結構物的耐風設計通常需要經由風洞實驗，取得各種風力係數、風力頻譜的實驗數據，其過程相當耗時且費用昂貴。近年，國外風力規範逐步朝資料庫輔助(Database-Assisted)的設計模式發展，使用回歸公式來整理分析實驗數據，常無法得到準確的風力係數，因此，如何更有效的利用風洞實驗氣動力資料庫是一個重要的課題。
    在風力係數部分，近來重新進行風洞實驗，增加了許多模型(如深寬比 2.5、1.5、0.67、0.4和高寬比3.5、4.5、5.5、6.5)的量測數據，另為配合較為準確的風載重計算模式，嘗試將橫風向、扭轉向不同樓層高度的風力係數加入此次風力係數預測範圍中。
    在風力頻譜部份，之前淡江大學風工程研究中心的相關研究中，曾應用類神經網路來預測風力頻譜有相當的成效，因此在這次研究上，套用前人之模式方法，重新撰寫RBFNN類神經網路程式，藉由新風洞試驗數據訓練新的類神經網路，探討訓練和驗證案例之分配方式，然後微調網路架構，得到更準確的預測結果。
    最後將預測結果之類神經網路架構，應用於101年內政部建研所設計風載重資料庫之應用研究，配合發展視窗化高層建築物設計風載重計算軟體之模擬運算，與設計案例之計算結果做進一步的分析探討，初步應用效果良好。

Wind resistant design of buildings oftenneeds to acquire wind coefficents and spectra from wind tunnel tests. Recently, the development of building design wind load standards of other countries has been gradually progresstoward database-assisted design methods. Using regression formulas to process and analyze experimental data of wind coefficients usually are not very accurate. Therefore, one of the most important issue is how to use experimental wind load aerodynamic database more effectively.
Wind tunnel test data of new building models, such asD/B 2.5, 1.5, 0.67, 0.4, and H/√A  3.5, 4.5, 5.5, 6.5, were added. In addition, the distribution of acrosswind and torsional windcoefficients were adopted to the new estimation model to increase accuracy.
The wind engineering research center of Tamkang University has successfully applied artificial neural networks (ANNs) to simulatewind force spectra. The other part of this research was to follow the previous approach using the new experimental data to train radial basis function neural networks (RBFNNs) to predict spectra. The RBFNN program was updated, the ANN architecture was fine tuned, and the allocating of training and verification data was investigated in order to achieve better accuracy of the model.
Finally, the ANN architecture was applied to the 2012 project, Applications of Aerodynamic Database on Building Design Wind Loads, from ABRI, Ministry of the Interior.  All the ANNs were coded into the Window based wind load calculation software for wind coefficient and spectrum predictions and calculations. In conclusion, the result of the preliminary application is very well judging from the design cases investigated.

目錄
目錄     III
圖目錄     V
表目錄     VIII
第一章緒論     1
1.1 研究動機與目的    1
1.2 研究範圍     4
1.3 研究方法     5
1.3.1 資料架構處理    6
1.3.2 風力係數與頻譜之類神經網路架構探討   6
1.3.3 程式應用    7
1.4 論文組織     7
第二章 文獻回顧     9
2.1 風工程之相關理論    9
2.1.1 平均風速剖面    9
2.1.2 鈍體氣動力現象    11
2.1.3 動態反應    12
2.1.4 設計風載重    14
2.2 氣動力資料庫    18
2.3 類神經網路簡介    21
2.3.1 神經網路架構流程    21
2.3.2 輻狀基底函數類神經網路   23
2.3.3 MATLAB 內建的類神經網路   26
2.4 類神經網路於風工程之相關應用   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   30
2.4.3 類神經網路預測風力頻譜之研究   30
2.5 設計風載重資料庫之應用研究    32
2.5.1 高層建築設計風力模式    32
2.5.2 視窗化高層建築物設計風載重算軟體簡介  40
第三章 類神經網路預測風力係數    47
3.1 資料數據介紹及處理    47
3.1.1 資料數據範圍    47
3.1.2 資料分析    48
3.2 資料數據處理    51
3.2.1 資料分類    52
3.2.2 資料測試    54
3.2 建立風力係數之程式架構   . 56
3.2.1 順風向力係數    57
3.2.2 橫風向、扭轉力係數   61
3.3 風力係數摘要    63
3.3.1 順風向力係數    63
3.3.2 橫風向、扭轉力係數   66
第四章 類神經網路預測風力頻譜    69
4.1 資料數據介紹及處理    69
4.1.1 資料數據範圍    70
4.1.2 輸入值與出之設定    70
4.1.3 資料數據正規化    72
4.1.4 內插補點    73
4.2 風力頻譜之架構探討    74
4.2.1 類神經網路之訓練    75
4.2.2 類神經網路之驗證    76
4.2.3 類神經網路之測試    77
4.2.4 與前人之類神經網路比較   81
4.3 風力頻譜摘要    87
第五章 結果分析與實例探討    89
5.1 風力係數之預測    89
5.1.1 順風向力係數之預測分析   90
5.1.2 橫風向、扭轉力係數之預測分析   93
5.2 風力頻譜之預測    99
5.2.1 橫風向力頻譜之預測分析   100
5.2.2 扭轉向風力頻譜之預測分析   105
5.3 案例之分析比較    110
第六章 結論與展望     118
6.1 結論     118
6.1.1 風力係數    118
6.1.2 風力頻譜    120
6.1.3 案例驗證    121
6.2 未來展望     123
參考文獻     125
附錄 A: 風力係數總表    127
附錄 B: 風力頻譜總表    162
圖目錄
圖1- 1 研究方法流程圖 5
圖2- 1 流體流經鈍體之氣動力現象 11
圖2- 2 單自由度系統示意圖 12
圖2- 3 氣動力資料庫模型(1) 19
圖2- 4 氣動力資料庫模型(2) 19
圖2- 5 製作類神經網路流程圖 22
圖2- 6 幅狀基底類神經網路架構 23
圖2- 7 模型幾何尺寸及座標系統. 34
圖2- 8 系統安裝過程 42
圖2- 9 系統安裝過程 43
圖2- 10 建築物基本資料輸入頁面 44
圖2- 11 建築物基本資料輸入頁面 45
圖2- 12 建築物結構特性輸入頁面 45
圖2- 13 順風向風力結果輸出頁面 46
圖3- 1 深寬比對順風向擾動基底拖曳力係數之影響 49
圖3- 2 深寬比對橫風向擾動基底拖曳力係數之影響 50
圖3- 3 深寬比對扭轉向擾動基底拖曳力係數之影響 51
圖3- 4 輻狀基底函數類神經網路架構圖 52
圖3- 5 深寬比0.2~5 與高寬比3~7 之類神經模擬測試圖 54
圖3- 6 深寬比0.2~0.67、深寬比0.67~5 與高寬比3~7 之類神經模擬
測試圖 55
圖3- 7 迎風面之正風壓平均風力係數(C dw )全地況類神經網路架構圖
 58
圖3- 8 背風面之負風壓平均風力係數(C dl )全地況類神經網路架構圖
 59
圖3- 9 橫風向與扭轉向風力係數各地況類神經網路架構圖 61
圖3- 10 A 地況各深寬比之迎風面之正風壓平均風力係數預測圖 64
圖3- 11 A 地況各深寬比之背風面之負風壓平均風力係數預測圖 65
圖3- 12 A 地況深寬比1 橫風向之風力係數預測 66
圖3- 13 A 地況深寬比1 及扭轉向之風力係數預測 67
圖4- 1 風力頻譜之類神經預測架構圖 74
圖4- 2 兩種深寬比為一組之示意圖 76
圖4- 3 網路參與訓練驗證資料示意圖. 76
VI
圖4- 4 C 地況深寬比1、高寬比4、6 原始值 78
圖4- 5 C 地況高寬比7，深寬比0.5、2 原始值 79
圖4- 6 C 地況深寬比1 高寬比4、6 原始值 80
圖4- 7 C 地況高寬比7 深寬比0.5、3 原始值 80
圖4- 8 橫風向C 地況深寬比0.33 高寬比6 之風力頻譜誤差比較(上:
頻譜圖、下:誤差圖) 86
圖4- 9 扭轉向C 地況深寬比4 高寬比6 之風力頻譜誤差比較(上:頻譜
圖、下:誤差圖) 86
圖5- 1 B 地況深寬比5 之順風向迎風面正風壓平均風力係數(Cdw)預測
誤差 90
圖5- 2 C 地況深寬比5 之順風向迎風面正風壓平均風力係數(Cdw)預測
誤差 91
圖5- 3 A 地況深寬比1 之順風向背風面負風壓平均風力係數(Cdl)預測
誤差 91
圖5- 4 B 地況深寬比0.33 之順風向背風面負風壓平均風力係數(Cdl)
預測誤差 92
圖5- 5 C 地況深寬比3 之順風向背風面負風壓平均風力係數(Cdl)預測
誤差 92
圖5- 6 A 地況深寬比0.2 高寬比3 之橫風向風力係數( )預測誤差
 94
圖5- 7 B 地況深寬比0.2 高寬比3 之橫風向風力係數( )預測誤差
 94
圖5- 8 C 地況深寬比0.2 高寬比6 之橫風向風力係數( )預測誤差
 95
圖5- 9 A 地況深寬比0.2 高寬比6 之扭轉向風力係數(  )預測誤差
 96
圖5- 10 B 地況深寬比3 高寬比6 之扭轉向風力係數( )預測誤差
 97
圖5- 11 C 地況深寬比3 高寬比6 之扭轉向風力係數( )預測誤差
 98
圖5- 12 橫風向風力頻譜-網路範圍D1B3D1B4 之三種地況的深寬比
0.33 高寬比6.5. 102
圖5- 13 橫風向訓練部分-B 地況之深寬比1 高寬比7(P04A70B25S11)
之預測訓練圖(a)及誤差圖(b) (─：實驗值、- - ：預測值) 103
圖5- 14 橫風向驗證部分-B 地況之深寬比0.67 高寬比
3.5(P04A35B25S23)之預測訓練圖(a)及誤差圖(b) (─：實驗值、-
- ：預測值) 104
圖5- 15 扭轉向之B 地況深寬比0.333 高寬比6.5. 109
圖 5- 16 C 地況深寬比 3的高寬比 6風力頻譜預測圖  114114
圖 5- 17 C 地況深寬比 1的高寬比 6之風力頻譜預測圖  117117
表目錄
表1- 1 數據資料範圍 4
表2- 1 地表粗糙分類表 10
表2- 2 核心資料庫與輔助資料庫 20
表2- 3 幅狀基底函數型式 25
表2- 4 基本RBF 的幅狀基底函數 27
表3- 1 風力係數 47
表3- 2 數據範圍. 48
表3- 3 風力係數神經網路之預測範圍 56
表3- 4 幅狀基底函數類神經網路各風向風力係數表 57
表3- 5 迎風面之正風壓平均風力係數( dw C )為二個網路之預測結果 . 59
表3- 6 背風面之負風壓平均風力係數( dl C )為二個網路之預測結果 . 60
表3- 7橫風向 、扭轉向 為三個網路之預測結果. 62
表3- 8 順風向風力係數誤差總表. 65
表3- 9 橫風向、扭轉向風力係數誤差總表. 68
表4- 1 預測風力頻譜之類神經網路架構. 71
表4- 2 橫風向與扭轉向預測風力頻譜範圍之網路分類. 72
表4- 3 鍾欣潔論文之風力頻譜網路範圍D1B5~D1B3 誤差總表 82
表4- 4 本論文之風力頻譜網路範圍D1B5~D1B3 誤差總表. 83
表4- 5 鍾欣潔論文之風力頻譜網路範圍D3B1~D5B1 誤差總表 84
表4- 6 本論文之風力頻譜網路範圍D3B1~D5B1 誤差總表. 84
表4- 7 各網路風力頻譜比較表. 88
表5- 1 預測風力係數之類神經網路架構 89
表5- 2 預測風力頻譜之類神經網路架構. 99
表5- 3 橫風向各預測網路之特定頻率最大誤差 100
表5- 4 扭轉向各預測網路之特定頻率最大誤差 106
表5- 5 建築物相關幾何資料及動力特性 110
表5- 6 建築物相關幾何資料及動力特性(續) 111
表5- 7 高層建築物設計風載重計算軟體與實際設計案例之比較表(高
寬比3). 112
表5- 8 順風向深寬比0.2 高寬比3 之案例比較 113
表5- 9 橫風向深寬比3 高寬比3 之案例比較 114
表5- 10 高層建築物設計風載重計算軟體與實際設計案例之比較表(高
IX
寬比 6)    115
表 5- 11 順風向深寬 5高寬比 6之案例比較   116
表 5- 12 扭轉向深寬 1高寬比 6之案例比較   116

1.	林軍威，2009，「應用類神經網路預測矩形高層建築之風力頻譜」，淡江大學土木工程學系碩士班論文。
2.	鍾欣潔，2011，「預測高層建築之風力係數與風力頻譜的模式探討」，淡江大學土木工程學系碩士班論文。
3.	張斐章．張麗秋，2011，「類神經網路」，滄海書局。
4.	設計風載重資料庫之應用研究,2012,國科會GRB編號PG10101-0348、本部計畫編號101301070000G0009) 。
5.	Holmes, John D., 2001, “Wind Loading of Structures”, SPON PRESS.Zhang, Aishe and Zhang, Ling, 2004, “RBF neural networks for the prediction of building interference effects”, Computers and Structures 82, pp.2333-2339.
6.	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。
7.	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。
8.	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.
9.	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。
10.	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。
11.	陳政豪，2009，「利用類神經網路預測不同幾何造型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。
12.	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.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。
13.	A. C. Khanduri, C. Bedard, T. Stathopoulos, 1997, “Modeling wind-induced interference effects using backpropagation neural networks”, J. Wind Eng. Ind. Aero., 72, 71-79.
14.	Gu, Ming, 2009, “Study on Wind Loads and Responses of Tall Buildings and Structures”, Proceedings of Seventh Asia-Pacific Conference on Wind Engineering (APCWE-VII) , 107-127。
15.	Zhang, Aishe and Zhang, Ling, 2004, “RBF neural networks for the prediction of building interference effects”, Computers and Structures 82, pp.2333-2339.
16.	Chen, Y., G. A. Kopp, and D., Surry, 2003b, “Prediction of pressure coefficients on roofs of low buildings using artificial neural networks”, J. Wind Eng. Ind. Aero., Vol. 91, pp. 423-441.
17.	Chen, Y., G. A. Kopp, and D., Surry, 2003a, “Interpolation of pressure time series in an aerodynamic database for low buildings”, J. Wind Eng. Ind. Aero., Vol.91, pp.737-765.
18.	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。
19.	建築物耐風設計風載重條文之修訂研究,2008,國科會GRB編號PG9702-0404、本部計畫編號09730107000G1014) 。
20.	WilliamJ.Palm，「Matlab 在工程上的應用(第三版)」，2011，高立圖書。
21.	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。