JPH08161294A - Method and device for predicting wind velocity increase area around structure - Google Patents
Method and device for predicting wind velocity increase area around structureInfo
- Publication number
- JPH08161294A JPH08161294A JP33074094A JP33074094A JPH08161294A JP H08161294 A JPH08161294 A JP H08161294A JP 33074094 A JP33074094 A JP 33074094A JP 33074094 A JP33074094 A JP 33074094A JP H08161294 A JPH08161294 A JP H08161294A
- Authority
- JP
- Japan
- Prior art keywords
- wind speed
- shape
- wind
- speed increase
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000005484 gravity Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010206 sensitivity analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、ビルディング等の建築
物周辺に生じる風速増加域を予測する構造物周辺におけ
る風速増加域予測方法及びその装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a wind speed increasing area prediction method and apparatus for predicting a wind speed increasing area around a building such as a building.
【０００２】[0002]
【従来の技術】高層ビルディングや密集地等に建築物を
構築する際には、構築される建築物周辺に生じる風速増
加域等を予測して、建築物周辺に対する風の影響を把握
しておく必要がある。そして、この建築物周辺の風環境
（風速増加域等）は、建築物の高さや形状等を決定する
際の重要な要素の一つである。特に、高層ビルディング
の周辺にはビル風と呼ばれる強風領域（風速増加域）が
生じるために、設計段階で建築物周辺の風速増加域を予
測することが重要になっている。このため、従来は構築
したい建築物周辺の風速増加域の予測を行う場合、例え
ば、構築したい建築物の縮小モデルを作成して風洞実験
を行ったり、机上で作成した建築物の縮小モデルを参考
にして設計者等が検討したり、あるいはコンピュータで
数値シミュレーションを行っていた。2. Description of the Related Art When constructing a building in a high-rise building or a densely populated place, the wind speed increase area around the constructed building is predicted to understand the influence of the wind on the periphery of the building. There is a need. The wind environment (wind speed increase area, etc.) around the building is one of the important factors in determining the height, shape, etc. of the building. In particular, a strong wind region (a wind speed increase region) called a building wind is generated around a high-rise building, so it is important to predict the wind speed increase region around the building at the design stage. Therefore, in the past, when predicting the wind speed increase area around the building you want to build, for example, create a reduced model of the building you want to build and perform a wind tunnel experiment, or refer to the reduced model of the building created on the desk. Then, designers and the like studied or numerical simulation was performed by computer.
【０００３】[0003]
【発明が解決しようとする課題】しかしながら、上記し
た従来の風洞実験による風速増加域の予測では、構築し
たい建築物の縮小モデルを作成したり、風洞実験装置が
必要になるので、予測結果が得られるまでに長時間かか
り、また、装置が大がかりになる。また、机上による風
速増加域の検討では、過去の風洞実験結果等を参考にし
て設計者等が予測するので、設計者によってばらつきが
あり、正確な予測ができない。また、数値シミュレーシ
ョンによる風速増加域の予測では、シミュレーションの
ためのデータの作成および計算に長時間かかり、また、
大型コンピュータが必要になる。本発明は上記した課題
を解決する目的でなされ、構造物周囲に発生する風速増
加域を容易にリアルタイムで予測を行うことができる構
造物周辺における風速増加域予測方法及びその装置を提
供しようとするものである。However, in the prediction of the wind speed increase region by the above-mentioned conventional wind tunnel experiment, it is necessary to create a reduced model of the building to be constructed or a wind tunnel experimental device, and therefore the prediction result is obtained. It takes a long time to be installed, and the size of the device becomes large. Further, in the study of the wind speed increase area on the desk, since the designer and the like make predictions by referring to the results of past wind tunnel experiments, etc., there are variations among the designers, and accurate predictions cannot be made. Moreover, in the prediction of the wind speed increase area by numerical simulation, it takes a long time to create and calculate the data for the simulation.
Requires a large computer. The present invention has been made for the purpose of solving the above-mentioned problems, and an object thereof is to provide a wind speed increase area prediction method and a device therefor capable of easily predicting in real time the wind speed increase area generated around a structure. It is a thing.
【０００４】[0004]
【課題を解決するための手段】前記した課題を解決する
ために第１の発明は、構造物の周辺に生じる風速増加域
を予測する風速増加域予測方法であって、風速増加域を
予測したい構造物の形状情報と前記構造物に対する風向
情報とを入力データとし、予め得られている異なる複数
パターンの構造物の形状データ及び風向データと、それ
に対応する風速増加域の形状データをニューラルネット
ワークで学習させて、その学習結果を作成し、前記入力
データに対し前記ニューラルネットワークによる前記学
習結果に基づいて前記構造物周辺に生じる風速増加域の
形状及び発生箇所を予測することを特徴としている。In order to solve the above-mentioned problems, the first invention is a wind speed increase region prediction method for predicting a wind speed increase region around a structure, and it is desired to predict the wind speed increase region. Using the shape information of the structure and the wind direction information for the structure as input data, the shape data and the wind direction data of the structure of different patterns obtained in advance and the shape data of the wind speed increasing area corresponding thereto are formed by the neural network. It is characterized in that learning is performed, a learning result is created, and the shape and location of the wind speed increasing region around the structure are predicted based on the learning result by the neural network with respect to the input data.
【０００５】また、第２の発明は、構造物の周辺に生じ
る風速増加域を予測する風速増加域予測装置であって、
風速増加域を予測したい構造物の形状情報と前記構造物
に対する風向情報とを入力する入力手段と、予め得られ
ている異なる複数パターンの構造物の形状データ及び風
向データと、それに対応する風速増加域の形状データを
ニューラルネットワークで学習して、その学習結果が作
成されており、前記入力手段から入力される前記構造物
の形状情報と風向情報に対し前記ニューラルネットワー
クによる前記学習結果に基づいて前記構造物周辺に生じ
る風速増加域の形状及び発生箇所の解析を行なう解析手
段と、前記入力手段から入力される構造物形状と風向
き、及び前記解析手段で得られた前記風速増加域の形状
及び発生箇所を出力する出力手段とを具備したことを特
徴としている。A second aspect of the present invention is a wind speed increase area predicting apparatus for predicting a wind speed increase area around a structure,
Input means for inputting shape information of a structure whose wind speed increase region is to be predicted and wind direction information for the structure, shape data and wind direction data of a plurality of different patterns obtained in advance, and wind speed increase corresponding thereto The shape data of the area is learned by a neural network, and the learning result is created. Based on the learning result by the neural network for the shape information and the wind direction information of the structure input from the input means, Analyzing means for analyzing the shape and location of the wind speed increasing area around the structure, the structure shape and wind direction input from the input means, and the shape and generating of the wind speed increasing area obtained by the analyzing means. It is characterized by comprising an output means for outputting the location.
【０００６】[0006]
【作用】本発明によれば、風洞実験や数値シミュレーシ
ョンによって予め得られている異なる複数パターンの構
造物の形状データ及び風向データと、それに対応する風
速増加域の形状データをニューラルネットワークで学習
させておき、風速増加域を予測したい構造物の形状デー
タと風向データを入力することにより、ニューラルネッ
トワークによる学習結果に基づいて構造物周辺に生じる
風速増加域をリアルタイムで予測することができる。According to the present invention, the neural network is used to learn the shape data and wind direction data of a plurality of different patterns of structures, which have been obtained in advance by wind tunnel experiments and numerical simulations, and the corresponding shape data of the wind speed increasing region. Every time, by inputting the shape data and the wind direction data of the structure for which the wind speed increase region is to be predicted, the wind speed increase region around the structure can be predicted in real time based on the learning result by the neural network.
【０００７】[0007]
【実施例】以下、本発明を図示の一実施例に基づいて詳
細に説明する。図１は、本発明に係る風速増加域予測装
置の概略構成を示す機能ブロック図である。本発明に係
る風速増加域予測装置１は、キーボード等の入力装置１
と、演算装置２と、ＣＲＴディスプレイ等の表示装置３
とで構成されている。入力装置（例えばキーボード）１
は、建築物（以下、建物という）の形状（建物幅、建物
奥行き、建物高さ）と、建物に対する風向の各情報を演
算装置２に入力する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS The present invention will be described in detail below with reference to an embodiment shown in the drawings. FIG. 1 is a functional block diagram showing a schematic configuration of the wind speed increase region prediction device according to the present invention. The wind speed increase region prediction device 1 according to the present invention is an input device 1 such as a keyboard.
A computing device 2 and a display device 3 such as a CRT display.
It consists of and. Input device (eg keyboard) 1
Inputs the shape (building width, building depth, building height) of a building (hereinafter, referred to as a building) and the wind direction with respect to the building to the computing device 2.
【０００８】演算装置２は、解析部４と表示処理部５と
データファイル（記憶部）６とで構成されており、解析
部４は、既往の風洞実験や数値シミュレーション結果等
から予め得られている異なる複数パターンの建物形状
（建物幅、建物奥行き、建物高さ）と風向と、その時の
建物形状と風向による建物周辺に生じる風速増加域の形
状（例えば楕円形、曲線の関数、代表的な図形パター
ン）をバックプロパゲーション付階層型ニューラルネッ
トワーク（以下、ニューラルネットワークという）で学
習させて、ニューラルネットワークで得られたこの学習
結果と、入力装置１から入力される入力情報（建物形
状、風向）に基づいて建物周辺に発生する風速増加域を
解析して風速増加域の形状および発生箇所を予測する。
バックプロパゲーション付階層型ニューラルネットワー
クは、図２に示すように、ユニットがいくつかの層に分
かれているネットワークであり、入力層に入力された信
号が次々に中間層の各層を伝播しながら出力層に到達す
るというネットワークである。The arithmetic unit 2 is composed of an analysis unit 4, a display processing unit 5, and a data file (storage unit) 6. The analysis unit 4 is obtained in advance from a past wind tunnel experiment or numerical simulation result. There are multiple different patterns of building shapes (building width, building depth, building height) and wind direction, and the shape of the wind speed increasing area around the building due to the building shape and wind direction at that time (for example, elliptical shape, curve function, typical (Graphic pattern) is learned by a hierarchical neural network with backpropagation (hereinafter referred to as a neural network), and the learning result obtained by the neural network and input information (building shape, wind direction) input from the input device 1 Based on, the wind speed increase area around the building is analyzed to predict the shape and location of the wind speed increase area.
As shown in FIG. 2, the hierarchical neural network with backpropagation is a network in which the unit is divided into several layers, and the signal input to the input layer is output while successively propagating through the intermediate layers. It is a network that reaches the layers.
【０００９】表示処理部５は、解析部４においてニュー
ラルネットワークで解析される風速増加域を近似した楕
円で表示するための表示処理を実行する。データファイ
ル６には、建物の形状、風向データ、解析部４による解
析結果、後述するニューラルネットワークの学習結果等
が格納されており、必要に応じて呼出すことができる。
解析部４、表示処理部５、データファイル６は、パーソ
ナルコンピュータ（パソコン）等の計算機を構成する演
算装置２内に、ハードウェアあるいはソフトウェアとし
て設けられている。表示装置（例えばＣＲＴディスプレ
イ）３は、入力装置１から入力される建物形状情報と風
向情報に基づいて、建物および風向を表示したり、表示
処理部５で表示処理された解析部４で解析して予測され
る風速増加域等を表示する。The display processing unit 5 executes a display process for displaying the increased wind speed region analyzed by the neural network in the analysis unit 4 as an approximate ellipse. The data file 6 stores the shape of the building, the wind direction data, the analysis result by the analysis unit 4, the learning result of the neural network described later, and the like, and can be called as necessary.
The analysis unit 4, the display processing unit 5, and the data file 6 are provided as hardware or software in the arithmetic unit 2 that constitutes a computer such as a personal computer (personal computer). The display device (for example, a CRT display) 3 displays the building and the wind direction based on the building shape information and the wind direction information input from the input device 1, and analyzes them by the analysis unit 4 that is display-processed by the display processing unit 5. The predicted wind speed increase area is displayed.
【００１０】解析部４によるニュラルネットワークの学
習方法は、以下のようにして行われる。既往の風洞実験
等から図３に示すように、風速増加域を予測したい建物
７のモデル化された平面形状に応じて風速増加域の形状
を楕円８で近似する。尚、点線で示した形状９は、風洞
実験によって得られた風速増加域であり、両者の面積は
ほぼ同じである。また、風向は矢印Ｍ方向である。この
図において、モデル化された建物７の建物幅はＷ、建物
奥行きはＤ、建物高さはＨ、重心点はＧｍで、風速増加
域を示す楕円８の長径はａ、短径はｂ、傾きはδ、重心
点はＧｄ、建物７と楕円８の重心点Ｇｍ、Ｇｄとの距離
は（Ｌx,Ｌy ）、楕円８で囲まれる風速増加域の面積は
Ａで示されている。The learning method of the neural network by the analysis unit 4 is performed as follows. As shown in FIG. 3 from a past wind tunnel experiment or the like, the shape of the wind speed increasing area is approximated by an ellipse 8 according to the modeled planar shape of the building 7 in which the wind speed increasing area is predicted. The shape 9 indicated by the dotted line is the wind speed increasing region obtained by the wind tunnel experiment, and the areas of both are almost the same. The wind direction is the arrow M direction. In this figure, the building width of the modeled building 7 is W, the building depth is D, the building height is H, the center of gravity is Gm, and the major axis of the ellipse 8 indicating the wind velocity increase area is a, the minor axis is b, The inclination is δ, the center of gravity is Gd, the distances between the center of gravity Gm and Gd of the building 7 and the ellipse 8 are (L x, L y ), and the area of the wind speed increase region surrounded by the ellipse 8 is A.
【００１１】また、楕円７の一般式は、 ｘ2 ／ａ2 ＋ｙ2 ／ｂ2 ＝１ で表される。また、楕円８の媒介変数は、 ｘ＝ａ・ｃｏｓθ ｙ＝ｂ・ｓｉｎθ （０≦θ≦２π） で表される。また、楕円傾きδを考慮した場合の楕円８
の媒介変数は、次式のように表される。The general formula of the ellipse 7 is expressed by x 2 / a 2 + y 2 / b 2 = 1. Further, the parameters of the ellipse 8 are represented by x = a · cos θ y = b · sin θ (0 ≦ θ ≦ 2π). In addition, the ellipse 8 in consideration of the elliptic slope δ
The parameter of is expressed by the following equation.
【００１２】[0012]
【数１】 [Equation 1]
【００１３】そして、図４に示すように、ニューラルネ
ットワークの入力層に図３に示した既往の風洞実験等で
得られた風向Ｍ、建物７の建物幅Ｗ、建物奥行きＤ、建
物高さＨの入力データを入れた場合に、出力層にその時
の風洞実験等で得られた楕円８で近似した風速増加域の
重心距離（Ｌx ，Ｌy ）、楕円８の長径ａ、短径ｂ、傾
きδ、面積Ａの出力データが得られるように学習させる
ことにより、入力層と出力層間の中間層での各層（本実
施例では８層３位）のニューロン間の各結合荷重値が得
られる。尚、図４に示したニューラルネットワークのニ
ューロンの一部は省略して示したが、実際は各入力層、
中間層、出力層間はニューロンで結ばれている。そし
て、上記同様にして異なる複数パターンの風向、建物形
状（建物幅、建物奥行き、建物高さ）を入力層の入力デ
ータとして取り込ませた場合に、この時の各入力データ
によって既往の風洞実験等で得られた風速増加域を表わ
す楕円パラメータ（重心距離、長径、短径、傾き、面
積）を出力層の出力データとして得られるように学習さ
せて、中間層のニューロン間の各結合荷重値を得る。As shown in FIG. 4, the wind direction M, the building width W of the building 7, the building depth D, and the building height H obtained in the previous wind tunnel experiment shown in FIG. When input data of is input, the center of gravity distance (L x , L y ) of the wind velocity increasing region approximated by the ellipse 8 obtained in the wind tunnel experiment at that time, the major axis a, the minor axis b of the ellipse 8, By learning so that output data having a slope δ and an area A can be obtained, each connection weight value between neurons of each layer (8th layer, 3rd place in this embodiment) in the intermediate layer between the input layer and the output layer can be obtained. . Although some of the neurons of the neural network shown in FIG. 4 are omitted, in reality, each input layer,
The middle layer and the output layer are connected by neurons. When the wind direction and building shape (building width, building depth, building height) of different patterns are taken in as input data of the input layer in the same manner as above, the previous wind tunnel experiment etc. is performed by each input data at this time. The elliptic parameters (centroid distance, major axis, minor axis, minor axis, slope, and area) that represent the wind velocity increase area obtained in step 4 are learned so that they can be obtained as output data of the output layer, and each connection weight value between neurons in the intermediate layer is calculated. obtain.
【００１４】このように、風洞実験等によって得られて
いる異なる複数パターンでの風向、建物形状（建物幅、
建物奥行き、建物高さ）情報の入力データと、この入力
データに対応した実験値の風速増加域（楕円の重心距
離、長径、短径、傾き、面積）の出力データを学習させ
て、中間層のニューロン間の各結合荷重値を得ることに
より、任意の風向、建物形状（建物幅、建物奥行き、建
物高さ）情報を入力データとして入力層に入れることに
より、出力層にこの入力データに対する風速増加域（近
似された楕円の重心距離、長径、短径、傾き、面積）の
予測結果が出力される。As described above, the wind direction and the building shape (building width, building width,
The input data of building depth and building height) and the output data of the experimental wind velocity increase area (center of gravity of ellipse, major axis, minor axis, inclination, area) corresponding to this input data are learned, and the middle layer is learned. By obtaining each connection weight value between neurons of, the wind velocity and building shape (building width, building depth, building height) information is input to the input layer as input data, and the wind speed for this input data is output layer. The prediction result of the increasing region (the center of gravity distance of the approximated ellipse, the major axis, the minor axis, the slope, and the area) is output.
【００１５】次に、上記した本発明に係る風速増加域予
測装置による処理手順を図５に示すフローチャートを参
照して説明する。先ず、オペレータは入力装置（例えば
キーボード等）１で風速増加域を予測したい建物（例え
ばモデル化された長方形状の建物）の建物形状（建物
幅、建物奥行き、建物高さ）と任意の方向の風向を解析
部４に入力して、表示装置３に例えば図６に示すような
モデル化された建物７と風向きＭを表示する（ステップ
Ｓ１，Ｓ２）。そして、入力装置１から上記した建物７
の建物形状（建物幅、建物奥行き、建物高さ）と風向Ｍ
が入力されると、解析部４は図４に示したように入力さ
れた建物７の建物形状と風向Ｍをニューラルネットワー
クの入力層に入力データとして取り込み、得られている
中間層のニューロン間の各結合荷重値によって予測され
る風速増加域（近似した楕円のパラメータ（重心距離、
長径、短径、傾き、面積））を解析し、出力層に出力す
る（ステップＳ３）。Next, a processing procedure by the wind speed increase region predicting apparatus according to the present invention will be described with reference to a flow chart shown in FIG. First, the operator uses the input device (for example, keyboard) 1 to predict the wind speed increase region (for example, a modeled rectangular building) and the building shape (building width, building depth, building height) and the desired direction of the building. The wind direction is input to the analysis unit 4, and the modeled building 7 and the wind direction M as shown in FIG. 6 are displayed on the display device 3 (steps S1 and S2). Then, from the input device 1 to the building 7 described above.
Building shape (building width, building depth, building height) and wind direction M
Is input, the analysis unit 4 fetches the input building shape and the wind direction M of the building 7 as input data into the input layer of the neural network as shown in FIG. Wind velocity increase region predicted by each coupling load value (approximate elliptic parameter (centroid distance,
(Major axis, minor axis, inclination, area)) is analyzed and output to the output layer (step S3).
【００１６】そして、表示処理部５は、ステップＳ３で
得られた風速増加域の形状（近似した楕円）楕円に基づ
いて建物の周辺に生じる風速増加域を示す楕円を描く表
示処理を実行して、その出力信号を表示装置３に出力す
ることにより、表示装置３に例えば図７に示すような建
物７の周辺に生じる風速増加域を示す楕円８が表示され
る（ステップＳ４）。このように、本実施例に係る風速
増加域予測装置では、ニューラルネットワークで風速増
加域を解析して、近似した楕円で予測される風速増加域
をリアルタイムで表示することができる。また、ニュー
ラルネットワークの入力層に建物形状（建物幅、建物奥
行き、建物高さ）と風向の入力データを任意に変更して
順次入れることにより、任意の建物形状と風向に応じた
風速増加域を近似した楕円で順次リアルタイムで表示す
ることができる。Then, the display processing unit 5 executes a display process of drawing an ellipse showing the wind speed increasing area around the building based on the shape (approximate ellipse) of the wind speed increasing area obtained in step S3. By outputting the output signal to the display device 3, the display device 3 displays an ellipse 8 indicating, for example, the wind speed increase area around the building 7 as shown in FIG. 7 (step S4). As described above, in the wind speed increase area prediction device according to the present embodiment, the wind speed increase area can be analyzed by the neural network and the wind speed increase area predicted by the approximated ellipse can be displayed in real time. In addition, by inputting input data of building shape (building width, building depth, building height) and wind direction into the input layer of the neural network, and inputting them sequentially, the wind speed increase area according to the arbitrary building shape and wind direction can be set. It can be sequentially displayed in real time with an approximated ellipse.
【００１７】そして、上記したように表示装置３にリア
ルタイムで表示される建物の周辺に生じる風速増加域に
対してニューラルネットワークの学習結果を用いること
により、感度解析や防風対策を表示装置３の表示画面上
で容易にリアルタイムで行うことができる。即ち、風速
増加域の感度解析を行う場合、上記したようにして例え
ば図８（ａ）に示すように、楕円８ａで示す風速増加域
が建物７ａの周辺に生じている時、入力装置１を介して
この建物７ａの建物高さだけを変更して低くすると、例
えば図８（ｂ）に示すように、楕円８ｂで示す風速増加
域は小さくなるように解析処理されて表示されることに
より、建物７ｂ周囲に対して影響が小さくなるような風
速増加域を感度解析して、構築したい建物の形状を容易
にリアルタイムで決定することができる。Then, as described above, by using the learning result of the neural network with respect to the wind speed increase area generated around the building which is displayed on the display device 3 in real time, the sensitivity analysis and the wind protection measures are displayed on the display device 3. It can be easily done in real time on the screen. That is, when performing the sensitivity analysis of the wind speed increasing area, as described above, for example, as shown in FIG. 8A, when the wind speed increasing area indicated by the ellipse 8a is generated around the building 7a, the input device 1 is If only the building height of this building 7a is changed and lowered through the above, the wind speed increase area indicated by the ellipse 8b is analyzed and displayed so as to be small, as shown in FIG. The shape of the building to be constructed can be easily determined in real time by performing a sensitivity analysis on an area where the wind speed increases so that the influence on the surroundings of the building 7b becomes small.
【００１８】また、風速増加域に対して防風対策を行う
場合、上記したようにして例えば図９（ａ）に示すよう
に、楕円８ｃで示す風速増加域が建物７ｂの周囲に生じ
ている時、入力装置１を介してこの建物７ｂの周囲に防
風対策として例えば３本の木９を表示すると、例えば図
９（ｂ）に示すように、楕円８ｄで示す風速増加域は小
さくなるように解析処理されて表示されることにより、
建物７ｂの周囲に対する最適な防風対策を容易にリアル
タイムで決定することができる。Further, in the case where a windbreak countermeasure is applied to the wind speed increasing area, when the wind speed increasing area indicated by the ellipse 8c is generated around the building 7b as described above, for example, as shown in FIG. 9 (a). When three trees 9 are displayed around this building 7b as a windbreak measure via the input device 1, for example, as shown in FIG. 9B, the wind speed increasing area indicated by the ellipse 8d is analyzed to be small. By being processed and displayed,
It is possible to easily determine the optimum windbreak countermeasure around the building 7b in real time.
【００１９】尚、上記した実施例では、建物の形状は長
方形で風向は建物の正面方向からの場合であったが、こ
れに限定されることはなく、例えば建物形状が正方形や
曲線を有する形状でもよく、また、風向も建物に対して
３６０°内で任意に設定できる。これらの異なるパター
ンの建物形状や風向による風速増加域も上記したニュー
ラルネットワークで学習させ、これらの学習結果はデー
タファイル６に格納されている。また、上記した実施例
では、建物周辺に生じる風速増加域を建物の一方側に表
示して他方側は省略したが、もちろん建物の両側に生じ
る風速増加域も同様にして表示することができる。この
場合、建物形状や風向によって建物の両側に生じる風速
増加域の形状はそれぞれ異なった形状として表示され
る。In the above embodiment, the shape of the building is rectangular and the wind direction is from the front of the building. However, the present invention is not limited to this. For example, the shape of the building has a square or a curve. However, the wind direction can be arbitrarily set within 360 ° with respect to the building. The neural network also learns the wind speed increasing regions due to the building shapes and the wind direction of these different patterns, and the learning results are stored in the data file 6. Further, in the above-described embodiment, the wind speed increasing area generated around the building is displayed on one side of the building and the other side is omitted, but of course, the wind speed increasing area generated on both sides of the building can be displayed in the same manner. In this case, the shapes of the wind speed increasing areas generated on both sides of the building depending on the building shape and the wind direction are displayed as different shapes.
【００２０】[0020]
【発明の効果】以上、実施例に基づいて具体的に説明し
たように本発明によれば、予め得られている異なる複数
パターンの構造物の形状データ及び風向きデータと、そ
れに対応する風速増加域の形状データをニューラルネッ
トワークで学習させておき、風速増加域を予測したい構
造物の形状データと風向データを入力することにより、
ニューラルネットワークによる学習結果に基づいて構造
物周辺に生じる風速増加域の形状及び発生箇所をリアル
タイムで予測することができる。また、風速増加域を予
測したい構造物の形状データと風向データを任意に変更
して入力することにより、風速増加域の形状及び発生箇
所の変化状態をリアルタイムで予測することができるの
で、発生する風速増加域を考慮した構造物の形状を容易
に決定することができる。As described above in detail with reference to the embodiments, according to the present invention, the shape data and wind direction data of a plurality of different patterns of structures which are obtained in advance, and the wind speed increasing area corresponding thereto are obtained. By learning the shape data of the above with a neural network and inputting the shape data and the wind direction data of the structure for which the wind speed increase area is to be predicted,
Based on the learning result by the neural network, it is possible to predict in real time the shape and location of the wind speed increasing area around the structure. In addition, by changing the shape data and wind direction data of the structure for which the wind velocity increase region is desired to be changed and inputting it, it is possible to predict the shape of the wind velocity increase region and the change state of the occurrence location in real time. It is possible to easily determine the shape of the structure in consideration of the wind speed increase region.
【図１】本発明に係る風速増加域予測装置の概略構成を
示す機能ブロック図である。FIG. 1 is a functional block diagram showing a schematic configuration of a wind speed increase region prediction device according to the present invention.
【図２】階層型ニューラルネットワークの概略を説明す
るための図である。FIG. 2 is a diagram for explaining an outline of a hierarchical neural network.
【図３】建物周辺に生じる風速増加域を楕円形状で表示
した状態を示す概略図である。FIG. 3 is a schematic diagram showing a state in which an area of increased wind speed occurring around a building is displayed in an elliptical shape.
【図４】ニューラルネットワークの学習方法を説明する
ための図である。FIG. 4 is a diagram for explaining a learning method of a neural network.
【図５】本発明の風速増加域予測装置による処理手順を
示すフローチャートである。FIG. 5 is a flowchart showing a processing procedure by the wind speed increase region prediction device of the present invention.
【図６】表示装置に表示された建物と風向の一例を示す
図である。FIG. 6 is a diagram showing an example of a building and a wind direction displayed on a display device.
【図７】表示装置に表示された建物周辺に生じる風速増
加域の一例を示す図である。FIG. 7 is a diagram showing an example of a wind speed increase region generated around a building displayed on a display device.
【図８】風速増加域に対する感度解析を説明するための
図である。FIG. 8 is a diagram for explaining sensitivity analysis with respect to a wind speed increasing region.
【図９】風速増加域に対して行なう防風対策を説明する
ための図である。FIG. 9 is a diagram for explaining a windbreak countermeasure for the wind speed increasing region.
１ 入力装置 ２ 演算装置 ３ 表示装置 ４ 解析部 ５ 表示処理部 ６ データファイル ７，７ａ，７ｂ，７ｃ，７ｄ 建物 ８，８ａ，８ｂ，８ｃ，８ｄ 楕円 1 Input device 2 Computing device 3 Display device 4 Analysis part 5 Display processing part 6 Data file 7,7a, 7b, 7c, 7d Building 8,8a, 8b, 8c, 8d Ellipse
Claims (10)
する風速増加域予測方法であって、 風速増加域を予測したい構造物の形状情報と前記構造物
に対する風向情報とを入力データとし、 予め得られている異なる複数パターンの構造物の形状デ
ータ及び風向データと、それに対応する風速増加域の形
状データをニューラルネットワークで学習させて、その
学習結果を作成し、 前記入力データに対し前記ニューラルネットワークによ
る前記学習結果に基づいて前記構造物周辺に生じる風速
増加域の形状及び発生箇所を予測することを特徴とする
構造物周辺における風速増加域予測方法。1. A wind speed increase area prediction method for predicting a wind speed increase area around a structure, wherein shape information of a structure whose wind speed increase area is to be predicted and wind direction information for the structure are input data. The shape data and wind direction data of the structures of different patterns obtained in advance and the shape data of the corresponding wind speed increasing region are learned by the neural network, and the learning result is created. A method for predicting an increased wind speed area around a structure, comprising predicting the shape and location of an increased wind speed area around the structure based on the result of learning by a network.
高さ、幅、奥行き情報である請求項１記載の構造物周辺
における風速増加域予測方法。2. The wind velocity increase area prediction method around a structure according to claim 1, wherein the shape information of the structure is height, width, and depth information of the structure.
る風速増加域の形状データは、風洞実験あるいは数値シ
ミュレーションによって得られた結果が用いられる請求
項１または請求項２記載の構造物周辺における風速増加
域予測方法。3. The wind speed increase area prediction around a structure according to claim 1 or 2, wherein a result obtained by a wind tunnel experiment or a numerical simulation is used as the shape data of the wind speed increase area learned by the neural network. Method.
プロパゲーション付き階層型ニューラルネットワークで
ある請求項１、２または３記載の構造物周辺における風
速増加域予測方法。4. The wind speed increase region prediction method according to claim 1, 2 or 3, wherein the neural network is a hierarchical neural network with backpropagation.
似した楕円形状で表される請求項１、２、３または４記
載の構造物周辺における風速増加域予測方法。5. The method for predicting a wind speed increase area around a structure according to claim 1, 2, 3 or 4, wherein the shape of the predicted wind speed increase area is represented by an approximate elliptical shape.
する風速増加域予測装置であって、 風速増加域を予測したい構造物の形状情報と前記構造物
に対する風向情報とを入力する入力手段と、 予め得られている異なる複数パターンの構造物の形状デ
ータ及び風向データと、それに対応する風速増加域の形
状データをニューラルネットワークで学習して、その学
習結果が作成されており、前記入力手段から入力される
前記構造物の形状情報と風向情報に対し前記ニューラル
ネットワークによる前記学習結果に基づいて前記構造物
周辺に生じる風速増加域の形状及び発生箇所の解析を行
なう解析手段と、 前記入力手段から入力される構造物の形状と風向き、及
び前記解析手段で得られた前記風速増加域の形状及び発
生箇所を表示する表示手段と、 を具備したことを特徴とする構造物周辺における風速増
加域予測装置。6. A wind speed increase area prediction device for predicting a wind speed increase area around a structure, comprising input means for inputting shape information of a structure for which a wind speed increase area is to be predicted and wind direction information for the structure. And the shape data and wind direction data of different structures obtained in advance and the shape data of the wind speed increasing region corresponding thereto are learned by a neural network, and the learning result is created, and the input means The shape information and the wind direction information of the structure inputted from the above, based on the learning result by the neural network, the analyzing means for analyzing the shape and the generation place of the wind speed increasing area around the structure, and the input means. Display means for displaying the shape and wind direction of the structure input from, and the shape and occurrence location of the wind speed increasing area obtained by the analyzing means, An apparatus for predicting an increase in wind speed around a structure, comprising:
高さ、幅、奥行き情報である請求項６記載の構造物周辺
における風速増加域予測装置。7. The wind velocity increase region predicting apparatus around a structure according to claim 6, wherein the shape information of the structure is height, width, and depth information of the structure.
る風速増加域の形状データは、風洞実験あるいは数値シ
ミュレーションによって得られた結果が用いられる請求
項６または７記載の構造物周辺における風速増加域予測
装置。8. The wind speed increase area prediction device in the vicinity of a structure according to claim 6 or 7, wherein the shape data of the wind speed increase area learned by the neural network uses a result obtained by a wind tunnel experiment or a numerical simulation.
プロパゲーション付き階層型ニューラルネットワークで
ある請求項６、７または８記載の構造物周辺における風
速増加域予測装置。9. The wind speed increase region predicting apparatus around a structure according to claim 6, wherein the neural network is a hierarchical neural network with backpropagation.
近似した楕円形状で表される請求項６、７、８または９
記載の構造物周辺における風速増加域予測装置。10. The shape of the predicted wind speed increase region is
Claim 6, 7, 8 or 9 represented by an approximate elliptical shape
Wind speed increase area prediction device around the described structure.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33074094A JPH08161294A (en) | 1994-12-07 | 1994-12-07 | Method and device for predicting wind velocity increase area around structure |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33074094A JPH08161294A (en) | 1994-12-07 | 1994-12-07 | Method and device for predicting wind velocity increase area around structure |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08161294A true JPH08161294A (en) | 1996-06-21 |
Family
ID=18236036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP33074094A Pending JPH08161294A (en) | 1994-12-07 | 1994-12-07 | Method and device for predicting wind velocity increase area around structure |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08161294A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016139166A (en) * | 2015-01-26 | 2016-08-04 | 株式会社地圏環境テクノロジー | Resource management support system and application method thereof |
| JP2019067074A (en) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | Wind environment learning device, wind environment evaluation system, wind environment learning method and wind environment evaluation method |
| CN113051638A (en) * | 2021-02-19 | 2021-06-29 | 中国科学院空天信息创新研究院 | Building height optimal configuration method and device |
-
1994
- 1994-12-07 JP JP33074094A patent/JPH08161294A/en active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016139166A (en) * | 2015-01-26 | 2016-08-04 | 株式会社地圏環境テクノロジー | Resource management support system and application method thereof |
| JP2019067074A (en) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | Wind environment learning device, wind environment evaluation system, wind environment learning method and wind environment evaluation method |
| CN113051638A (en) * | 2021-02-19 | 2021-06-29 | 中国科学院空天信息创新研究院 | Building height optimal configuration method and device |
| CN113051638B (en) * | 2021-02-19 | 2023-12-08 | 中国科学院空天信息创新研究院 | Building height optimal configuration method and device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7310595B2 (en) | Numerically modeling inductive circuit elements | |
| JP5276927B2 (en) | Inundation prediction device | |
| CN114655382B (en) | Virtual visualization system and method for ship structure dynamics analysis result | |
| JPH08184526A (en) | Method and system for predicting wind velocity increasing zone around structure | |
| US7356449B2 (en) | Method and program product for solid mechanics modelling workbench and dynamic display | |
| Tan et al. | A rapid wind velocity prediction method in built environment based on cyclegan model | |
| JPH08161294A (en) | Method and device for predicting wind velocity increase area around structure | |
| CN117037482A (en) | Real-time road traffic running state sensing method, system, equipment and storage medium | |
| US20070052708A1 (en) | Method of performing a panoramic demonstration of liquid crystal panel image simulation in view of observer's viewing angle | |
| Gao et al. | Deep learning solver unites SDGSAT-1 observations and Navier–Stokes theory for oceanic vortex streets | |
| Lyu et al. | Virtual-real Syncretic Crowd Simulation Method Guided by Building Safety Evacuation Sign | |
| CN112926681B (en) | Target detection method and device based on deep convolutional neural network | |
| JP2834314B2 (en) | Image segmentation method | |
| CN114490376A (en) | Data debugging method, device, equipment and readable storage medium | |
| US8666707B2 (en) | Model simulating the evolutionary dynamics of events or processes and method of generating a model simulating the evolutionary dynamics of events or processes | |
| JP5736891B2 (en) | Vehicle airtightness evaluation method | |
| KR100471416B1 (en) | System and method for simulating moleculardynamics, electrical and optical chatracteristics of liquid crystals | |
| Galán | Comparative evaluation of the fast marching method and the fast evacuation method for heterogeneous media | |
| JP2020160924A (en) | Airflow visualization method, and simulation device using the same | |
| Manstetten et al. | Sparse surface speed evaluation on a dynamic three-dimensional surface using an iterative partitioning scheme | |
| JPH07271847A (en) | Method and device for modeling formation ground | |
| JP2002365673A (en) | Simulation method for image display device and system for the same | |
| Patil et al. | Free Vibrational Analysis of Cracked and Un-cracked Cantilever Beam | |
| CN118504458A (en) | Prediction method of building airflow and gas diffusion, training method and device of prediction model of building airflow and gas diffusion | |
| Quesada-Molina et al. | Uncertainty Quantifica-tion at the Microscale: A Data-Driven Multi-Scale Approach. 2022, 4, x |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040406 |