隨著科技的進步，人們可以使用電腦來處理解決許多工程上的問題，達到提高效率、降低成本…等目的。然而還是有許多領域的問題是需要進行實驗才可以得到近似解。風工程就是屬於後者。在風工程領域之中，最為精確的設計風載重還是需要經由風洞試驗中所取得的實驗數據加以計算，然而風洞試驗雖是較為精確，但其過程相當耗時，且費用昂貴。因此如果工程師在初步設計時可以從以往相似的案例中推估出目標建物所需的各項資訊，將能替工程師省下許多的時間。
    本研究使用類神經網路模擬風力頻譜，以提供作為初步設計時計算設計風載重之用。使用者可以透過相似建物來預測目標建物的相關資訊，進而完成初步設計。本論文中應用MATLAB撰寫程式，建構輻狀基底函數類神經網路，將A、B、C三種地況下順風向、橫風向及扭轉向矩形斷面模型的深寬比、高寬比、頻率及頻率所對應的頻譜值，納入類神經網路進行訓練、驗證，以建構輻狀基底函數類神經網路(RBFNN)。
    在三種地況中，訓練部分特定頻率(頻率0.15至0.4)誤差均在±3.96%以下，動態反應誤差均在±11.62%以下，驗證部份特定頻率誤差均在±4.07%以下，動態反應誤差均在±13.60%以下。以RBFNN使用風洞試驗之氣動力資料庫進行學習並建構網路，在預測各地況各方向之矩形斷面建築物風力頻譜均有不錯的效果。

With the progress of science and technology, people can use computers to deal with and solve a lot of engineering problems for the purposes of raising efficiency, lowering costs, etc. Still there are a lot of problems in many fields that require to carry out experiments and to use approximate solutions. Wind engineering belongs to the latter. Wind tunnel tests usually provide the most reliable design wind loads in current wind engineering practice. Nevertheless, wind tunnel tests are expensive and time consuming. It is very desirable to save resources and to obtain relatively accurate design wind loads at preliminary design stage. It can save a lot of time for engineers.
     The reported research employed artificial neural networks to predict wind spectra and calculate wind loadings for rectangular cross-section buildings. Similar buildings can be used to anticipate the relevant information of the target building, and proceed to complete the preliminary design. In this thesis, MATLAB was used to implement the Radial Basis Function Neural Networks (RBFNN) constructed. The training and validation of the RBFNN cover alongwind, acrosswind and torsional wind force spectra in all three exposure conditions.
     For all three kinds of exposures, the spectrum errors under the most frequently used frequencies (0.15 ~ 0.4) are less than 3.96% for the training set and less than 4.07% for the validation set. As for the dynamic responses, the errors are less than 11.62% for the training set and less than 13.60% for the validation set. These results show that using aerodynamic database constructed from wind-tunnel test data to train RBFNN is a prospective approach to predict wind spectra.

目錄                                                  I
表目錄	                                             V
圖目錄	                                             VII
程式目錄                                              XII
第一章	緒論	                                    1
1.1研究動機與目的	                                    1
1.2研究範圍	                                    2
1.3研究方法	                                    3
1.3.1資料處理	                                    4
1.3.2類神經網路訓練	                           4
1.3.3系統建構	                                    4
1.4 論文組織	                                    4
第二章	文獻回顧	                                    6
2.1風工程相關理論	                                    6 
2.1.1平均風速剖面	                                    6
2.1.1.1 對數律	                                    6
2.1.1.2 指數律	                                    8
2.1.2鈍體氣動力現象	                           8
2.1.3風的特性	                                    9
2.1.3.1順風向風力	                                    9
2.1.3.2橫風向風力	                                    10
2.1.3.3扭轉向風力	                                    11
2.1.4動態反應	                                    11
2.1.5設計風載重	                                    13
2.1.5.1順風向風力作用	                           13
2.1.5.2建築物各樓層所受之力	                           14
2.2氣動力資料庫	                                    16
2.3類神經網路簡介                                      18
2.3.1神經網路架構流程	                           19
2.3.2輻狀基底函數中心點選取法	                  20
2.3.3輻狀基底函數學習演算法                            23
2.3.3.1 最小平方法	                                     24
2.3.3.2 序率坡降法                                     24
2.3.4輻狀基底函數選擇及訂定中心點數	                  25
2.4類神經網路於風工程之相關研究	                  27
2.4.1類神經網路預測干擾效應之研究	                  27
2.4.2類神經網路預測風壓係數之研究	                  29
2.4.3類神經網路預測風力頻譜之研究	                  29
第三章	設計方法及研究流程                            31
3.1輻狀基底函數類神經網路預測風力頻譜	         31
3.1.1資料介紹及處理	                           31
3.1.1.1資料範圍	                                    31
3.1.1.2輸入值與輸出值之設定	                           32
3.1.1.3資料正規化	                                    34
3.1.1.4內插補點	                                    36
3.1.2成效評估	                                    36
3.1.2.1評估範圍	                                    36
3.1.2.2評估方法	                                    37
3.1.3類神經網路預測風力頻譜	                           37
3.1.3.1類神經網路之訓練、驗證及測試	                  38
3.1.3.2輻狀基底函數之探討	                           40
3.1.3.3 RBFNN中心點選取法及學習演算法之選擇	         43
3.2系統設計	                                     48
3.2.1單元運算軟體 MATLAB Web Server	                   48
3.2.2 MATLAB Web Server系統設計理論	                   49
第四章	結果分析及實例探討                            53
4.1類神經網路架構	                                     53
4.2輻狀基底函數類神經網路預測及實例探討	          55
4.2.1結果總覽	                                     55
4.2.2變動單一變數時之風力頻譜預測	                   68
4.2.2.1深寬比變動時之風力頻譜預測	                   69
4.2.2.2高寬比變動時之風力頻譜預測	                   70
4.2.3深寬比及高寬比同時變動時之風力頻譜預測	          73
4.3系統展示	                                      74
第五章	結論與展望	                             81
5.1結論	                                               81
5.2展望	                                               82
參考文獻	                                               84
附錄A  C21網路模擬之風力頻譜	                    88
附錄B  A地況各網路模擬之風力頻譜	                    98
附錄C  B地況各網路模擬之風力頻譜	                    107
附錄D  C地況各網路模擬之風力頻譜	                    116
表目錄
表 2-1 地表粗糙度分類表	                             7
表 3-1 提供類神經網路學習之資料列表	                    32
表 3-2 預測風力頻譜之網路架構	                    41
表 3-3 A地況橫風向深寬比1至2各高寬比風力頻譜預測的RMSE值 42
表 3-4 使用隨機選取配合SGA預測風力頻譜之網路架構	  44
表 3-5 以網路增長法調整中心點數RMSE之變化	           45
表 3-6 A地況深寬比1至2之順風向風力頻譜動態反應誤差比較表 45
表 3-7 A地況深寬比1至2之橫風向風力頻譜動態反應誤差比較表 46
表 3-8 誤差比較表	                                      47
表 4-1 各地況之網路編號	                             53
表 4-2 類神經網路架構	                             54
表 4-3 A地況順風向及橫風向各網路之分析總覽	           57
表 4-4 A地況扭轉向各網路之分析總覽	                    58
表 4-5 B地況順風向及橫風向各網路之分析總覽	           59
表 4-6 B地況扭轉向各網路之分析總覽	                    60
表 4-7 C地況順風向及橫風向各網路之分析總覽	           61
表 4-8 C地況扭轉向各網路之分析總覽	                    62
表 4-9 各地況預測之誤差比較表	                    64
表 4-10 A1網路各頻譜背景部份及共振部份比較	           65
表 4-11 A19網路各頻譜背景部份及共振部份比較	           65
表 4-12 B13網路各頻譜背景部份及共振部份比較	           66
表 4-13 B24網路各頻譜背景部份及共振部份比較	           66
表 4-14 C9網路各頻譜背景部份及共振部份比較	           67
表 4-15 C20網路各頻譜背景部份及共振部份比較	           67
圖目錄
圖 1-1 論文方法流程圖	                             3
圖 2-1 流體流經鈍體之氣動力現象	                    9
圖 2-2 單自由度系統示意圖	                             11
圖 2-3 氣動力資料庫模型	                             17
圖 2-4 製作類神經網路流程圖	                             20
圖 2-5 輻狀基底函數類神經網路架構圖	                    22
圖 2-6 模擬部份之類神經網路架構圖	                    23
圖 3-1 各原始頻譜數據依據深寬比特性代入所屬類神經網路進行學習	                                                33
圖 3-2 位於一般座標下之橫風向風力頻譜圖	           34
圖 3-3 位於雙對數座標下之橫風向風力頻譜圖	           35
圖 3-4 網路中參予訓練的資料-訓練資料	                    39
圖 3-5 網路中參予驗證的資料-驗證資料	                    40
圖 3-6 MATLAB WEB SERVER運作流程圖	                    49
圖 4-1 C地況扭轉向深寬比1至2之風力頻譜總覽	           56
圖 4-2 各風向各地況欲新增之不同斷面尺寸建築物之風力頻譜實驗	                                                69
圖 4-3 A地況橫風向深寬比3.5、高寬比6之風力頻譜	  70
圖 4-4 C地況順風向深寬比1、高寬比3.5之風力頻譜	  71
圖 4-5 C地況順風向深寬比1、高寬比4.5之風力頻譜	  71
圖 4-6 C地況順風向深寬比1、高寬比5.5之風力頻譜	  72
圖 4-7 C地況順風向深寬比1、高寬比6.5之風力頻譜	  72
圖 4-8 B地況順風向深寬比2.5、高寬比3.5之風力頻譜	  73
圖 4-9 B地況橫風向深寬比3.5、高寬比4.5之風力頻譜	  74
圖 4-10 系統首頁	                                       75
圖 4-11 選擇模型斷面	                              76
圖 4-12 輸入建築物尺寸	                              77
圖 4-13 確認輸入資訊	                              77
圖 4-14 選擇相近規格模型進行比對	                     78
圖 4-15 模型資訊及選擇模擬風力頻譜	                     78
圖 4-16 模擬順風向風力頻譜	                              79
圖 4-17 模擬橫風向風力頻譜	                              80
圖 A-1 扭轉向P04A30B15S11頻譜數據與RBFNN預測結果之比較   88
圖 A-2 扭轉向P04A30B15S11頻譜數據與RBFNN預測結果之誤差百分比	                                                88
圖 A-3 扭轉向P04A40B15S11頻譜數據與RBFNN預測結果之比較	  89
圖 A-4 扭轉向P04A40B15S11頻譜數據與RBFNN預測結果之誤差百分比	                                                89
圖 A-5 扭轉向P04A50B15S11頻譜數據與RBFNN預測結果之比較	  90
圖 A-6 扭轉向P04A50B15S11頻譜數據與RBFNN預測結果之誤差百分比	                                                90
圖 A-7 扭轉向P04A60B15S11頻譜數據與RBFNN預測結果之比較	  91
圖 A-8 扭轉向P04A60B15S11頻譜數據與RBFNN預測結果之誤差百分比	                                                91
圖 A-9 扭轉向P04A70B15S11頻譜數據與RBFNN預測結果之比較	  92
圖 A-10 扭轉向P04A70B15S11頻譜數據與RBFNN預測結果之誤差百分比	                                                92
圖 A-11 扭轉向P04A30B15S21頻譜數據與RBFNN預測結果之比較  93
圖 A-12 扭轉向P04A30B15S21頻譜數據與RBFNN預測結果之誤差百分比	                                                93
圖 A-13 扭轉向P04A40B15S21頻譜數據與RBFNN預測結果之比較  94
圖 A-14 扭轉向P04A40B15S21頻譜數據與RBFNN預測結果之誤差百分比	                                                94
圖 A-15 扭轉向P04A50B15S21頻譜數據與RBFNN預測結果之比較  95
圖 A-16 扭轉向P04A50B15S21頻譜數據與RBFNN預測結果之誤差百分比	                                                95
圖 A-17 扭轉向P04A60B15S21頻譜數據與RBFNN預測結果之比較  96
圖 A-18 扭轉向P04A60B15S21頻譜數據與RBFNN預測結果之誤差百分比	                                                96
圖 A-19 扭轉向P04A70B15S21頻譜數據與RBFNN預測結果之比較  97
圖 A-20 扭轉向P04A70B15S21頻譜數據與RBFNN預測結果之誤差百分比	                                                97
圖 B-1 A地況A20網路預測P04A30B32S14之風力頻譜	           98
圖 B-2 A地況A20網路預測P04A30B32S14之誤差百分比	  98
圖 B-3 A地況A1網路預測P04A40B32S11之風力頻譜	           99
圖 B-4 A地況A1網路預測P04A40B32S11之誤差百分比	  99
圖 B-5 A地況A19網路預測P04A40B32S13之風力頻譜	          100
圖 B-6 A地況A19網路預測P04A40B32S13之誤差百分比	 100
圖 B-7 A1網路驗證部份之風力頻譜預測圖-P04A60B32S11	 101
圖 B-8 A1網路驗證部份之風力頻譜誤差百分比圖-P04A60B32S11                                            101
圖 B-9 A1網路驗證部份之風力頻譜預測圖-P04A40B32S12	 102
圖 B-10 A1網路驗證部份之風力頻譜誤差百分比圖-P04A40B32S12	                                               102
圖 B-11 A1網路驗證部份之風力頻譜預測圖-P04A60B32S12	 103
圖 B-12 A1網路驗證部份之風力頻譜誤差百分比圖-P04A60B32S12	                                               103
圖 B-13 A19網路驗證部份之風力頻譜預測圖-P04A60B32S13	 104
圖 B-14 A19網路驗證部份之風力頻譜誤差百分比圖-P04A60B32S13	                                               104
圖 B-15 A19網路驗證部份之風力頻譜預測圖-P04A40B32S14	 105
圖 B-16 A19網路驗證部份之風力頻譜誤差百分比圖-P04A40B32S14	                                               105
圖 B-17 A19網路驗證部份之風力頻譜預測圖-P04A60B32S14	 106
圖 B-18 A19網路驗證部份之風力頻譜誤差百分比圖-P04A60B32S14	                                               106
圖 C-1 B地況B1網路預測P04A70B25S12之風力頻譜	          107
圖 C-2 B地況B1網路預測P04A70B25S12之誤差百分比	 107
圖 C-3 B地況B13網路預測P04A40B25S21之風力頻譜	          108
圖 C-4 B地況B13網路預測P04A40B25S21之誤差百分比	 108
圖 C-5 B地況B24網路預測P04A40B25S41之風力頻譜	          109
圖 C-6 B地況B24網路預測P04A40B25S41之誤差百分比	 109
圖 C-7 B13網路驗證部份之風力頻譜預測圖-P04A40B25S11	 110
圖 C-8 B13網路驗證部份之風力頻譜誤差百分比圖-P04A40B25S11	                                               110
圖 C-9 B13網路驗證部份之風力頻譜預測圖-P04A60B25S11	 111
圖 C-10 B13網路驗證部份之風力頻譜預測圖-P04A60B25S11	 111
圖 C-11 B13網路驗證部份之風力頻譜預測圖-P04A60B25S21	 112
圖 C-12 B13網路驗證部份之風力頻譜誤差百分比圖-P04A60B25S21	                                               112
圖 C-13 B24網路驗證部份之風力頻譜預測圖-P04A60B25S41	 113
圖 C-14 B24網路驗證部份之風力頻譜誤差百分比圖-P04A60B25S41	                                               113
圖 C-15 B24網路驗證部份之風力頻譜預測圖-P04A40B25S51	 114
圖 C-16 B24網路驗證部份之風力頻譜誤差百分比圖-P04A40B25S51	                                               114
圖 C-17 B24網路驗證部份之風力頻譜預測圖-P04A60B25S51	 115
圖 C-18 B24網路驗證部份之風力頻譜百分比圖-P04A60B25S51	 115
圖 D-1 C1網路預測P04A70B15S11之風力頻譜	          116
圖 D-2 C1網路預測P04A70B15S11之誤差百分比	          116
圖 D-3 C5網路預測P04A70B15S11之風力頻譜	          117
圖 D-4 C5網路預測P04A70B15S11之誤差百分比	          117
圖 D-5 C9網路預測P04A60B15S11之風力頻譜	          118
圖 D-6 C9網路預測P04A60B15S11之誤差百分比	          118
圖 D-7 C20網路預測P04A40B15S15之風力頻譜	          119
圖 D-8 C20網路預測P04A40B15S15之誤差百分比	          119
圖 D-9 C9網路驗證部份之風力頻譜預測圖-P04A40B15S11	 120
圖 D-10 C9網路驗證部份之風力頻譜誤差百分比圖-P04A40B15S11	                                               120
圖 D-11 C9網路驗證部份之風力頻譜預測圖-P04A40B15S12	 121
圖 D-12 C9網路驗證部份之風力頻譜誤差百分比圖-P04A40B15S12	                                               121
圖 D-13 C9網路驗證部份之風力頻譜預測圖-P04A60B15S12	 122
圖 D-14 C9網路驗證部份之風力頻譜誤差百分比圖-P04A60B15S12	                                               122
圖 D-15 C20網路驗證部份之風力頻譜預測圖-P04A40B15S14	 123
圖 D-16 C20網路驗證部份之風力頻譜誤差百分比圖-P04A40B15S14	                                               123
圖 D-17 C20網路驗證部份之風力頻譜預測圖-P04A60B15S14	 124
圖 D-18 C20網路驗證部份之風力頻譜誤差百分比圖-P04A60B15S14                                            124
圖 D-19 C20網路驗證部份之風力頻譜預測圖-P04A60B15S15	 125
圖 D-20 C20網路驗證部份之風力頻譜誤差百分比圖-P04A60B15S15	                                               125
程式目錄
程式 3-1使用JSP取得中繼檔內之變數	                    50
程式 3-2函式格式M檔將計算結果寫入中繼檔	           50
程式 3-3 選擇RBFNN程式碼	                             52

1. John D. Holmes, 2001, “Wind Loading of Structures, ” SPON PRESS.
2. 曾兆玄，2004，“高層建築設計風力規範專家系統之發展”，淡江大學土木工程學系碩士班論文。
3. 許祥榕，2005，“建築物設計風力專家系統之架構探討與發展”，淡江大學土木工程學系碩士班論文。
4. Davenport, A. G., 1967, “Gust loading factors”, Journal of Structural Division, Proceedings of ASCE, 93, pp.11-34.
5. Solari, G., 1988, “Equivalent wind spectrum technique: theory and application,” Journal of Structural Engineering, 114(6), pp.1303-1323.
6. Melbourne, W. H., 1975, “Cross-wind Response of Structures to wind action”, 4th International Conference on Wind Effects on Buildings and Structures, Cambridge University Press, London.
7. Marukawa, H., Ohkuma, T., and Momomura, Y., 1983, “Across-wind and Torsional Acceleration of Prismatic High Rise Buildings”, Journal of Wind Engineering and Industrial Aerodynamics, 13.
8. Kareem, A., 1989, “Fluctuating wind loads on buildings”, Journal of Engineering Mechanics Division, ASCE, 108, pp.1086-1102.
9. Fujii, K., Hibi, K., Otsuki, T. and Ueda, H., 1987, “measurements of fluctuating pressures on square cross section buildings”, Journal of Wind Engineering, JAWE, 31, pp.1-11(in Japanese).
10. Tamura, Y., Kawai, H., Uematsu, Y., marukawa, H., Fujii, K. and Taniike, Y., 1996, “Wind load and wind-induced response estimations in the Recommendations for Loads on Buindings, AIJ 1993”, Engineering Structures, Vol. 18, No. 6, pp.399-411.
11.Tamura, Y., Ohkuma, T., Okada, H. and Kanda, J., 1999, “Wind loading standards and design criteria in Japan”, Journal of Wind Engineering and Industrial Aerodynamics, 83, pp.555-566.
12. 陳冠廷，2008，“類神經網路於高層建築設計風載重案例式專家系統之應用”，淡江大學土木工程學系碩士班論文。
13. 陳信甫，2003，“紊流邊界層對高層建築設計風力的影響”，淡江大學土木工程學系碩士班論文。
14. 陳姵君，2007，“利用類神經網路預測建築物在干擾效應下之設計風載重”，淡江大學土木工程學系碩士班論文。
15. Zhou, Y., T. Kijewski and A. Kareem, 2003, “Aerodynamic load on tall buildings: an interactive database,” Journal of Structural Engineering, ASCE, Vol. 120, pp. 394-404.
16. 鄧秉泰，2003，“案例式推理在高層建築設計風載重專家系統之應用”，淡江大學土木工程學系碩士班論文。
17. 鄧秉泰，2006，“以風洞實驗資料庫為基礎之高層建築設計風載重專家系統”，結構工程，Vol. 21，No. 2，pp. 39-51。
18. 王人牧，鄭啟明，2009，“e-wind：建築耐風設計之資訊化解決方案”，土木水利，土木水利工程學會，Vol. 36, No. 1, pp. 51-59。
19. 張斐章，張麗秋，2005，“類神經網路”，東華書局。
20. 陳正偉，2008，“利用類神經網路預測建築物在干擾效應下之設計風載重(II)”，淡江大學土木工程學系碩士班論文。
21. E.C. English, F.R. Fricke, 1999, “The interference index and its prediction using a neural network analysis of wind-tunnel data, ” J. Wind Eng. Ind. Aero., 83, 567-575.
22. A.C. Khanduri, C. Bédard, T. Stathopoulos*, 1997, “Modeling wind-induced interference effects using backpropagation neural networks, ” J. Wind Eng. Ind. Aero., 72, 71-79.
23. Peng Huang and Ming Gu, 2005, “Experimental study on wind-induced dynamic interference effects between two tall buildings, ” Wind and structures, Vol.8, No. 3, pp. 147-161. 
24. Aishe Zhang, Ling Zhang, 2004, “RBF neural networks for the prediction of building interference effects, ” Computers and Structures 82, pp.2333-2339.
25. Chen, Y., Kopp, G. A., and Surry, D. (2003b), “Prediction of pressure coefficients on roofs of low buildings using artificial neural networks,” J. Wind Eng. Ind. Aero., Vol.91, pp.423-441.
26. Chen, Y., Kopp, G. A., and Surry, D. (2003a), “Interpolation of pressure time series in an aerodynamic database for low buildings,” J. Wind Eng. Ind. Aero., Vol.91, pp.737-765
27. 李顯宏，2005，“MATLAB 7.X程式開發與應用技巧”，文魁資訊股份有限公司。
28. 李顯宏，2006，“MATLAB程式設計延伸技術”，文魁資訊股份有限公司。
29. 張錚，2002，“MATLAB教學範本程式設計與應用”，知城數位科技股份有限公司。
30. 羅華強，2005，“類神經網路：MATLAB的應用”，高立圖書有限公司。
31. G.A. Kopp and Y. Chen, (2006), “Database-Assisted Design of Low-Rise Buildings: Aerodynamic Considerations for a Practical Interpolation Scheme,” J. Struct. Engrg., Vol132, pp.909-917.
32. J.X. Lin, D. Surry, H.W. Tieleman, (1994), “The distribution of pressure near roof corners of flat roof low buildings.” J. Wind Eng. Ind. Aero., Vol56, pp.235-265.