は正の値となっている。
学習データ2B内の風速分布データ5Bについても、基本的には画像を反時計回りに90°回転することで得られるが、風速分布データ5は軸線方向に成分分解されて各軸線方向に対応した複数の画像により構成されていること、及び、回転前のY方向は回転後においてはX方向となり正負の方向が逆となることに留意する必要がある。例えば、地点Pにおいては、回転後にはWPは南東から北西に向いており、これをX方向とY方向に成分分解した際には、X方向上での成分値は負値である−yPとなり、Y方向上での成分値はxPとなる。
実際には、風速分布X成分画像10Bは、学習データ2A中の風速分布Y成分画像11Aを反時計回りに90°回転したうえで、各画素に対応する風速の正負を反転させることで生成される。風速分布Y成分画像11Bは、学習データ2A中の風速分布X成分画像10Aを反時計回りに90°回転することで生成される。風速分布Z成分画像12Bは、学習データ2A中の風速分布Z成分画像12Aを反時計回りに90°回転することで生成される。
学習データ2C内の風速分布データ5Cについても、基本的には画像をX方向に反転することで得られるが、X方向は反転前後で正負の方向が逆となることに留意する必要がある。例えば、地点Pにおいては、反転後にはWPは南東から北西に向いており、これをX方向とY方向に成分分解した際には、X方向上での成分値は負値である−xPとなる。Y方向上での成分値は変わらない。
実際には、風速分布X成分画像10Cは、学習データ2A中の風速分布X成分画像10AをX方向に反転したうえで、各画素に対応する風速の正負を反転させることで生成される。風速分布Y成分画像11Cと風速分布Z成分画像12Cは、学習データ2A中の風速分布Y成分画像11Aと風速分布Z成分画像12AをX方向に反転することで生成される。
このように風速分布X成分画像10AをX方向またはY方向に反転する場合においても、風速の正負は、風速分布X成分画像10Aを回転する場合と同様に反転可能である。
これにより、一つの学習データ2から複数の学習データ2を生成することが可能となり、多くの学習データ2を機械学習器24の学習に用いることができるため、学習モデル25の推定精度が向上する。
回転を複数回回転させたり、回転と反転を組み合わせたりすると、更に多くの学習データ2が生成可能であるため、学習モデル25の推定精度が更に効果的に向上する。
上記のような画像の切り出しや回転、反転は、特に、建物の大小や配置のパターンが限りなく多い市街地を対象とした風速推定において、推定精度の向上に大きく寄与し得る。
次に、上記実施形態として示した風速分布推定装置1及び風速分布推定方法の変形例を説明する。本変形例における風速分布推定装置は、機械学習器及び学習モデルの出力に、建物形状画像を画素ごとに乗算した画像を、推定結果としている点が異なっている。
本変形例の風速分布推定装置においては、風速分布の学習時には、機械学習器の出力に対して、入力として使用された建物情報データ中の建物形状画像を画素単位で乗算した画像を、学習時推定結果としている。
また、風速分布の推定時には、学習モデルの出力に対して、入力として使用された建物情報データ中の建物形状画像を画素単位で乗算した画像を、推定結果としている。
ここで、2枚の画像の画素単位での乗算とは、一方の画像の各画素に対し、当該画素の画素値と、他方の画像の当該画素と同じ座標に位置する画素の画素値を乗算して、その積を当該座標に格納することにより新たな画像を生成する演算を示している。
上記実施形態において説明したように、建物形状画像においては、建物部分と非建物部分はそれぞれ、黒と例えば白等の画素値の最大値に相当する色、例えば画素値が8ビットで表現される場合においては0と255で表現されている。また、既に説明したように、各画像は入力される際に、各画素の値を画素値の最大値、例えば255により除算して、0から1までの値の範囲へと基準化されて用いられる。このような建物形状画像を画素ごとに、機械学習器及び学習モデルの出力に乗算することにより、推定結果の建物部分においては出力に0が乗算されるために値が0となって、これにより建物部分の形状が完全に再現される。なおかつ、推定結果の非建物部分においては出力に画素値の最大値である値255が基準化された値である1が乗算されるために値が変わらずに維持されて、これにより非建物部分の風向風速情報が損なわれない。
上記のような構成によれば、推定結果においては建物の形状を完全に再現可能であるため、機械学習器の学習効率が高まり、学習モデルの推定精度が向上する。
本変形例は、特に、建物の大小や配置のパターンが限りなく多い市街地を対象とした風速推定において、推定精度の向上に大きく寄与し得る。
また、FCNの構造は、図2及び図4を用いて説明した上記の構造に限られず、他の構造を備えていてもよい。例えば、上記実施形態においては、畳み込み処理部27及び転置畳み込み処理部28はともに3層構造とした模式的な例を用いて説明したが、各々の層数は3以外であってもよいし、畳み込み処理部27の層数と転置畳み込み処理部28の層数が異なっていてもよい。
また、上記実施形態においては、風向データ4は建物情報データ3内に表現された地域内の建物あるいは建物群に対して、地域外から吹き込む風の風向を表現するデータであったが、風向データ4は風向に加えて風速を情報として有していても構わない。この場合においては、更に精度の高い風速分布を取得可能である。
2 学習データ 21 風速分布推定部
3、31 建物情報データ 24 機械学習器
4、32 風向データ 25 学習モデル
5 風速分布データ 30 推定時入力データ
6、33 建物形状画像 40 推定結果
7、34 建物高さ画像 41 X成分推定結果画像(風速分布画像)
8、35 風向X成分画像 42 Y成分推定結果画像(風速分布画像)
9、36 風向Y成分画像 43 Z成分推定結果画像(風速分布画像)
10 風速分布X成分画像(風速分布画像)X 軸線方向、第1の水平方向
11 風速分布Y成分画像(風速分布画像)Y 軸線方向、第2の水平方向
12 風速分布Z成分画像(風速分布画像)Z 軸線方向、鉛直方向
14 学習時入力データ
Claims (3)
- 建物周辺の風速分布を推定する、風速分布推定装置であって、
建物の形状情報を含む建物情報データ、風向データ、及び、前記建物情報データ及び前記風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルを備え、当該学習モデルに前記風速分布の推定対象となる建物情報データと風向データを入力して前記風速分布を推定し、推定結果を出力する、風速分布推定部を備え、
前記風速分布データ及び前記推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する前記軸線方向に成分分解された風速分布情報が格納されている、風速分布推定装置。 - 前記複数の軸線方向は、第1の水平方向と、当該第1の水平方向に水平面内で直交する第2の水平方向、及び鉛直方向である、請求項1に記載の風速分布推定装置。
- 建物周辺の風速分布を推定する、風速分布推定方法であって、
建物の形状情報を含む建物情報データ、風向データ、及び、前記建物情報データ及び前記風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルに対し、前記風速分布の推定対象となる建物情報データと風向データを入力して前記風速分布を推定し、推定結果を出力する工程を備え、
前記風速分布データ及び前記推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する前記軸線方向に成分分解された風速分布情報が格納されている、風速分布推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019009279A JP7220083B2 (ja) | 2019-01-23 | 2019-01-23 | 風速分布推定装置及び風速分布推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019009279A JP7220083B2 (ja) | 2019-01-23 | 2019-01-23 | 風速分布推定装置及び風速分布推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020118536A true JP2020118536A (ja) | 2020-08-06 |
JP7220083B2 JP7220083B2 (ja) | 2023-02-09 |
Family
ID=71890589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019009279A Active JP7220083B2 (ja) | 2019-01-23 | 2019-01-23 | 風速分布推定装置及び風速分布推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7220083B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022044533A1 (ja) * | 2020-08-27 | 2022-03-03 | ソニーグループ株式会社 | 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置 |
WO2022249882A1 (ja) * | 2021-05-26 | 2022-12-01 | ピクシーダストテクノロジーズ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
WO2022260099A1 (ja) * | 2021-06-09 | 2022-12-15 | 千代田化工建設株式会社 | 流体状態推定システム、学習装置、学習プログラム、推定装置、及び推定プログラム |
CN117969881A (zh) * | 2024-03-29 | 2024-05-03 | 中国石油大学(华东) | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08184526A (ja) * | 1994-12-28 | 1996-07-16 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
JP2003203194A (ja) * | 2001-08-17 | 2003-07-18 | Ohbayashi Corp | 風環境予測プログラム、このプラグラムを格納した媒体および風環境予測方法 |
JP2018004568A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | ニューラルネットワークを用いた建物周辺の風速分布の推定方法及び建物周辺の風速分布推定装置 |
-
2019
- 2019-01-23 JP JP2019009279A patent/JP7220083B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08184526A (ja) * | 1994-12-28 | 1996-07-16 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
JP2003203194A (ja) * | 2001-08-17 | 2003-07-18 | Ohbayashi Corp | 風環境予測プログラム、このプラグラムを格納した媒体および風環境予測方法 |
JP2018004568A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | ニューラルネットワークを用いた建物周辺の風速分布の推定方法及び建物周辺の風速分布推定装置 |
Non-Patent Citations (2)
Title |
---|
村上周三: ""建物周辺気流のシミュレーション"", 写真測量とリモートセンシング, vol. 第24巻,第3号, JPN6022037178, 30 August 1985 (1985-08-30), pages 23 - 32, ISSN: 0004867018 * |
白澤多一、遠藤芳信、義江龍一郎、持田灯、田中英之: ""高層建物後流弱風域におけるガス拡散性状に関するLESとDurbin型k-εモデルの比較"", 日本建築学会環境系論文集, vol. 第73巻,第627号, JPN6022037179, May 2008 (2008-05-01), pages 615 - 622, ISSN: 0004867019 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022044533A1 (ja) * | 2020-08-27 | 2022-03-03 | ソニーグループ株式会社 | 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置 |
WO2022249882A1 (ja) * | 2021-05-26 | 2022-12-01 | ピクシーダストテクノロジーズ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
WO2022260099A1 (ja) * | 2021-06-09 | 2022-12-15 | 千代田化工建設株式会社 | 流体状態推定システム、学習装置、学習プログラム、推定装置、及び推定プログラム |
JP7248823B1 (ja) * | 2021-06-09 | 2023-03-29 | 千代田化工建設株式会社 | 流体状態推定システム、学習装置、学習プログラム、推定装置、及び推定プログラム |
CN117969881A (zh) * | 2024-03-29 | 2024-05-03 | 中国石油大学(华东) | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7220083B2 (ja) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8089480B2 (en) | Method for meshing a curved surface | |
JP7220083B2 (ja) | 風速分布推定装置及び風速分布推定方法 | |
US10296664B2 (en) | Scalable and precise fitting of NURBS surfaces to large-size mesh representations | |
WO2016051640A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20230177822A1 (en) | Large scene neural view synthesis | |
CN111028335A (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
CN111581776A (zh) | 一种基于几何重建模型的等几何分析方法 | |
JP4842242B2 (ja) | キャラクタアニメーション時の皮膚のしわのリアルタイム表現方法及び装置 | |
JP2023178404A (ja) | 風速分布推定装置及び風速分布推定方法 | |
CN104574518B (zh) | 具有丰富细节的大规模海洋场景半物理绘制方法 | |
EP3591620B1 (en) | Image processing device and two-dimensional image generation program | |
CN114996658A (zh) | 一种基于投影的高超声速飞行器气动热预测方法 | |
JP7187234B2 (ja) | 三次元形状作成装置、三次元形状作成方法および三次元形状作成プログラム | |
KR20230073751A (ko) | 레이아웃 기반의 동일 화풍 영상 생성 시스템 및 방법 | |
CN112184912A (zh) | 一种基于参数化模型和位置图的多度量三维人脸重建方法 | |
CN114972587A (zh) | 表情驱动方法、装置、电子设备及可读存储介质 | |
JP2002259886A (ja) | 映像生成機能を有するシミュレーション装置及び映像生成段階を有するシミュレーション方法 | |
CN113724205A (zh) | 图像变化检测方法、设备及存储介质 | |
Siegel et al. | Superimposing height-controllable and animated flood surfaces into street-level photographs for risk communication | |
JP2022018829A (ja) | 学習済モデル生成装置、学習済モデル生成方法、学習済モデル生成プログラム | |
Liu et al. | Fast fluid simulation via dynamic multi-scale gridding | |
JP2023009313A (ja) | 風速風圧推定装置及び風速風圧推定方法 | |
CN107038741B (zh) | 三维渲染二维光影的方法 | |
WO2023199417A1 (ja) | 変状合成データ生成装置および変状合成データ生成方法 | |
CN116778065B (zh) | 图像处理方法、装置、计算机及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210914 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221025 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230130 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7220083 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |