近年來由於人口密度不斷的增加，許多地區的大樓如雨後春筍般興建，為因應地狹人稠的人口比例，建築的高度也相對提高，然而隨著樓層越高受到風的影響越是嚴重，因此建築耐風設計即成為在建構高樓時重要的課題。在結構物的耐風設計上，設計風載重所需的風力頻譜通常是需要經由風洞試驗取得，其過程相當耗時且昂貴。
　　而計算流體力學(CFD)的發展日漸進步，雖然有些微誤差，但相對於風洞實驗所耗費的人力與時間較低，對於未來擴增氣動力資料庫的數據將更為方便。然而若要提升CFD的準確度，網格數量勢必會增加，導致計算時間龐大，因此近期以CFD建置氣動力資料庫的計畫中，期望以最少數量之網格來達成最大模擬效益為目標進行網格繪置，因為網格數相對減少，使得模擬結果相對變差，所以本研究中將CFD數值模擬的基底彎矩頻譜與風洞實驗數值間的比值所得出的修正係數進行類神經網路模擬，期望能利用類神經網路的預測能力與CFD模擬之便利性，來大幅降低未來進行風洞實驗所耗費的時間與人力。
　　本研究以類神經網路為核心，建構CFD頻譜修正系統，透過資料前處理，分析、整理資料，並進一步將其分類，而類神經網路之建置於先前在風工程研究中心相關研究中，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，參考前人之模式方法，建立類神經網路之架構。在類神經網路之分類，以三個風力作用方向為網路分區依據，撰寫輻狀基底函數類神經網路(RBFNN)程式，探討訓練和驗證案例之分配方式與不同輸入項對於類神經模擬結果的影響，並進一步嘗試不同的輸入項與資料分類方法，以便調整網路架構，得到更準確的預測結果。最後再將預測之修正係數譜乘上CFD模擬之頻譜，得出修正後的風力頻譜，並與實驗頻譜進行誤差比對分析。
    未來，此模式將應用於缺乏風洞實驗之案例(如削角、或特殊斷面等)，以CFD數值模擬，並經由此模式得到修正後之模擬案例，以利後續耐風設計之計算、應用，以及氣動力資料庫之擴建。

Recently, buildings in many areas have sprung up and the heights of buildings increased as well, due to the continuous growth in population density. As buildings grow taller, wind effects become more severe and wind resistant design of buildings turn into an important subject. Wind resistant building design often needs to acquire wind coefficients and spectrums from wind tunnel tests which is time consuming and expensive.
    In recent years, the development of computational fluid dynamics (CFD) has gradually progressed. Although slight errors may exist, CFD consume less time and labor relative to wind tunnel tests. Therefore, CFD is a more convenient method to expand our aerodynamic database in the future. To improve the accuracy of CFD simulations, the number of grids is bound to increase, resulting in lengthy computation time. The goal is to use minimum number of grids to build the CFD simulation model to achieve maximum efficient within our computational capacity. In order to compensate the supplementary errors, the ratios of CFD and experimental base moment spectrums, which is called correction coefficients, are the targets of artificial neural networks (ANNs) simulations. In the future, it is expected to use the predictive capabilities of neural networks and the convenience of CFD simulations to significantly reduce the time and effort required for wind tunnel tests.
    Using ANN as core, this research implemented a CFD spectrum correction system. In previous studies, ANNs were used to predict wind spectrums with good results. Therefore, similar radial basis function (RBF) neural network architecture was used in this thesis. Data preprocessing, analysis, normalization and grouping were performed. RBFNN program was developed to train three networks to predict alongwind, acrosswind and torsional correction coefficients. The influence of selection of training and verification cases was explored at the early stage of the research. Further attempts were made to seek different input items and data classification methods, and adjust the network parameters to get more accurate simulation results. At the end, the predicted correction coefficients are multiplied by the spectrums from CFD simulation to get the modified wind spectrums, and then compared with the spectrums from wind tunnel tests to do error analysis.
    This model will be applied to cases with insufficient wind tunnel test results (e.g., recessing, corner cut, etc.). Using CFD simulation and ANN modification model to rapidly expand the aerodynamic database and support wind resistant design of buildings.

目錄
目錄	III
圖目錄	VI
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	3
1.3 研究方法	3
1.3.1 資料架構處理	4
1.3.2 修正係數譜之類神經網路架構探討	5
1.4 論文組織	5
第二章 文獻回顧	7
2.1 風工程之相關理論	7
2.1.1 平均風速剖面	7
2.1.2 動態反應	9
2.1.3 鈍體氣動力現象	11
2.1.4 設計風載重	12
2.2 氣動力資料庫	16
2.3 類神經網路簡介	19
2.3.1 類神經網路架構流程	19
2.4 類神經網路於風工程之相關應用	24
2.4.1 類神經網路預測干擾效應之研究	24
2.4.2 類神經網路預測風壓係數之研究	26
2.4.3 類神經網路預測風力頻譜之研究	27
2.5 計算流體力學	28
2.5.1 計算流體力學簡介	29
2.6 CFD數值模擬之模式建構	30
2.6.1 隨機紊流產生法	30
2.6.2 紊流輸入條件	31
2.6.3 計算域及網格配置	33
2.7 CFD修正比值	37
第三章 CFD風力頻譜之修正系統架構	38
3.1 CFD修正系統建構流程	39
3.2 資料前處理	40
3.2.1 資料數據範圍	40
3.2.2 修正係數譜	40
3.2.3 實驗頻譜之頻率校正	41
3.2.4 CFD模擬頻譜平滑	41
3.3 類神經網路	43
3.4 資料後處理	44
3.4.1 預測之修正頻譜	44
3.4.2 繪製頻譜圖	45
第四章 修正係數譜之神經網路架構	46
4.1 網路建構流程	46
4.2 資料分類	47
4.3 網路輸入項與輸出項之簡介與測試	48
4.3.1 輸入項標準化	49
4.3.2 輸入項Trial 1 – CFD頻譜	49
4.3.3 輸入項Trial 2 –修正係數譜	50
4.3.4 CFD頻譜之權重檢測	51
4.4 網路之訓練案例組合	53
4.4.1 訓練組合Combo 1 – 深、淺矩柱分段訓練	53
4.4.2 訓練組合Combo 2 – 深淺矩柱合併訓練	55
4.5 類神經網路之驗證	56
4.6 中心點數之選取	58
4.7 類神經網路之測試	61
4.8 預測結果	64
第五章 結果分析	65
5.1 CFD頻譜之修正系統架構與評估方法	65
5.1.1 訓練與驗證之結果分析比較	66
5.2 風力頻譜之預測分析	66
5.2.1 順風向風力頻譜	67
5.2.2 橫風向風力頻譜	75
5.2.3 扭轉向風力頻譜	83
第六章 結論與建議	92
6.1 結論	92
6.2 建議	94
參考文獻	96
附錄A：風力頻譜RMSE總表	98
附錄B：風力頻譜訓練案例頻譜圖	107
附錄C：風力頻譜驗證案例頻譜圖	116
附錄D：風力頻譜測試案例頻譜圖	122

圖目錄
圖1-1 研究方法與流程	4
圖2-1 單自由度系統示意圖	9
圖2-2 流體流經鈍體之氣動力現象	12
圖2-3 氣動力資料庫模型(1)	17
圖2-4 氣動力資料庫模型(2)	17
圖2-5 類神經網路建構流程圖	20
圖2-6 輻狀基底類神經網路架構	21
圖2-7 A(都市)、B(鄉鎮)、C(空曠)地況紊流強度剖面	32
圖2-8 A地況入流處之風速頻譜	33
圖2-9 B地況入流處之風速頻譜	33
圖2-10 C地況入流處之風速頻譜	33
圖2-11 計算域網格配置	34
圖2-12 順風向基底彎矩頻譜	35
圖2-13 橫風向基底彎矩頻譜	35
圖2-14 扭轉向基底彎矩頻譜	36
圖2-15 CFD頻譜之修正比值示意圖	37
圖3-1 CFD修正系統之整體架構圖	39
圖3-2 修正係數驗證案例 (Terrain A D1B3H5)	41
圖3-3 平滑前後比較圖 (Terrain B D1B2H3)	43
圖3-4 修正後之預測頻譜轉換示意 (Terrain A D1B3H5)	44
圖3-5 頻譜比較圖 (Terrain A D3B1H4)	45
圖4-1 修正係數譜網路架構	46
圖4-2 訓練、驗證案例分配示意圖	48
圖4-3 Trial 1之驗證案例 (Terrain A D1B3H5)	50
圖4-4 修正係數驗證案例 (Terrain A D1B3H5)	51
圖4-5 類神經對於CFD頻譜之敏感度測試圖	52
圖4-6 分群訓練之淺矩柱訓練圖 (X-dir. Terrain C D1B3H5)	54
圖4-7 分群訓練之深矩柱驗證圖 (X-dir. Terrain A D3B1H4)	54
圖4-8 深淺矩柱合併訓練之訓練圖(X-dir. Terrain C D1B3H5)	55
圖4-9 深淺矩柱合併訓練之驗證圖(X-dir. Terrain A D3B1H4)	56
圖4-10 驗證案例(Terrain C D1B1H4)	58
圖4-11 中心點數測試案例(Terrain A D2.5B1H6.5)	61
圖4-12 測試案例 (Terrain C D2B3H5.5)	63
圖5-1 順風向風力頻譜之三種地況測試圖(預測案例D2.5B1H6.5)	70
圖5-2 順風向風力頻譜之三種地況測試圖(預測案例D1B2.5H4.5)	71
圖5-3 順風向風力頻譜之全案例RMSE值柱狀圖 (Terrain A)	72
圖5-4 順風向風力頻譜之全案例RMSE值柱狀圖 (Terrain B)	73
圖5-5 順風向風力頻譜之全案例RMSE值柱狀圖 (Terrain C)	74
圖5-6 橫風向風力頻譜之三種地況比較圖(預測案例D2.5B1H6.5)	78
圖5-7 橫風向風力頻譜之三種地況測試圖(預測案例D1B2.5H4.5)	79
圖5-8 橫風向風力頻譜之全案例RMSE值柱狀圖 (Terrain A)	80
圖5-9 橫風向風力頻譜之全案例RMSE值柱狀圖 (Terrain B)	81
圖5-10 橫風向風力頻譜之全案例RMSE值柱狀圖 (Terrain C)	82
圖5-11 扭轉向風力頻譜之三種地況比較圖(預測案例D2.5B1H6.5)	86
圖5-12 扭轉向風力頻譜之三種地況比較圖(預測案例D1B2.5H4.5)	87
圖5-13 扭轉向風力頻譜之全案例RMSE值柱狀圖 (Terrain A)	88
圖5-14 扭轉向風力頻譜之全案例RMSE值柱狀圖 (Terrain B)	89
圖5-15 扭轉向風力頻譜之全案例RMSE值柱狀圖 (Terrain C)	90
圖B-1 順風向 Cmy – 訓練案例頻譜圖(高寬比3)	107
圖B-2 順風向 Cmy – 訓練案例頻譜圖(高寬比5)	108
圖B-3 順風向 Cmy – 訓練案例頻譜圖(高寬比7)	109
圖B-4 橫風向 Cmx – 訓練案例頻譜圖(高寬比3)	110
圖B-5 橫風向 Cmx – 訓練案例頻譜圖(高寬比5)	111
圖B-6 橫風向 Cmx – 訓練案例頻譜圖(高寬比7)	112
圖B-7 扭轉向 Cmz – 訓練案例頻譜圖(高寬比3)	113
圖B-8 扭轉向 Cmz – 訓練案例頻譜圖(高寬比5)	114
圖B-9 扭轉向 Cmz – 訓練案例頻譜圖(高寬比7)	115
圖C-1 順風向 Cmy – 驗證案例頻譜圖(高寬比4)	116
圖C-2 順風向 Cmy – 驗證案例頻譜圖(高寬比6)	117
圖C-3 橫風向 Cmx – 驗證案例頻譜圖(高寬比4)	118
圖C-4 橫風向 Cmx – 驗證案例頻譜圖(高寬比6)	119
圖C-5 扭轉向 Cmz – 驗證案例頻譜圖(高寬比4)	120
圖C-6 扭轉向 Cmz – 驗證案例頻譜圖(高寬比6)	121
圖D-1 順風向 Cmy – 測試案例頻譜圖	122
圖D-2 橫風向 Cmx – 測試案例頻譜圖	123
圖D-3 扭轉向 Cmz – 測試案例頻譜圖	124

  
表目錄
表2-1 地表粗糙分類表	8
表2-2 核心資料庫與輔助資料庫	18
表2-3 輻狀基底函數型式	23
表2-4 風洞試驗結果與CFD模擬結果之順風向基底彎矩RMS比值	36
表2-5 風洞試驗結果與CFD模擬結果之橫風向基底彎矩RMS比值	36
表2-6 風洞試驗結果與CFD模擬結果之扭轉向RMS比值	36
表3-1 預測修正係數譜之類神經網路架構	43
表4-1 類神經網路架構	47
表4-2 類神經網路之輸入項參數表	49
表4-3 深、淺矩柱分段訓練之類神經網路架構	53
表4-4 深淺矩柱合併訓練之類神經網路架構	55
表4-5 訓練階段之中心點數RMSE比較表	58
表4-6 非整數之測試案例分布表	62
表4-7 三個風向之中心點數與RMSE值對應表	64
表5-1順風向、橫風向與扭轉向預測風力頻譜範圍之網路分類	65
表5-2本論文與CFD計畫案[24]中，對於相同案例之誤差比較	66
表5-3 測試階段之順風向風力頻譜ANNs與CFD之RMSE比較	67
表5-4 測試階段之橫風向風力頻譜ANNs與CFD之RMSE比較	75
表5-5 測試階段之扭轉向風力頻譜ANNs與CFD之RMSE比較	83
表A-1 順風向Cmy之ANNs訓練階段均方根誤差RMSE表	98
表A-2 橫風向Cmx之ANNs訓練階段均方根誤差RMSE表	100
表A-3 扭轉向Cmz之ANNs訓練階段均方根誤差RMSE表	102
表A-4 順風向Cmy之ANNs驗證階段均方根誤差RMSE表	104
表A-5 橫風向Cmx之ANNs驗證階段均方根誤差RMSE表	105
表A-6 扭轉向Cmz之ANNs驗證階段均方根誤差RMSE表	106

1. 林昶志，2014，「氣動力資料庫建築抗風設計之風力係數與風力頻譜估算模式」，淡江大學土木工程學系碩士班論文
2. 吳建緯，2013，「以類神經網路建立建築物風力係數」，淡江大學土木工程學系碩士班論文。
3. 設計風載重資料庫之應用研究(2)，2013，國科會GRB編號PG10201-0571、本部計畫編號102301070000G0017) 。
4. 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.
5. 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。
6. 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。
7. 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.
8. 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。
9. 張斐章．張麗秋，2011，「類神經網路」，滄海書局。
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.
13. 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.
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, 2003, “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. 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。
20. 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。
21. 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)。
22. 劉博溢，2015年，「以類神經網路建立半圓頂型屋蓋結構子午線上風壓頻譜之估算模式」，淡江大學土木工程學系碩士班論文。
23. WilliamJ.Palm，「Matlab 在工程上的應用(第三版)」，2011，高立圖書。
24. 賴冠廷、張正興、鄭啟明，2016，高層建築風力數值模擬分析，第六屆全國風工程研討會。
25.	莊淨輝，2016，「行人環境風場舒適度標準評估與實場調查」，淡江大學
　　土木工程學系碩士班論文。