JP2023009313A - 風速風圧推定装置及び風速風圧推定方法 - Google Patents

Abstract

【課題】短時間で簡易かつ詳細に、風速分布と風圧分布を推定可能な、風速風圧推定装置及び風速風圧推定方法を提供する。
【解決手段】建物及び建物周辺の３次元形状を表す建物情報データ３と、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３次元空間での風速分布データ５と風圧分布データ６を、学習データ２として深層学習された学習済みモデル２５を備え、学習済みモデル２５に風速分布及び風圧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及び風圧分布を推定し、これを基に推定結果４０を出力する、風速風圧推定部２１を備えている、風速風圧推定装置。
【選択図】図１

Description

特許法第３０条第２項適用申請有り 発行者名：一般社団法人日本鋼構造協会、公益社団法人土木学会、公益社団法人日本気象学会、一般社団法人日本風工学会、一般社団法人日本建築学会、刊行物名：風工学シンポジウム講演梗概集 第２６巻、発行年月日：２０２０年１１月１日。 集会名：第２６回風工学シンポジウム、主催者名：一般社団法人日本鋼構造協会、公益社団法人土木学会、公益社団法人日本気象学会、一般社団法人日本風工学会、一般社団法人日本建築学会、開催日：２０２０年１２月２日。

本発明は、風速風圧推定装置及び風速風圧推定方法に関する。

従来より、例えば高層建築物の周辺におけるビル風等の風環境を評価することが行われている。風環境は、例えば風洞実験や数値流体解析により、風速分布や風圧分布として評価されることがある。
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、建物周辺の風速等が評価される。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、実際に模型に風を当てて物理的に風速や風圧を計測するため、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。
さらに、風洞実験において、風速を計測する手段としては、例えばＰＩＶ（Ｐａｒｔｉｃｌｅ Ｉｍａｇｅ Ｖｅｌｏｃｉｍｅｔｒｙ）が採用され得る。また、風圧を計測する手段としては、模型表面に感圧塗料を塗布し、その発光強度の変化を観測することが考えられる。しかし、これらの手段においては、計測値、観測値の取得は、２次元の平面内に限定され、３次元的空間内の各位置について、立体的に、計測値、観測値を取得するのは難しい。

数値流体解析においては、コンピュータ上に評価の対象となる建物をモデリングし、これに対して、離散化・モデル化された流体運動に関する方程式を適用することによって、風速の近似解が計算される。特許文献２には、流体解析の結果を基にした風環境予測方法が開示されている。
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。このような計算手法の代表的なものとして、風速や風圧の変動、最大値、あるいは最小値を時刻歴で計算可能なＬＥＳ（Ｌａｒｇｅ Ｅｄｄｙ Ｓｉｍｕｌａｔｉｏｎ）が挙げられるが、特にＬＥＳにおいては、空間を非常に細かい格子に分割する必要があり、計算負荷が非常に高く、現実的ではない。

上記のような風洞実験や数値流体解析に加え、特に近年、ニューラルネットワークにより風環境を評価する試みが行われている。
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環境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。

特許文献３の風速分布推定装置においては、上記のように、各画素値が対応する地点の風速を表す値であり、したがって各地点における風圧に関する情報が取得できない。
また、当該風速分布推定装置が結果として出力するものは、２次元的な情報しか有し得ない画像である。したがって、風洞実験の場合と同様に、３次元的空間内の各位置について、詳細に、風速を推定するのは難しい。
短時間で簡易かつ、より詳細に、風速及び風圧を評価することが望まれている。

特開２０１４－４８１２０号公報 特開２０１８－１６５８８４号公報 特開２０１８－４５６８号公報

本発明が解決しようとする課題は、短時間で簡易かつ詳細に、風速分布と風圧分布を推定可能な、風速風圧推定装置及び風速風圧推定方法を提供することである。

本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、建物周りの風速分布、及び風圧分布を推定する、風速風圧推定装置であって、建物及び当該建物周辺の３次元形状を表す建物情報データと、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３次元空間での風速分布データと風圧分布データを、学習データとして深層学習された学習済みモデルを備え、当該学習済みモデルに前記風速分布及び前記風圧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及び前記風圧分布を推定し、これを基に推定結果を出力する、風速風圧推定部を備え、前記風速分布データ及び前記学習済みモデルが推定した前記風速分布の各々には、前記３次元空間内の各位置での、互いに直交する複数の軸線方向の各々に対応する風速情報が格納され、前記風圧分布データ及び前記学習済みモデルが推定した前記風圧分布の各々には、前記３次元空間内の各位置での風圧情報が格納されている、風速風圧推定装置を提供する。
上記のような構成によれば、学習済みモデルは、建物情報データと、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３次元空間での風速分布データと風圧分布データを、学習データとして深層学習されている。この学習済みモデルに風速分布及び風圧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すると、学習済みモデルは風速分布及び前記風圧分布を推定する。
ここで、風速分布データと、この風速分布データを教師データとしてこれに近い値を出力するように深層学習された学習済みモデルにより推定された風速分布の各々には、３次元空間内の各位置での、互いに直交する複数の軸線方向の各々に対応する風速情報が格納されている。すなわち、学習済みモデルにより、３次元空間内の各位置での、複数の軸線方向に対応する風速を推定することができる。また、各位置において、複数の軸線方向の各々における風速を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。
また、風圧分布データと、この風圧分布データを教師データとしてこれに近い値を出力するように深層学習された学習済みモデルにより推定された風圧分布の各々には、３次元空間内の各位置での風圧情報が格納されている。すなわち、学習済みモデルにより、３次元空間内の各位置での風圧を推定することができる。
特に、上記のように構成された学習済みモデルは、３次元空間内の各位置での風速分布と風圧分布を、まとめて推定する。すなわち、学習済みモデルは、３次元空間内の各軸線方向において、連続性を有した状態の結果を推定することが可能である。このため、２次元的な情報を推定するような手法に比べると、推定結果はより正確で詳細なものとなっている。
さらに、上記の構成においては、深層学習された学習済みモデルによって風速分布と風圧分布を推定するため、風洞実験や数値流体解析を用いた場合に比べると、短時間かつ簡易な処理で実現可能である。
したがって、短時間で簡易かつ詳細に、風速分布と風圧分布を推定可能な、風速風圧推定装置を実現可能である。

本発明の一態様においては、前記建物情報データは、建物部分を０とし、非建物部分を１とする２値で構成される３次元データとしてモデル化され、前記風速分布データ及び前記風圧分布データの、前記建物部分に該当する部分は、値が０に設定され、前記学習済みモデルは、学習時には、推定した前記風速分布及び風圧分布の各々の、前記３次元空間内の各位置における値と、当該位置に対応する前記建物情報データの値とを乗算した結果を、前記風速分布データ及び前記風圧分布データと比較することにより深層学習される。
学習済みモデルは、学習時には、基本的には、推定した風速分布及び風圧分布の各々と、教師データとしての風速分布データ及び風圧分布データとを比較し、その差異を反映させることにより深層学習される。
ここで、上記のような構成においては、風速分布データ及び風圧分布データの、建物部分に該当する部分は、値が０に設定されている。また、建物情報データは、建物部分を０とし、非建物部分を１とする２値で構成される３次元データとしてモデル化されており、学習済みモデルは、学習時には、推定した風速分布及び風圧分布の各々の、３次元空間内の各位置における値と、当該位置に対応する建物情報データの値とを乗算した結果を、風速分布データ及び風圧分布データと比較することにより深層学習される。すなわち、深層学習の基となるものであり、比較により差異が求められる対象である、学習時に推定した風速分布及び風圧分布に対して建物情報データの値を乗算した結果と、風速分布データ及び風圧分布データの各々においては、建物部分が共に０となっている。このため、学習済みモデルが学習時に、仮に、風速または風圧として、建物部分に対して０とはならない何らかの値を推定したとしても、これは教師データすなわち風速分布データ及び風圧分布データの各々と比較される際には０が乗算されて値が０となっているため、教師データとの間で差異は生じず、結果的に学習済みモデルの学習には反映されない。
このような構成とすることで、学習済みモデルは、建物の形状等に関する特徴を過度に学習せずに済み、結果として、非建物部分の風速、風圧に関する特徴のみを集中して学習することができる。これにより、学習済みモデルの学習効率を向上させ、風速分布、風圧分布の推定精度を更に高めることができる。

また、本発明は、建物周りの風速分布、及び風圧分布を推定する、風速風圧推定方法であって、建物及び当該建物周辺の３次元形状を表す建物情報データ、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３次元空間での風速分布データと風圧分布データを、学習データとして深層学習された学習済みモデルに対し、前記風速分布及び前記風圧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及び前記風圧分布を推定し、これを基に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学習済みモデルが推定した前記風速分布の各々には、前記３次元空間内の各位置での、互いに直交する複数の軸線方向の各々に対応する風速情報が格納され、前記風圧分布データ及び前記学習済みモデルが推定した前記風圧分布の各々には、前記３次元空間内の各位置での風圧情報が格納されている、風速風圧推定方法を提供する。
上記のような構成によれば、短時間で簡易かつ詳細に、風速分布と風圧分布を推定可能な、風速風圧推定方法を実現可能である。

本発明によれば、短時間で簡易かつ詳細に、風速分布と風圧分布を推定可能な、風速風圧推定装置及び風速風圧推定方法を提供することができる。

本発明の実施形態における風速風圧推定装置のブロック図である。 上記風速風圧推定装置における機械学習器の模式的な説明図である。 上記機械学習器の入力となる建物情報データの説明図である。 上記機械学習器の入力となる風向データの説明図である。 上記機械学習器の入力となる風速分布Ｘ成分データの説明図である。 上記機械学習器の入力となる風速分布Ｙ成分データの説明図である。 上記機械学習器の入力となる風速分布Ｚ成分データの説明図である。 上記機械学習器の入力となる風圧分布データの説明図である。 上記機械学習器の学習が終了した学習済みモデルの模式的な説明図である。 風速分布合成結果の説明図である。 風圧分布推定結果の説明図である。 上記風速風圧推定装置を用いた風速風圧推定方法の、深層学習時のフローチャートである。 上記風速風圧推定装置を用いた風速風圧推定方法の、風速風圧推定時のフローチャートである。

以下、本発明の実施形態について図面を参照して詳細に説明する。
図１は、本実施形態における風速分布推定装置のブロック図である。
本実施形態における風速風圧推定装置１は、上記のように、任意の建物において、建物周りの風速分布、及び風圧分布を推定する装置である。風速風圧推定装置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。風速風圧推定装置１は、学習部２０、風速風圧推定部２１、学習済み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。
これら風速風圧推定装置１の構成要素のうち、学習部２０、風速風圧推定部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、学習済み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）によって処理され得る。

後に説明するように、風速風圧推定部２１は、建物及び当該建物周辺の３次元形状を表す建物情報データ３１と、風向データ３２とが入力されると、これに対応する風速分布及び風圧分布を推定し、これを基にした推定結果４０を出力する。この推定を効果的に行うために、風速風圧推定部２１は、学習部２０に設けられた機械学習器２４を機械学習することにより生成された学習済みモデル２５を備えている。より詳細には、学習部２０は、学習データ２を機械学習器２４に入力して機械学習を行い、風速分布及び風圧分布の推定に関する学習済みモデルパラメータを生成する。換言すれば、機械学習器２４は、学習時の、すなわち学習中途段階の、学習済みモデル２５である。
すなわち、風速風圧推定装置１は大別して、風速分布及び風圧分布の学習と、風速分布及び風圧分布の推定の、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、風速分布及び風圧分布の学習時における、風速風圧推定装置１の各構成要素の説明をした後に、風速分布及び風圧分布の推定時での各構成要素の挙動について説明する。

風速分布の学習時には、学習データ２を基に、学習部２０が機械学習器２４を機械学習させる。この機械学習器２４が深層学習されることにより、学習済みモデル２５が生成される。図２は、機械学習器２４の模式的な説明図である。学習データ２は、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と風圧分布データ６を備えている。
建物情報データ３は、風速風圧推定装置１において風速分布及び風圧分布の推定の対象となる３次元の対象領域内の、どの部分に建物や、風が通過する場合に障害となる構造物等が在るかを表現している。建物情報データ３は、上記のような対象領域内を、水平面内に位置して延在する第１の軸線方向であるＸ方向と、水平面内に位置してＸ方向に直交して延在する第２の軸線方向であるＹ方向と、及び水平面内に直交する方向、すなわちＸ方向とＹ方向の双方に直交する第３の軸線方向であるＺ方向の、互いに直交する複数の軸線方向Ｘ、Ｙ、Ｚの各々に細分化して分割されている。すなわち、建物情報データ３は、Ｘ方向、Ｙ方向、及びＺ方向の各々に、建物情報データ３を構成する最小単位であるボクセルを連接させることにより形成された、ボクセルの集合として、表現されている、ボクセルデータである。
本実施形態において、建物情報データ３の、建物等の風の障害となる構造物等に相当する建物部分３ａにおいては、０の値が設定されており、それ以外の、風が通過し得る部分に相当する非建物部分３ｂにおいては、１の値が設定されている。このように、建物情報データ３は、０と１の２値で構成される３次元データとしてモデル化されることで、対象領域内の、建物及び建物周辺の、３次元形状を表している。図２においては、建物部分３ａに相当して０の値が設定されているボクセルのみが表示されているが、実際には、非建物部分３ｂを含む対象領域全体が、ボクセルにより構成されている。

風向データ４は、風向に関する情報を有するデータである。より詳細には、風向データ４は、既に説明した建物情報データ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る。風向は、建物情報データ３における地域内の地点に依らず、地域内の全ての地点において一意に定められている。
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表現した風向Ｘ成分データ８と、Ｙ方向における成分値を表現した風向Ｙ成分データ９を備えている。
風向Ｘ成分データ８と風向Ｙ成分データ９は、それぞれ、Ｘ方向、Ｙ方向、及びＺ方向の各々において、建物情報データ３と同じ大きさに構成されたボクセルデータである。例えば、風向Ｘ成分データ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値に、全ボクセルが一様に設定されたボクセルデータとすることができる。また、風向Ｙ成分データ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値に、全ボクセルが一様に設定されたボクセルデータとすることができる。なお、図２において、風向Ｘ成分データ８と風向Ｙ成分データ９は、それぞれ２次元的に示されているが、実際には、これらは上記説明のように、３次元的な構造を有するボクセルデータである。

図４は、風向データの説明図である。
本実施形態においては、図４に示されるような、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、かつＸとＹの各々が０以上１以下の値を有し得る２次元の座標系において、風向を、座標（０．５、０．５）を上流としたときの下流の座標として、風向データ４の値を設定している。
例えば、西風の場合には、図４のような座標系において、座標（０．５、０．５）を上流とするとＲ１として示される紙面右方向への風向きとなるため、下流の座標は（１、０．５）となり、したがって、Ｘ方向上での成分値が１、Ｙ方向上での成分値が０．５となる。南風の場合には、座標（０．５、０．５）を上流とするとＲ２として示される紙面上方向への風向きとなるため、下流の座標は（０．５、１）となり、したがって、Ｘ方向上での成分値が０．５、Ｙ方向上での成分値が１となる。南西からの風の場合には、同様に、風向きはＲ３として示される方向となるため、下流の座標は（１、１）となり、したがって、Ｘ方向上での成分値が１、Ｙ方向上での成分値が１となる。西南西からの風の場合には、風向きはＲ４として示される方向となるため、下流の座標は（１、０．７５）となり、したがって、Ｘ方向上での成分値が１、Ｙ方向上での成分値が０．７５となる。さらに、北東からの風の場合には、風向きはＲ５として示される方向となるため、下流の座標は（０、０）となり、したがって、Ｘ方向上での成分値が０、Ｙ方向上での成分値が０となる。
風向Ｘ成分データ８には、上記のようにして求められたＸ方向上での成分値が設定されている。また、風向Ｙ成分データ９には、上記のようにして求められたＹ方向上での成分値が設定されている。

風速分布データ５は、建物情報データ３内に表現された地域における、風速の分布に関する情報、すなわち建物の周囲の各地点における風速に関するデータである。風速分布データ５は、建物情報データ３と風向データ４に対応して得られるデータであり、建物の形状や高さに関する情報である建物情報データ３と、建物情報データ３内に表現された対象地域に吹き込む風に関する情報である風向データ４が与えられた際に、これらを基に一意に決定される。
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、それぞれが建物情報データ３と同じ大きさに構成された、３次元空間でのボクセルデータである、風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２を備えている。

図５、図６、図７は、それぞれ、風速分布Ｘ成分データ、風速分布Ｙ成分データ、風速分布Ｚ成分データの説明図である。
風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１及び風速分布Ｚ成分データ１２は、それぞれ、Ｘ方向、Ｙ方向、及びＺ方向の各々において、建物情報データ３と同じ大きさに構成されたボクセルデータである。風速分布Ｘ成分データ１０においては、各ボクセルの値が、与えられた建物情報データ３と風向データ４に対して、建物情報データ３内に表現された対象領域内の当該ボクセル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ている。風速分布Ｙ成分データ１１及び風速分布Ｚ成分データ１２は、同様に、各ボクセルの値が、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ている。なお、上記のように実際には、風速分布Ｘ成分データ、風速分布Ｙ成分データ、風速分布Ｚ成分データの各々はボクセルデータであり３次元的な構造を有するが、図５、図６、図７においては、地表に相当する水平面とこれに直交する一平面の２つの平面として図示している。
風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各々において、ボクセルに対応する地点が建物の場合、すなわち建物部分３ａに該当する場合には、当該ボクセルの値は０に設定されている。

風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各々は、後に説明するように、機械学習器２４を深層学習する際に教師データとして使用される。風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各々は、風洞実験や数値流体解析、実測等の手段において得ることができる。特に本実施形態においては、３次元の風速、風圧分布が比較的容易に計算できるため、数値流体解析の結果を使用している。このように、風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の実際の値を得るに際し、その周囲の環境が建物情報データ３として、及びその際に与えられた風の向きが風向データ４として、それぞれ、風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２に対応して記憶される。
実際には、機械学習器２４の学習には多くの教師データが必要となる。このため、例えば数値流体解析だけでなく、風洞実験や実測等の他の手法を併せ用いて、風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２を取得することとなる。しかし、これらの分布データは、同じ風速条件で得られたものであるとは限らない。例えば風洞実験の場合には、風洞気流の風速が場合により異なることも考えられるし、数値流体解析の場合には、流入境界に与える風速が場合により異なることも考えられる。実測の場合においては、現地の風速が都度、異なることが容易に想定される。このため、本実施形態においては、風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各ボクセルデータ中のボクセルに設定する値を、風速の基準となる、所定の高さである基準高さの風速で基準化している。

この基準高さは、例えば、建物情報データ３において表現された対象領域の、Ｚ方向における上限となる高さよりもさらに高い高さ位置が採用され得る。
例えば、建築基準法や建築物荷重指針においては、建設地周囲の建物の大小や粗密状況に応じて、地表面粗度区分が定められており、当該区分に応じて、境界層高さ及びべき指数が定義されている。境界層高さは、建設地周囲の建物等の影響により風速が減衰する層の高さであり、境界層高さ以上の風速は便宜的に一定とされている。例えば、建築物荷重指針においては、境界層高さは、中層建築物が散在している地域では４５０ｍ、中層建築物が主となる市街地では５５０ｍ、高層建物が密集する市街地では６５０ｍとされている。また、風速の減衰度合いは指数関数で近似されており、その減衰度合いは上記のべき指数で定義されている。このような、地表面粗度区分に応じたべき指数を用いて算出された境界層高さでの風速により基準化することで、得られた各データ間で風速が異なるような状況であったとしても、風速条件をあわせることが可能となる。
より概念的には、境界層高さは、これよりも低い位置においては、より高い位置よりも、建物の影響で風速が低くなる、そのような境界となる高さであると考えることができる。したがって、本実施形態においては、境界層高さよりも低い高さにおいては、境界層高さよりも、風速が大きくなることは基本的にはないと考え、境界層高さにおける風速を１として、建物情報データ３において表現された対象領域内に位置する各ボクセルの値が１よりも小さい値となるように、風速を基準化している。
なお、本実施形態においては、基準高さを４５０ｍとしている。しかし、例えば上記のような建築物荷重指針によれば、中層建築物が主となる市街地では５５０ｍとしてもよいし、高層建物が密集する市街地では６５０ｍとしてもよい。

より詳細には、風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各々の、各ボクセルの値は、次のようにして設定されている。
まず、上記のように設定された基準高さにおける、風洞実験や数値流体解析における設定風速、あるいは実測の場合には実測値を、基準風速とする。
次に、風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各々において、各ボクセルの値が、当該ボクセルに対応する風速を、０以上１以下の値に基準化した値となるように設定する。この基準化の際には、無風、すなわち風速が０である場合には、０と１の中間の値である０．５となるように対応付ける。そのうえで、風速が正の値である場合、すなわち風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各々において、Ｘ方向、Ｙ方向、Ｚ方向の正方向に風が吹いている場合に、０．５より大きく１以下の値となるように基準化する。また、風速が負の値である場合、すなわち風速分布Ｘ成分データ１０、風速分布Ｙ成分データ１１、及び風速分布Ｚ成分データ１２の各々において、Ｘ方向、Ｙ方向、Ｚ方向の正方向とは逆の方向に風が吹いている場合に、０．５より小さく０以上の値となるように基準化する。このような基準化は、各地点の風速を基準風速で除算して風速比を計算した後、風速比に１を加算してから２で除算することにより実現され得る。
例えば、建物情報データ３において表現された対象領域内のある地点のＸ方向の風速が１０ｍ／ｓであり、基準風速が１３ｍ／ｓである場合には、風速比が１０／１３となるため、これに１を加算して２で除算した値である０．８８５が、風速分布Ｘ成分データ１０の、当該地点に対応するボクセルの値として設定される。
また、建物情報データ３において表現された対象領域内のある地点のＸ方向の風速が－５ｍ／ｓ、すなわちＸ方向とは反対を向くものである場合には、風速比が－５／１３となるため、これに１を加算して２で除算した値である０．３０８が、風速分布Ｘ成分データ１０の、当該地点に対応するボクセルの値として設定される。
このようにして、風速分布データ５には、３次元空間内の各位置での、互いに直交する複数の軸線方向Ｘ、Ｙ、Ｚの各々に対応する風速情報が格納されている。

風圧分布データ６は、建物情報データ３内に表現された地域における、風圧の分布に関する情報、すなわち建物の周囲の各地点における風圧に関するデータである。風圧分布データ６は、建物情報データ３と風向データ４に対応して得られるデータであり、風速分布データ５と同様に、建物情報データ３と風向データ４が与えられた際に、これらを基に一意に決定される。
図８は、風圧分布データの説明図である。
風圧分布データ６は、各ボクセルの値が、与えられた建物情報データ３と風向データ４に対して、建物情報データ３内に表現された対象領域内の当該ボクセルに対応する地点における風圧に相当する値に設定された、３次元空間でのボクセルデータである。なお、上記のように実際には、風圧分布データ６はボクセルデータであり３次元的な構造を有するが、図８においては、地表に相当する水平面とこれに直交する一平面の２つの平面として図示している。
風圧分布データ６において、ボクセルに対応する地点が建物の場合、すなわち建物部分３ａに該当する場合には、当該ボクセルの値は０に設定されている。

風圧分布データ６は、後に説明するように、機械学習器２４を深層学習する際に教師データとして使用される。風速分布データ５と同様に、風圧分布データ６の各々は、風洞実験や数値流体解析、実測等の手段において得ることができる。風圧分布データ６の実際の値を得るに際し、その周囲の環境が建物情報データ３として、及びその際に与えられた風の向きが風向データ４として、それぞれ、風圧分布データ６に対応して記憶される。
風圧分布データ６の各ボクセルの値も、風速分布データ５と同様に、本実施形態においては４５０ｍの値を基準風圧として基準化されている。基準風圧が得られない場合においては、基準風速の２乗に０．６１を乗じて得られる値である速度圧を基準風圧としてもよい。
本実施形態においては、風圧分布データ６の場合においても、風速分布データ５と同様な手順で、値を基準化する。
このようにして、風圧分布データ６には、３次元空間内の各位置での風圧情報が格納されている。

機械学習器２４を機械学習する際に、建物情報データ３と風向データ４は機械学習器２４への入力として使用される。この際の機械学習器２４の出力である学習時出力データ１５は、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及び風圧分布データ６と比較され、この比較結果を基に機械学習器２４が機械学習される。このように、風速分布データ５及び風圧分布データ６は、機械学習における正解値すなわち教師データとして使用され、機械学習器２４は風速分布データ５及び風圧分布データ６に近い学習時出力データ１５を出力するように学習される。
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と風圧分布データ６の各々は、ボクセルデータである。したがって、風速分布データ５及び風圧分布データ６と比較される学習時出力データ１５も当然、ボクセルデータである。このため、本実施形態においては、機械学習器２４は、ボクセルデータを入出力とした場合の処理と相性の良い、３次元の全層畳み込みネットワーク、すなわち３Ｄ－ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）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。

図２に示されるように、機械学習器２４は、畳み込み処理部２７と転置畳み込み処理部２８を備えている。畳み込み処理部２７は、直列に接続された、複数の畳み込み層２７ａ、２７ｂ、２７ｃを備えている。転置畳み込み処理部２８は、同様に直列に接続された、複数の転置畳み込み層２８ｃ、２８ｂ、２８ａを備えている。模式的に示された図２においては、畳み込み層と転置畳み込み層の数はそれぞれ３となるように図示されているが、これら畳み込み層と転置畳み込み層の数は３に限られない。
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、建物情報データ３と、風向データ４を構成する風向Ｘ成分データ８及び風向Ｙ成分データ９の各々は、Ｘ方向、Ｙ方向、及びＺ方向の各々において、同じ大きさに構成されたボクセルデータである。実際には、これら建物情報データ３、風向Ｘ成分データ８、及び風向Ｙ成分データ９は、一つのボクセルデータである学習時入力データ１４として統合され、この学習時入力データ１４が機械学習器２４に入力される。学習時入力データ１４は、例えば、建物情報データ３、風向Ｘ成分データ８、及び風向Ｙ成分データ９の各々の、同一の地点に対応するボクセルの値が、学習時入力データ１４の対応する位置のボクセル内の、異なるチャネルの値となるように設定することで、統合され得る。

畳み込み層２７ａは、所定の数のフィルタを備えている。機械学習器２４は、各フィルタに対し、これを学習時入力データ１４上に位置付け、フィルタ内の学習時入力データ１４の各ボクセルの値に対して、フィルタ内にボクセルの位置に対応して設定された重みを付けて和を計算することで、畳み込みフィルタ処理を実行する。これにより、畳み込み層２７ａにおける１つのボクセルの値が演算される。機械学習器２４は、フィルタを学習時入力データ１４上で所定の解像度刻みで移動させつつ、このような畳み込みフィルタ処理を実行することで複数のボクセルの値を演算し、これを並べて、フィルタに対応した１枚のボクセルデータを生成する。
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へ入力されるボクセルデータとなる。

畳み込み層２７ｂにおいては、畳み込み層２７ａにおいて生成された特徴マップに対して、畳み込み層２７ａと同様に、畳み込みフィルタ処理が実行される。畳み込み層２７ｂ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。
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は、畳み込み処理部２７と対称的な構造となっている。すなわち、学習時入力データ１４は畳み込み処理部２７により低次元に圧縮されたが、転置畳み込み処理部２８においては、低次元に圧縮された状態から拡大し、復元されるように動作する。より詳細には、畳み込み層２７ｃに対応する転置畳み込み処理を実行する転置畳み込み層２８ｃ、畳み込み層２７ｂに対応する転置畳み込み処理を実行する転置畳み込み層２８ｂ、及び畳み込み層２７ａに対応する転置畳み込み処理を実行する転置畳み込み層２８ａを順に経ることで、出力データが生成される。
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内に表現された対象地域における風速分布と風圧分布の、その時点における学習段階での推定結果である、学習時出力データ１５である。学習時出力データ１５は、Ｘ方向、Ｙ方向、及びＺ方向の各々において、学習時入力データ１４と同じ大きさに構成されたボクセルデータである。学習時出力データ１５は、各ボクセルが、第１から第４の、４つのチャネルを有するように構成されている。学習時出力データ１５の各ボクセルの第１チャネルには、当該ボクセルに対応する位置における、Ｘ方向の風速に関する推定結果が格納されている。学習時出力データ１５の各ボクセルの第２チャネルには、当該ボクセルに対応する位置における、Ｙ方向の風速に関する推定結果が格納されている。学習時出力データ１５の各ボクセルの第３チャネルには、当該ボクセルに対応する位置における、Ｚ方向の風速に関する推定結果が格納されている。学習時出力データ１５の各ボクセルの第４チャネルには、当該ボクセルに対応する位置における、風圧に関する推定結果が格納されている。学習時出力データ１５の各ボクセルに対して、第１、第２、第３、及び第４チャネルの各々の値を個別に分離することで、Ｘ成分の風速分布、Ｙ方向の風速分布、Ｚ方向の風速分布、及び風圧分布を、それぞれ得ることができる。
このように、学習時の学習済みモデル２５である機械学習器２４が推定した風速分布（すなわち学習時出力データ１５）には、３次元空間内の各位置での、互いに直交する複数の軸線方向Ｘ、Ｙ、Ｚの各々に対応する風速情報が格納され、機械学習器２４が推定した風圧分布（すなわち学習時出力データ１５）には、３次元空間内の各位置での風圧情報が格納されている。

ここで、機械学習を効率的に実行するために、本実施形態においては、学習部２０は、機械学習器２４が推定した学習時出力データ１５に対し、建物情報データ３を乗算して、学習時推定結果１６を生成する。
より正確には、学習部２０は、学習時出力データ１５の各ボクセルに対し、建物情報データ３の対応する位置のボクセルの値を乗算して、学習時推定結果１６を生成する。既に説明したように、建物情報データ３においては、建物部分３ａに相当するボクセルの値は０に、非建物部分３ｂに相当するボクセルの値は１に、それぞれ設定されている。したがって、このような処理を行うことにより、学習時推定結果１６の、建物部分３ａに相当するボクセルの値は０に設定され、非建物部分３ｂに相当するボクセルの値は、学習時出力データ１５の対応するボクセルの値がそのまま維持されるように設定される。
次に説明するように、機械学習器２４は、基本的には、学習時推定結果１６と、教師データとしての風速分布データ５及び風圧分布データ６とを比較し、その差異を反映させることにより深層学習される。ここで、深層学習の基となるものであり、比較により差異が求められる対象である、学習時推定結果１６と、風速分布データ５及び風圧分布データ６の各々においては、建物部分３ａが共に０となっている。このため、機械学習器２４が学習時に、仮に、風速または風圧として、建物部分３ａに対して０とはならない何らかの値を推定したとしても、これは教師データすなわち風速分布データ５及び風圧分布データ６の各々と比較される際には０が乗算されて値が０となっているため、教師データとの間で差異は生じず、結果的に機械学習器２４の学習には反映されない。
すなわち、上記のような処理を経た学習時推定結果１６を深層学習に用いることにより、機械学習器２４は、建物の形状等に関する特徴を過度に学習せずに済み、結果として、非建物部分３ｂの風速、風圧に関する特徴のみを集中して学習することができる。

機械学習器２４では、学習時推定結果１６が、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と風圧分布データ６すなわち教師データに近い値となるように、機械学習が行われる。このために、学習部２０は、学習時入力データ１４に対応する風速分布データ５の風速分布Ｘ成分データ１０と、当該学習時入力データ１４を入力して得られた学習時推定結果１６の、Ｘ方向の風速に関する推定結果が格納された第１チャネルとを、ボクセル単位で比較する。また、学習部２０は、学習時入力データ１４に対応する風速分布データ５の風速分布Ｙ成分データ１１と、当該学習時入力データ１４を入力して得られた学習時推定結果１６の、Ｙ方向の風速に関する推定結果が格納された第２チャネルとを、ボクセル単位で比較する。続いて、学習部２０は、学習時入力データ１４に対応する風速分布データ５の風速分布Ｚ成分データ１２と、当該学習時入力データ１４を入力して得られた学習時推定結果１６の、Ｚ方向の風速に関する推定結果が格納された第３チャネルとを、ボクセル単位で比較する。さらに、学習部２０は、学習時入力データ１４に対応する風圧分布データ６と、当該学習時入力データ１４を入力して得られた学習時推定結果１６の風圧に関する推定結果が格納された第４チャネルとを、ボクセル単位で比較する。そのうえで、学習部２０は、例えば、これらの比較の結果として得られた、各ボクセル間の、チャネルごとの値の差分の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。
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及び風圧分布データ６に近い学習時出力データ１５を出力するように学習される。
このようにして、機械学習器２４（学習時の学習済みモデル２５）は、学習時には、推定した風速分布及び風圧分布の各々すなわち学習時出力データ１５に対し、３次元空間内の各位置における値と、当該位置に対応する建物情報データ３の値とを乗算した結果である学習時推定結果１６を、風速分布データ５及び風圧分布データ６と比較することにより深層学習される。

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、学習済みモデルパラメータとして、学習済みモデルパラメータ記憶部２２に記憶する。学習済みモデルパラメータ記憶部２２に記憶された学習済みモデルパラメータは、後に説明する風速風圧推定部２１において取得され、風速分布及び風圧分布を推定する学習済みモデル２５が構築される。
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て、学習が終了した、学習済みモデル２５を生成するものである。

次に、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。
風速風圧推定部２１は、学習済みモデルパラメータ記憶部２２から学習済みモデルパラメータを取得し、学習済みモデル２５を構築する。図９は、学習済みモデル２５の模式的な説明図である。風速風圧推定部２１は、この学習済みモデル２５を、例えばＣＰＵ上でプログラムとして実行することで、風速分布と風圧分布を推定する。
学習済みモデル２５の入力データである推定時入力データ３０は、実際に風速分布と風圧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、学習時に学習データ２として使用された建物情報データ３と同様に構成されている。風向データ３２は、風向Ｘ成分データ３５と風向Ｙ成分データ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成分データ８及び風向Ｙ成分データ９と同様に構成されている。推定時入力データ３０は、学習時入力データ１４と同様に、例えば、建物情報データ３１、風向Ｘ成分データ３５、及び風向Ｙ成分データ３６の各々の、同一の地点に対応するボクセルの値が、推定時入力データ３０の対応する位置のボクセル内の、異なるチャネルの値となるように設定することで、統合されている。
推定時入力データ３０の各ボクセルの値は、学習時と同様に基準化されている。

風速風圧推定部２１が学習済みモデル２５に推定時入力データ３０を入力すると、学習済みモデル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に対応する出力データ３８が出力される。
出力データ３８は、学習時出力データ１５と同様に、入力された推定時入力データ３０内の建物情報データ３１と風向データ３２に対応する、建物情報データ３１内に表現された対象地域における風速分布と風圧分布の推定結果である。出力データ３８は、Ｘ方向、Ｙ方向、及びＺ方向の各々において、推定時入力データ３０と同じ大きさに構成されたボクセルデータである。出力データ３８は、学習時出力データ１５と同様に、各ボクセルが、第１から第４の、４つのチャネルを有するように構成されている。出力データ３８の各ボクセルの第１、第２、第３、及び第４の各チャネルには、当該ボクセルに対応する位置における、Ｘ方向の風速に関する推定結果、Ｙ方向の風速に関する推定結果、Ｚ方向の風速に関する推定結果、及び風圧に関する推定結果が、それぞれ格納されている。
このように、学習済みモデル２５が推定した風速分布（すなわち出力データ３８）には、３次元空間内の各位置での、互いに直交する複数の軸線方向Ｘ、Ｙ、Ｚの各々に対応する風速情報が格納され、学習済みモデル２５が推定した風圧分布（すなわち出力データ３８）には、３次元空間内の各位置での風圧情報が格納されている。

風速風圧推定部２１は、学習部２０と同様に、出力データ３８に対して建物情報データ３１を、ボクセルごとに乗算して、建物部分に相当するボクセルの値を０に設定し、非建物部分に相当するボクセルについてはその値を維持するように設定する。
風速風圧推定部２１は、上記のように建物情報データ３１が乗算された結果から、第１、第２、及び第３の各チャネルとして格納された、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、風向情報を、それぞれ、異なるボクセルデータとして分離、抽出する。機械学習器２４を学習する際に教師データとして使用した風速分布データ５においては、既に説明したように、値が０以上１以下の値に基準化されており、学習済みモデル２５はこの教師データに近い値を出力するように学習されているため、学習済みモデル２５が出力した出力データ３８、これに建物情報データ３１が乗算された結果、及び当該結果から抽出された各ボクセルデータにおいても、各ボクセル内の値が０以上１以下の値となっている。風速風圧推定部２１は、各ボクセル内に格納された、各軸線方向Ｘ、Ｙ、Ｚの風速成分値を、実際の風速の値に換算する。
この換算は、風速分布データ５の基準化と逆の手順により実行される。具体的には、推定値に対して２を乗算した後に１を減算して風速比を計算し、これに基準風速を乗算することで、実際の風速を得ることができる。
例えば、基準風速を１５ｍ／ｓとすると、推定値が０．２５６の場合においては、これに２を乗算して１を減算した値である－０．４８８が風速比となり、当該風速比に基準風速１５ｍ／ｓを乗算した値－７．３２ｍ／ｓが、実際の風速となる。
あるいは、推定値が０．７５５の場合においては、これに２を乗算して１を減算した値である０．５１が風速比となり、当該風速比に基準風速１５ｍ／ｓを乗算した値７．６５ｍ／ｓが、実際の風速となる。
風速風圧推定部２１は、このようにして、Ｘ方向、Ｙ方向、及びＺ方向の各々に対して抽出された各ボクセルデータに対し、各ボクセルの値を換算して、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３を生成する。

風速風圧推定部２１はまた、上記のように建物情報データ３１が乗算された結果から、第４チャネルとして格納された、風圧に対応する風圧情報を、ボクセルデータとして分離、抽出する。風速分布の場合と同様に、風圧分布に関して分離、抽出されたボクセルデータにおいても、各ボクセル内の値が０以上１以下の値となっている。風速風圧推定部２１は、各ボクセル内に格納された風圧値を、風速の場合と同様に、実際の風圧の値に換算する。
風速風圧推定部２１は、このようにして、風圧に関して抽出されたボクセルデータの、各ボクセルの値を換算し、風圧分布推定結果４５を生成する。
風速風圧推定部２１は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、Ｚ成分風速分布推定結果４３、及び風圧分布推定結果４５を、推定結果４０として外部に出力する。
また、風速風圧推定部２１は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３を、結果合成部２３へと送信する。
このように、風速風圧推定部２１は、学習済みモデル２５に風速分布及び風圧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及び風圧分布を推定し、これを基に推定結果４０を出力する。

結果合成部２３は、風速風圧推定部２１から、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３を受信する。
結果合成部２３は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３の各々の情報を合成して、風速分布合成結果４４を生成する。風速分布合成結果４４は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３と同等の大きさのボクセルデータである。結果合成部２３は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３の互いに対応するボクセルの各々に対し、これら推定結果４１、４２、４３の各々からボクセルの値、すなわち当該ボクセルに対応する地点における風速のＸ成分値、Ｙ成分値、及びＺ成分値の各々を取得し、これらをベクトルとして、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、全ボクセル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ボクセルデータすなわち風速分布合成結果４４を生成する。
結果合成部２３は、風速分布合成結果４４を外部へ出力する。

図１０は、上記のような風速風圧推定装置１を用いて推定された風速分布合成結果４４の一例である。図１１は、上記のような風速風圧推定装置１を用いて推定された風圧分布推定結果４５の一例である。
実際には、風速風圧推定装置１によって、風速分布、風圧分布共に、ボクセルデータとして推定されるため、３次元空間内における結果が推定されるが、図１０においては、地表に相当する水平面とこれに直交する一平面の２つの平面として、結果を図示している。また、図１１においては、建物の表面に作用する風圧に関して、結果を図示している。

次に、図１～図１１、及び図１２、図１３を用いて、上記の風速風圧推定装置１を用いた風速風圧推定方法を説明する。図１２は風速分布及び風圧分布の学習時のフローチャートであり、図１３は風速分布及び風圧分布の推定時のフローチャートである。
まず、風速分布及び風圧分布の学習時における、風速風圧推定装置１の各構成要素の動作を説明する。
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、学習時出力データ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及び風圧分布データ６を取得し、これら風速分布データ５と風圧分布データ６を教師データとして、教師データと学習時出力データ１５をボクセル単位で比較して、例えば各ボクセル間の値の差分の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、学習済みモデルパラメータとして、学習済みモデルパラメータ記憶部２２に記憶する（ステップＳ３）。

次に、風速分布及び風圧分布の推定時での各構成要素の挙動について説明する。
風速風圧推定部２１は、学習済みモデルパラメータ記憶部２２から学習済みモデルパラメータを取得し、学習済みモデル２５を構築する（ステップＳ１１）。
風速風圧推定部２１は、学習済みモデル２５に、各ボクセルの値が基準化された、推定時入力データ３０を入力する。学習済みモデル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に対応する出力データ３８が出力される。
風速風圧推定部２１は、出力データ３８に対して建物情報データ３１を、ボクセルごとに乗算して、建物部分に相当するボクセルの値を０に設定し、非建物部分に相当するボクセルについてはその値を維持するように設定する。
風速風圧推定部２１は、上記のように建物情報データ３１が乗算された結果から、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、風向情報を、それぞれ、異なるボクセルデータとして分離、抽出し、各ボクセルの値を実際の風速の値に換算して、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３を生成する。
また、風速風圧推定部２１は、上記のように建物情報データ３１が乗算された結果から、風圧に対応する風圧情報を、ボクセルデータとして分離、抽出し、各ボクセルの値を実際の風圧の値に換算して、風圧分布推定結果４５を生成する。
風速風圧推定部２１は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、Ｚ成分風速分布推定結果４３、及び風圧分布推定結果４５を、推定結果４０として外部に出力する（ステップＳ１３）。

また、風速風圧推定部２１は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３を、結果合成部２３へと送信する。
結果合成部２３は、風速風圧推定部２１から、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３を受信する。
結果合成部２３は、Ｘ成分風速分布推定結果４１、Ｙ成分風速分布推定結果４２、及びＺ成分風速分布推定結果４３の各々の情報を合成して、風速分布合成結果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４４を外部へ出力する。

上記のような風速風圧推定装置１は、建物周りの風速分布、及び風圧分布を推定する、風速風圧推定装置１であって、建物及び当該建物周辺の３次元形状を表す建物情報データ３と、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３次元空間での風速分布データ５と風圧分布データ６を、学習データ２として深層学習された学習済みモデル２５を備え、当該学習済みモデル２５に風速分布及び風圧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及び風圧分布（出力データ３８）を推定し、これを基に推定結果４０を出力する、風速風圧推定部２１を備え、風速分布データ５及び学習済みモデル２５が推定した風速分布（出力データ３８）の各々には、３次元空間内の各位置での、互いに直交する複数の軸線方向Ｘ、Ｙ、Ｚの各々に対応する風速情報が格納され、風圧分布データ６及び学習済みモデル２５が推定した風圧分布（出力データ３８）の各々には、３次元空間内の各位置での風圧情報が格納されている。
上記のような構成によれば、学習済みモデル２５は、建物情報データ３と、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３次元空間での風速分布データ５と風圧分布データ６を、学習データ２として深層学習されている。この学習済みモデル２５に風速分布及び風圧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を入力すると、学習済みモデル２５は風速分布及び前記風圧分布（出力データ３８）を推定する。
ここで、風速分布データ５と、この風速分布データ５を教師データとしてこれに近い値を出力するように深層学習された学習済みモデル２５により推定された風速分布（出力データ３８）の各々には、３次元空間内の各位置での、互いに直交する複数の軸線方向Ｘ、Ｙ、Ｚの各々に対応する風速情報が格納されている。すなわち、学習済みモデル２５により、３次元空間内の各位置での、複数の軸線方向Ｘ、Ｙ、Ｚに対応する風速を推定することができる。また、各位置において、複数の軸線方向Ｘ、Ｙ、Ｚの各々における風速を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。
また、風圧分布データ６と、この風圧分布データ６を教師データとしてこれに近い値を出力するように深層学習された学習済みモデル２５により推定された風圧分布（出力データ３８）の各々には、３次元空間内の各位置での風圧情報が格納されている。すなわち、学習済みモデル２５により、３次元空間内の各位置での風圧を推定することができる。
特に、上記のように構成された学習済みモデル２５は、３次元空間内の各位置での風速分布と風圧分布（出力データ３８）を、まとめて推定する。すなわち、学習済みモデル２５は、３次元空間内の各軸線方向Ｘ、Ｙ、Ｚにおいて、連続性を有した状態の結果を推定することが可能である。このため、２次元的な情報を推定するような手法に比べると、推定結果４０はより正確で詳細なものとなっている。
さらに、上記の構成においては、深層学習された学習済みモデル２５によって風速分布と風圧分布を推定するため、風洞実験や数値流体解析を用いた場合に比べると、短時間かつ簡易な処理で実現可能である。
したがって、短時間で簡易かつ詳細に、風速分布と風圧分布を推定可能な、風速風圧推定装置１を実現可能である。

また、建物情報データ３、３１は、建物部分３ａを０とし、非建物部分３ｂを１とする２値で構成される３次元データとしてモデル化され、風速分布データ５及び風圧分布データ６の、建物部分３ａに該当する部分は、値が０に設定され、学習済みモデル２５（機械学習器２４）は、学習時には、推定した風速分布及び風圧分布（学習時出力データ１５）の各々の、３次元空間内の各位置における値と、当該位置に対応する建物情報データ３の値とを乗算した結果（学習時推定結果１６）を、風速分布データ５及び風圧分布データ６と比較することにより深層学習される。
学習済みモデル２５（機械学習器２４）は、学習時には、基本的には、推定した風速分布及び風圧分布の各々と、教師データとしての風速分布データ５及び風圧分布データ６とを比較し、その差異を反映させることにより深層学習される。
ここで、上記のような構成においては、風速分布データ５及び風圧分布データ６の、建物部分３ａに該当する部分は、値が０に設定されている。また、建物情報データ３は、建物部分３ａを０とし、非建物部分３ｂを１とする２値で構成される３次元データとしてモデル化されており、学習済みモデル２５（機械学習器２４）は、学習時には、推定した風速分布及び風圧分布（学習時出力データ１５）の各々の、３次元空間内の各位置における値と、当該位置に対応する建物情報データ３の値とを乗算した結果（学習時推定結果１６）を、風速分布データ５及び風圧分布データ６と比較することにより深層学習される。すなわち、深層学習の基となるものであり、比較により差異が求められる対象である、学習時に推定した風速分布及び風圧分布（学習時出力データ１５）に対して建物情報データ３の値を乗算した結果（学習時推定結果１６）と、風速分布データ５及び風圧分布データ６の各々においては、建物部分３ａが共に０となっている。このため、学習済みモデル２５（機械学習器２４）が学習時に、仮に、風速または風圧として、建物部分３ａに対して０とはならない何らかの値を推定したとしても、これは教師データすなわち風速分布データ５及び風圧分布データ６の各々と比較される際には０が乗算されて値が０となっているため、教師データとの間で差異は生じず、結果的に学習済みモデル２５（機械学習器２４）の学習には反映されない。
このような構成とすることで、学習済みモデル２５（機械学習器２４）は、建物の形状等に関する特徴を過度に学習せずに済み、結果として、非建物部分３ｂの風速、風圧に関する特徴のみを集中して学習することができる。これにより、学習済みモデル２５（機械学習器２４）の学習効率を向上させ、風速分布、風圧分布の推定精度を更に高めることができる。

また、上記のような風速風圧推定方法は、建物周りの風速分布、及び風圧分布を推定する、風速風圧推定方法であって、建物及び当該建物周辺の３次元形状を表す建物情報データ３と、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３次元空間での風速分布データ５と風圧分布データ６を、学習データ２として深層学習された学習済みモデル２５に対し、風速分布及び風圧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及び風圧分布（出力データ３８）を推定し、これを基に推定結果４０を出力する工程を備え、風速分布データ５及び学習済みモデル２５が推定した風速分布（出力データ３８）の各々には、３次元空間内の各位置での、互いに直交する複数の軸線方向Ｘ、Ｙ、Ｚの各々に対応する風速情報が格納され、風圧分布データ６及び学習済みモデル２５が推定した風圧分布（出力データ３８）の各々には、３次元空間内の各位置での風圧情報が格納されている。
上記のような構成によれば、短時間で簡易かつ詳細に、風速分布と風圧分布を推定可能な、風速風圧推定方法を実現可能である。

上記実施形態として示した風速風圧推定装置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、学習済みモデル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、風速分布データ５、風圧分布データ６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風圧推定装置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、風速分布データ５、風圧分布データ６に関する各ボクセルデータの各々に関し、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、風速分布データ５、風圧分布データ６を、同一の位置及び範囲で切り出して、各ボクセルデータの同一座標に位置するボクセルが同一の地点に対応するように留意する必要がある。
同様に、学習データ２中の各ボクセルデータを、Ｚ方向と平行な任意の回転軸を中心として回転させることによっても、新たな学習データ２を生成することができる。
また、学習データ２中の各ボクセルデータを、Ｚ方向と平行な任意の平面あるいは軸線に対して反転させることによっても、新たな学習データ２を生成することができる。
このようにして、一つの学習データ２から複数の学習データ２を生成することにより、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、学習済みモデル２５の推定精度が向上する。

このような、一つの学習データ２からの学習データ２の生成は、学習データ２に対してランダムに、切り出し位置や範囲、回転軸、回転方向、回転角度、反転平面等が設定されることにより行われてもよい。
ただし、例えば、少なくとも地表面はボクセルデータ中に含まれなければならない等、Ｚ方向に関してはランダムに範囲が切り出されることで不適切なデータが生成される可能性がある。
あるいは、地表面がボクセルデータ中の上方に位置して上下が反転されてしまうと、同様に、不適切なデータが生成される。
このため、学習データ２をランダムに生成する場合には、切り出し位置や範囲、回転軸、回転方向、回転角度、反転平面等を適切に設定する必要がある。

なお、本発明の風速分布推定装置及び風速分布推定方法は、図面を参照して説明した上述の実施形態に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。
例えば、上記実施形態及び変形例においては、機械学習器２４及び学習済みモデル２５としてＦＣＮを用いたが、推定精度が損なわれないのであれば、他の構造のニューラルネットワークを使用してもかまわない。
また、ＦＣＮの構造は、図２及び図９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。

また、上記実施形態においては、非建物部分３ｂの風速、風圧に関する特徴のみを集中して学習済みモデル２５（機械学習器２４）を学習させて学習効率を向上させるために、学習時においては学習時出力データ１５に対して建物情報データ３の値を乗算して学習時推定結果１６を生成し、これを教師データと比較した。また、これに対応するように、風速分布及び風圧分布の推定時においては、出力データ３８に対して建物情報データ３１を乗算し、この結果を基に推定結果４０を生成した。
しかし、例えば十分な学習効率が得られるようであれば、これらの建物情報データ３、３１の乗算処理は行わなくても構わない。すなわち、この場合においては、学習時に、学習時出力データ１５を直接、教師データと比較するように構成してもよい。また、風速分布及び風圧分布の推定時に、出力データ３８を直接、推定結果４０として出力するように構成してもよい。
これ以外にも、本発明の主旨を逸脱しない限り、上記実施形態及び変形例で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。

１ 風速風圧推定装置 ２０ 学習部
２ 学習データ ２１ 風速風圧推定部
３、３１ 建物情報データ ２３ 結果合成部
３ａ 建物部分 ２４ 機械学習器（学習時の学習済みモデル）
３ｂ 非建物部分 ２５ 学習済みモデル
４、３２ 風向データ ３０ 推定時入力データ
５ 風速分布データ ３８ 出力データ
６ 風圧分布データ ４０ 推定結果
１４ 学習時入力データ ４４ 風速分布合成結果
１５ 学習時出力データ Ｘ、Ｙ、Ｚ 軸線方向
１６ 学習時推定結果

Claims (3)

1. 建物周りの風速分布、及び風圧分布を推定する、風速風圧推定装置であって、
   建物及び当該建物周辺の３次元形状を表す建物情報データと、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３次元空間での風速分布データと風圧分布データを、学習データとして深層学習された学習済みモデルを備え、当該学習済みモデルに前記風速分布及び前記風圧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及び前記風圧分布を推定し、これを基に推定結果を出力する、風速風圧推定部を備え、
   前記風速分布データ及び前記学習済みモデルが推定した前記風速分布の各々には、前記３次元空間内の各位置での、互いに直交する複数の軸線方向の各々に対応する風速情報が格納され、前記風圧分布データ及び前記学習済みモデルが推定した前記風圧分布の各々には、前記３次元空間内の各位置での風圧情報が格納されている、風速風圧推定装置。
2. 前記建物情報データは、建物部分を０とし、非建物部分を１とする２値で構成される３次元データとしてモデル化され、
   前記風速分布データ及び前記風圧分布データの、前記建物部分に該当する部分は、値が０に設定され、
   前記学習済みモデルは、学習時には、推定した前記風速分布及び風圧分布の各々の、前記３次元空間内の各位置における値と、当該位置に対応する前記建物情報データの値とを乗算した結果を、前記風速分布データ及び前記風圧分布データと比較することにより深層学習されることを特徴とする請求項１に記載の風速風圧推定装置。
3. 建物周りの風速分布、及び風圧分布を推定する、風速風圧推定方法であって、
   建物及び当該建物周辺の３次元形状を表す建物情報データ、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３次元空間での風速分布データと風圧分布データを、学習データとして深層学習された学習済みモデルに対し、前記風速分布及び前記風圧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及び前記風圧分布を推定し、これを基に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学習済みモデルが推定した前記風速分布の各々には、前記３次元空間内の各位置での、互いに直交する複数の軸線方向の各々に対応する風速情報が格納され、前記風圧分布データ及び前記学習済みモデルが推定した前記風圧分布の各々には、前記３次元空間内の各位置での風圧情報が格納されている、風速風圧推定方法。
   

Images