JP7262694B1 - 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム - Google Patents
流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム Download PDFInfo
- Publication number
- JP7262694B1 JP7262694B1 JP2023504860A JP2023504860A JP7262694B1 JP 7262694 B1 JP7262694 B1 JP 7262694B1 JP 2023504860 A JP2023504860 A JP 2023504860A JP 2023504860 A JP2023504860 A JP 2023504860A JP 7262694 B1 JP7262694 B1 JP 7262694B1
- Authority
- JP
- Japan
- Prior art keywords
- flow field
- analysis result
- data
- calculation method
- learning model
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 104
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 101100326803 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) fac-2 gene Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000917 particle-image velocimetry Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
例えば、特許文献1では、複数の建物を含む市街地を対象として、ニューラルネットワークにより風速分布を予測する手法が提案されている。
なお、流れ場としては、風速又は風圧等が想定されるが、以下の実施形態では、平均風速の分布を予測する場合を例に説明する。
具体的には、周囲の建物における風の剥離、後流、及び縮流の少なくともいずれかの情報を含む複雑な流れ場の情報を入力とする。
第2の計算手法には、例えば、LES(Large Eddy Simulation)、DNS(Direct Numerical Simulation)、実験によるPIV(Particle Image Velocimetry)、格子ボルツマン法等を適用できる。
なお、第1の計算手法はRANS、第2の計算手法はLESであるとする。
第1施形態では、学習モデルへの入力は、RANSにより計算された、街区内のある高さにおけるx軸、y軸、z軸の3方向それぞれの風速分布を表す画像データ3枚と、予測精度向上のために適宜追加される画像データである。
流れ場予測装置1は、学習装置としての機能も併せ持ち、学習モデルの学習フェーズ、及び学習済みモデルを用いた予測フェーズのそれぞれを実行する。
なお、学習装置としての機能は、他の情報処理装置に設けられてもよい。この場合、十分な数の教師データにより学習された学習モデルのパラメータが流れ場予測装置1に提供される。
制御部10は、流れ場予測装置1の全体を制御する部分であり、記憶部20に記憶された流れ場予測プログラムを含む各種ソフトウェアを適宜読み出して実行することにより、本実施形態における各機能を実現する。制御部10は、CPUであってよい。
具体的には、記憶部20は、流れ場予測プログラム等の各種ソフトウェアの他、学習モデルを構成するための各種パラメータ、教師データ等を記憶する。
このとき、第1のデータ取得部11は、街区における所定の高さの流れ場の情報(XY断面情報)からなる平面データに加えて、近接する複数の平面データを、解析結果として取得してもよい。例えば、ある高さのXY断面情報1枚に加えて、計算メッシュの幅(例えば、数十センチメートル~数メートルの所定の幅)で上下いずれか又は両方の1枚ずつ、又は数枚ずつが取得されてもよい。
この第2の解析結果は、第1のデータ取得部11により得られる第1の解析結果に対応した、同一の街区における同一高さの流れ場の情報を示す、より高精度な解析結果である。
なお、本実施形態における学習モデルは、例えば、CNNの一種であるU-Net++を用いることとするが、これには限られず、各種の機械学習モデルが採用されてよい。
このとき、解析結果取得部14は、第1のデータ取得部11と同一の形式で解析結果を取得する。
このとき、学習モデルは、予測対象の街区における所定の高さ、及び近接する高さの解析結果の入力に対して、少なくとも所定の高さの予測結果を出力する。
まず、RANSによる解析結果は、ある高さに対して、3軸方向それぞれの風速分布を示す3枚の画像データとして提供され、画素値が各セルの平均風速を示している。
建物高さデータは、街区内に存在する建物の位置及び高さを示し、例えば、画素値で各位置(セル)の高さが表現された画像データである。
建物からの距離データは街区内の各位置(セル)から最も近い建物までの距離を示し、例えば、画素値で距離が表現された画像データである。
ここでは、予測対象とする高さに関する入力データに対して、上下の近接する高さのRANSによる解析結果である6枚の画像が追加されている。
この入力データに対して、出力データは、LESによる解析結果に相当する少なくとも3枚の画像である。
第2実施形態では、流れ場予測装置1の機能構成は第1実施形態と同様であるが、学習モデルの入出力が異なる。
具体的には、学習モデルへの入力は、RANSにより計算された、街区内の所定範囲の連続する各高さにおけるX軸、Y軸、Z軸の3方向それぞれの風速分布を表す画像データ3枚ずつと、予測精度向上のために適宜追加される画像データである。すなわち、高さ範囲に応じて、連続した複数枚の画像セットが軸毎の3セット用意される。
すなわち、第2のデータ取得部12が取得する解析結果についても、第1のデータ取得部11と同一の範囲の高さの連続した複数の平面データである。
ここでは、高さ方向に連続したRANSによる解析結果を示す例えば32枚の画像群が3セット入力されている。
この入力データに対して、出力データも同様に、予測結果を示す32枚の画像群が3セットである。
第3実施形態では、流れ場予測装置1の機能構成は第1実施形態及び第2実施形態と同様であるが、学習モデルの構成及び入出力がいずれとも異なる。
学習モデルへは、RANSにより計算された、街区内の所定範囲の連続する各高さにおける風速分布を表す画像データを順次入力するのに加えて、さらに、直前の入力に応じて得られた出力が順次入力に加えられる。これにより、高さ方向に連続した複数の予測結果が順次出力される。
なお、第1実施形態及び第2実施形態と同様に、予測精度向上のために追加の情報が適宜入力されてもよい。
ここでは、学習モデルの一例として、時系列データを扱う回帰型ニューラルネットワークの一種であるLSTM(Long Short Term Memory)がU-Netと組み合わせて用いられている。
第4実施形態では、流れ場予測装置1の機能構成は第3実施形態と同一であるが、学習モデルの入出力が異なる。
学習モデルは、第3実施形態と同様に、複数の解析結果を順次処理するが、このとき時系列に入力されるのは、第3実施形態の高さ方向に連続するデータと異なり、時間方向に連続するデータである。これにより、時間の連続した複数の予測結果が出力される。
前述の実施形態による流れ場の予測精度に関して、第1の計算手法としてのRANSによる解析結果を利用しない場合と比較した結果を示す。
ここでは、RANSによる解析結果に加えて、断面形状、風向、建物高さ、建物からの距離、近接するXY断面(水平面)の情報を学習モデルの入力とし、第1実施形態による予測結果を例示する。
RANS及びLESによる解析結果を表すデータは、街区領域から、X,Y,Z方向に769×769×399のセルをもつ同寸法の領域に線形補間して作成した。分割された各セルは、X,Y,Z方向の時間平均風速を成分として持つ。また、建物形状を表すデータは、各セル内における建物の占有率を要素とする769×769×399の3次元データとした。学習の際は、これらのデータをXY平面(水平面)でスライスし、さらに街区の中心部分を512×512にトリミングした2次元データにして用いた。
具体的には、風速ベクトルのユークリッド距離の他、次の文献Aで示されているhit rate、及びFAC2を用いた。なお、hit rate及びFAC2は、LESの計算結果を真値とし、1風向のデータに関してセル毎の風速ベクトルのスカラー値を比較して算出した。
文献A: Okaze et al.: Large-eddy simulation of flow around an isolated building: A step-by-step analysis of influencing factors on turbulent statistics, Building and Environment, 2021.
ユークリッド距離が小さいほど、また、hit rate及びFAC2の値が1に近いほど、LESの計算結果を再現できていると考えることができる。
図7は、街区における高さ毎の精度指標の平均値を示すグラフである。
ここでは、高さ6m付近と高さ40m付近における実験結果を示している。
6m付近のLES-RANSの分布では距離の大きい建物隅角部周辺等において、LES-モデルBの分布では誤差が補正されていることがわかる。また、40m付近の分布を比較すると、モデルBでは、建物に起因する剥離及び後流域等での改善がみられ、RANSが苦手とする流れ場が改善されている。
これにより、流れ場予測装置1は、処理負荷が比較的小さい第1の計算手法による解析結果を、より高精度な第2の計算手法による解析結果に相当する精度に補正することができた。
したがって、流れ場予測装置1は、複数の建物を含む街区における複雑な流れ場を高精度に、かつ、効率的に予測することができる。
また、風速に代えて、又は加えて風圧を解析対象としてもよい。
10 制御部
11 第1のデータ取得部
12 第2のデータ取得部
13 学習処理部
14 解析結果取得部
15 予測処理部
20 記憶部
Claims (11)
- 複数の建物を含む街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第1の計算手法に基づく解析結果を取得する解析結果取得部と、
少なくとも前記第1の計算手法に基づく解析結果を含む入力データに対して、前記第1の計算手法よりも高精度な第2の計算手法に基づく解析結果を正解データとする教師データにより学習された学習モデルに対して、前記解析結果取得部により取得された新たな解析結果を入力し、当該学習モデルの出力を前記流れ場の予測結果として出力する予測処理部と、を備える流れ場予測装置。 - 前記解析結果取得部は、前記街区における所定の高さの流れ場の情報からなる平面データを含む複数の平面データを、前記解析結果として取得し、
前記学習モデルは、前記解析結果の入力に対して、少なくとも前記所定の高さの予測結果を出力するものである請求項1に記載の流れ場予測装置。 - 前記解析結果取得部は、所定範囲の高さの連続した複数の前記平面データを前記解析結果として取得し、
前記学習モデルは、前記解析結果の入力に対して、当該入力と同一範囲の高さの連続した複数の予測結果を出力するものである請求項2に記載の流れ場予測装置。 - 前記解析結果取得部は、所定範囲の高さの連続した複数の前記平面データを前記解析結果として取得し、
前記学習モデルは、前記平面データを入力して得られる連続した高さ方向の出力を順次入力に加えることにより、高さの連続した複数の予測結果を出力するものである請求項2に記載の流れ場予測装置。 - 前記解析結果取得部は、時間の連続した複数の前記平面データを前記解析結果として取得し、
前記学習モデルは、前記平面データを入力して得られる連続した時間方向の出力を順次入力に加えることにより、時間の連続した複数の予測結果を出力するものである請求項2に記載の流れ場予測装置。 - 前記第1の計算手法に基づく解析結果は、風の剥離、後流、及び縮流の少なくともいずれかの情報を含む請求項1から請求項5のいずれかに記載の流れ場予測装置。
- 前記第1の計算手法は、RANS(Reynolds-Averaged Navier-Stokes Simulation)であり、
前記第2の計算手法は、LES(Large Eddy Simulation)である請求項1から請求項5のいずれかに記載の流れ場予測装置。 - 前記学習モデルは、CNN(Convolutional Neural Network)により構成される請求項1から請求項5のいずれかに記載の流れ場予測装置。
- 複数の建物を含む街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第1の計算手法に基づく第1の解析結果を取得する第1のデータ取得部と、
前記街区を対象領域とした流れ場について、前記第1の計算手法よりも高精度な第2の計算手法に基づく第2の解析結果を取得する第2のデータ取得部と、
前記第1の解析結果を含む入力データに対して、前記第2の解析結果を正解データとする教師データにより、学習モデルを更新する学習処理部と、を備える学習装置。 - 請求項1から請求項5のいずれかに記載の流れ場予測装置としてコンピュータを機能させるための流れ場予測プログラム。
- 請求項9に記載の学習装置としてコンピュータを機能させるための学習プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/034587 WO2024057497A1 (ja) | 2022-09-15 | 2022-09-15 | 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7262694B1 true JP7262694B1 (ja) | 2023-04-21 |
JPWO2024057497A1 JPWO2024057497A1 (ja) | 2024-03-21 |
Family
ID=86052923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023504860A Active JP7262694B1 (ja) | 2022-09-15 | 2022-09-15 | 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7262694B1 (ja) |
WO (1) | WO2024057497A1 (ja) |
Citations (4)
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 |
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 |
JP2021124368A (ja) * | 2020-02-05 | 2021-08-30 | 大成建設株式会社 | 風速分布推定装置及び風速分布推定方法 |
JP2022124878A (ja) * | 2021-02-16 | 2022-08-26 | 株式会社竹中工務店 | 気象予測装置 |
-
2022
- 2022-09-15 JP JP2023504860A patent/JP7262694B1/ja active Active
- 2022-09-15 WO PCT/JP2022/034587 patent/WO2024057497A1/ja unknown
Patent Citations (4)
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 |
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 |
JP2021124368A (ja) * | 2020-02-05 | 2021-08-30 | 大成建設株式会社 | 風速分布推定装置及び風速分布推定方法 |
JP2022124878A (ja) * | 2021-02-16 | 2022-08-26 | 株式会社竹中工務店 | 気象予測装置 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2024057497A1 (ja) | 2024-03-21 |
WO2024057497A1 (ja) | 2024-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elshaer et al. | Multiobjective aerodynamic optimization of tall building openings for wind-induced load reduction | |
Wu et al. | An Improved Teaching‐Learning‐Based Optimization Algorithm with Reinforcement Learning Strategy for Solving Optimization Problems | |
Chen et al. | Improved particle swarm optimization-based form-finding method for suspension bridge installation analysis | |
Cheng | Hybrid genetic algorithms for structural reliability analysis | |
JP2005135287A (ja) | 予測装置、予測方法および予測プログラム | |
CN104408518A (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
Li et al. | Dynamic wind farm wake modeling based on a Bilateral Convolutional Neural Network and high-fidelity LES data | |
Bhattacharya | Evolutionary approaches to expensive optimisation | |
Kaseb et al. | Towards CFD-based optimization of urban wind conditions: Comparison of Genetic algorithm, Particle Swarm Optimization, and a hybrid algorithm | |
CN115470704A (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
Sieger et al. | A comprehensive comparison of shape deformation methods in evolutionary design optimization | |
Ye et al. | Global optimization method using ensemble of metamodels based on fuzzy clustering for design space reduction | |
Tenne | An optimization algorithm employing multiple metamodels and optimizers | |
Yuan et al. | A novel multi-step reinforcement learning method for solving reward hacking | |
Yi et al. | Efficient global optimization using a multi-point and multi-objective infill sampling criteria | |
CN112633591B (zh) | 一种基于深度强化学习的空间搜索方法及设备 | |
JP7262694B1 (ja) | 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム | |
Leiteritz et al. | Learning free-surface flow with physics-informed neural networks | |
Kosicki et al. | HYDRA distributed multi-objective optimization for designers | |
Tinmitondé et al. | Single-objective aerodynamic optimization of a streamlined bridge deck subjected to shape modification using a polynomial emulator and genetic algorithm | |
Lückehe et al. | On evolutionary approaches to wind turbine placement with geo-constraints | |
Shimoyama et al. | Practical implementation of robust design assisted by response surface approximation and visual data-mining | |
Sheehan et al. | Predicting linearised wind resource grids using neural networks | |
Eleftheriadis et al. | Multilevel computational model for cost and carbon optimisation of reinforced concrete floor systems | |
Jin et al. | Differential evolution with the mutation strategy transformation based on a quartile for numerical optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230124 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230124 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20230126 |
|
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: 20230314 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7262694 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |