淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-1808201013473000
中文論文名稱 預測高層建築之風力係數與風力頻譜的模式探討
英文論文名稱 The Study of Wind Coefficient and Spectrum Prediction for High-Rise Buildings
校院名稱 淡江大學
系所名稱(中) 土木工程學系碩士班
系所名稱(英) Department of Civil Engineering
學年度 98
學期 2
出版年 99
研究生中文姓名 鍾欣潔
研究生英文姓名 Hsin-Chieh Chung
學號 697380466
學位類別 碩士
語文別 中文
口試日期 2010-07-09
論文頁數 127頁
口試委員 指導教授-王人牧
委員-鄭啟明
委員-張景鐘
中文關鍵字 類神經網路  輻狀基底函數  風工程  風力係數  風力頻譜 
英文關鍵字 ANN  RBFNN  Wind Coefficient  Wind Spectrum 
學科別分類 學科別應用科學土木工程及建築
中文摘要 在結構物的耐風設計上,計算風載重所需的風力係數與風力頻譜通常是依據風工程規範或風洞試驗而取得,其過程相當耗時且費用昂貴。因此,工程上經常使用迴歸公式來整理分析實驗數據,利用這些公式可以得到其他無進行實驗的數據結果。
風力係數使用MATLAB內建的三種回歸方法,分別為回歸分析、多項式回歸和非線性回歸來進行回歸方法的結果比較。另以MATLAB內建之類神經網路來進行預測,將地況、深寬比和高寬比作為輸入項,納入網路中進行訓練和驗證,建立能預測風力係數的類神經網路。使用的類神經網路分別為倒傳遞、輻狀基底和廣義回歸。
對原先的風力頻譜之幅狀基底類神經網路進行架構的探討,在資料的前處理或網路建立的內部架構(如:中心點選取法和函數選擇)進行比較與分析,以期達到「減少預測所需的網路數目」和「增加準確度」兩大目標。
使用幅狀基底函數類神經網路預測風力係數為最佳方法,整理應用得到三個網路來預測風力係數。順風向風力係數類神經網路以Cd與Cdm的預測結果比Cdd與Cdmd好,且B、C地況的預測優於A地況;橫風向風力係數的預測最大誤差百分比超過10%,但當深寬比大於1時,則誤差在4%以下;扭轉向風力係數受數值小影響而誤差放大,最大誤差百分比超過24%,以A地況好過B、C地況。
風力頻譜部分將地況加入輸入項為最為符合目標的方法,預測所需的網路數由72個降低為24個。將網路預測範圍擴大會出現驗證值誤差較大,尤其以高寬比6最為明顯。整體而言,以扭轉向的預測比順風向與橫風向好,C地況比A、B地況好。
前述的研究結果建立案例式專家系統,在初步設計時可供使用者利用網路連線到系統,從以往相似的案例中查詢相關資訊並推估出目標建物的風力係數和頻譜,以減少計算設計風載重所需的時間,進而完成初步設計。
英文摘要 In wind-resistant design of structures, the calculation of the required wind loads, coefficients and spectrums are usually based on wind codes and standards or wind tunnel tests. The process is very time-consuming and expensive. Therefore, regression analysis is often used to study experimental data in practice to produce regression formulas. These formulas can then be used to forecast results without performing experiments.
Three MATLAB build-in regression methods, namely regression analysis, polynomial regression and linear regression, were used to examine wind coefficients and to compare the results of the different methods. Also, MATLAB’s neural network functions were used as well to train, simulate and forecast wind coefficients using terrain, side ratio (D/B) and aspect ratio (H/B) as inputs The neural networks used includes BPNN(Back Propagation Neural Network), RBFNN (Radial Basis Function Neural Network) and GRNN(General Regression Neural Networks).
To extend the previous research that uses RBFNNs for wind spectrum simulation, the preprocessing of data and internal structure of the networks were compared and analyzed again in this research. The goals were to reduce the number of the networks and to increase the accuracy of predictions.
According to the results presented in this thesis, RBFNN is the best way to predict wind coefficients. The final application used three networks to predict wind coefficients. For alongwind coefficients, the predictions of Cd and Cdm are better than Cdd and Cdmd, and terrain B and C are better than terrain A. For acrosswind coefficients, the maximal prediction error is more than 10%, but the error is below 4% when aspect ratio is greater than 1. For torsional wind coefficients, the maximal error is over 24% impacted by the small values of the coefficients, and terrain A is better than terrain B and C.
The suggestion of the thesis is to add terrain condition to the inputs of the RBFNN, which reduces the total number of networks needed to forecast wind spectrums from 72 to 24. This only slightly increases the error of some validation cases. The most obvious changes occurred to H/B=6 cases.
A case-based expert system operating on the Internet was built using the above findings to estimate target buildings’ wind coefficients and spectrums for preliminary designs of building wind loads.
論文目次 目 錄
目錄 I
圖目錄…………………………………………………………………………….…..V
表目錄……………………………………………………………………………...VIII
附錄 表目錄 X
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 3
1.3研究方法 4
1.3.1資料處理 4
1.3.2風力係數與風力頻譜之架構探討 5
1.3.3建立整合系統 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 鈍體氣動力現象 9
2.1.3 動態反應 10
2.1.4 設計風載重 12
2.2氣動力資料庫 16
2.3 平均風力係數的修正公式 18
2.3.1 不同地況下的平均風力係數修正公式 19
2.3.2 不同建物斷面形式的平均風力係數修正公式 19
2.4 MATLAB回歸公式簡介 21
2.4.1 回歸分析(regress) 21
2.4.2 多項式回歸(polyfit&polyval) 21
2.4.3 非線性回歸(nlinfot) 22
2.5類神經網路簡介 23
2.5.1神經網路架構流程 23
2.5.2輻狀基底函數類神經網路 25
2.5.3 MATLAB內建的類神經網路 29
2.6 Gu, Ming的橫風向風力頻譜回歸公式 31
2.7 類神經網路於風工程之相關應用 33
2.7.1類神經網路預測干擾效應之研究 33
2.7.2類神經網路預測風壓係數之研究 35
2.7.3類神經網路預測風力頻譜之研究 35
2.8案例式專家系統簡介 36
2.8.1運算單元軟體 MATLAB Web Server 36
2.8.2案例庫與資料庫之整合 38
第三章 風力係數之架構探討 39
3.1平均風力係數Cd 39
3.1.1 資料前處理 39
3.1.2 應用回歸公式之結果 42
3.1.3 類神經網路預測之結果 45
3.1.4 應用回歸公式與類神經網路之最佳結果比較 46
3.1.5 與平均風力係數Cd的修正公式比較 47
3.2 風力係數的幅狀基底類神經網路(RBFNN) 49
3.2.1 順風向風力係數 49
3.2.2 橫風向風力係數 51
第四章 風力頻譜神經網路架構探討 52
4.1資料處理之比較 53
4.1.1 數據影響因素分析 53
4.1.2 增加類神經網路中數據資料深寬比之範圍 55
4.1.3 將「地況」增為類神經網路數據資料之輸入項 59
4.2 類神經網路架構之影響 61
4.2.1 中心點選取法之比較 61
4.2.2 不同函數之比較 63
4.3 橫風向風力頻譜回歸公式 64
4.3.1 實驗數據部份 64
4.3.2 無實驗數值部份 66
第五章 結果分析與實例探討 70
5.1 風力係數之預測 70
5.1.1 順風向風力係數之預測分析 71
5.1.2 橫風向風力係數之預測分析 75
5.1.3 扭轉向風力係數之預測分析 77
5.2 風力頻譜之預測 79
5.2.1 順風向風力頻譜之預測比較 80
5.2.2 橫風向風力頻譜之預測比較 83
5.2.3 扭轉向風力頻譜之預測比較 87
第六章 結論與展望 91
6.1 結論 91
6.1.1 風力係數 91
6.1.2 風力頻譜 93
6.2 未來展望 95
參考文獻 97
附錄A:風力係數誤差總表 100
附錄B:風力頻譜誤差總表 123

圖目錄
圖1- 1 研究方法流程圖 4
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 10
圖2- 3 氣動力資料庫模型(1) 16
圖2- 4 氣動力資料庫模型(2) 17
圖3- 1 均方根風力係數Cdd、Cld、Ctd之之因素影響比較示意圖 40
圖3- 2 平均風力係數Cd之因素影響比較示意圖 41
圖4- 1 影響因素之風向與地況比較 53
圖4- 2 影響因素之地況與深寬比比較 54
圖4- 3 影響因素之深寬比與高寬比的比較 54
圖4- 4 兩種深寬比為一組之示意圖 55
圖4- 5 三種深寬比為一組(各預測網路間資料未重疊)之示意圖 56
圖4- 6 三種深寬比為一組(各預測網路間資料有重疊)之示意圖.………………57
圖4- 7 四至五種深寬比為一組之示意圖 57
圖4- 8 三種深寬比為一組(各預測網路間資料未重疊)之未重疊區域預測結果 59
圖4- 9 (a)非整數深寬比1.5和(b)非整數高寬比3.5之測試 60
圖4- 10 回歸公式與實驗數據之(a)地況、(b)深寬比和(c)高寬比的大範圍比較 65
圖4- 11 回歸公式與實驗數據比較之B地況深寬比1 66
圖4- 12 回歸公式與類神經網路比較之非整數的深寬比1.5 67
圖4- 13 回歸公式與類神經網路比較之非整數高寬比4.5、5.5、6.5 68
圖4- 14 類神經網路與回歸公式比較之非整數的深寬比與高寬比 69
圖5- 1 P04(A30~A70)B32S14順風向風力係數Cd之預測誤差………………….71
圖5- 2 P04(A30~A70)B15S15順風向風力係數之預測誤差 72
圖5- 3 P04(A30~A70)B15S51順風向風力係Cdd之預測誤差 72
圖5- 4 P04(A30~A70)B25S11順風向Cdd之預測誤差 73
圖5- 5 P04(A30~A70)B32S14順風向風力係數Cdm之預測誤差 73
圖5- 6 P04(A30~A70)B25S12順風向風力係數Cdm之預測誤差 74
圖5- 7 P04A(A30~A70)B15S51順風向風力係數Cdmd之誤差比較 74
圖5- 8 P04(A30~A70)B25S11順風向風力係數Cdmd之誤差比較 75
圖5- 9 P04(A30~A70)B25S14之橫風向風力係數Cld之預測誤差 76
圖5- 10 P04(A30~A70)B32S41橫風向風力係數Cld之預測誤差 76
圖5- 11 P04(A30~A70)B25S14橫風向風力係數Cldm之預測誤差 77
圖5- 12 P04(A30~A70)B15S21橫風向風力係數Cldm之預測誤差 77
圖5- 13 P04(A30~A70)B25S14之扭轉向風力係Ctd之預測誤差 78
圖5- 14 P04(A30~A70)B32S21之扭轉向風力係Ctd之預測誤差 78
圖5- 15 順風向訓練部份P04A70B32S21之頻譜與誤差圖比較 82
圖5- 16 順風向個別rmse之P04A60B32S14頻譜圖與誤差圖 83
圖5- 17 順風向個別rmse之P04A40B15S41頻譜圖與誤差圖 83
圖5- 18 網路範圍D1B3D1B4之三種地況的深寬比0.333高寬比6 85
圖5- 19 橫風向訓練部份P04A70B15S11之peak值誤差降低比較 86
圖5- 20 橫風向驗證部份P04A40B25S12之peak值誤差降低比較 87
圖5- 21 扭轉向之B地況深寬比0.333高寬比6 89
圖5- 22 扭轉向訓練部份P04A70B25S12之peak值誤差降低比較 90
圖5- 23 扭轉向驗證部份P04A60B25S12之peak值誤差降低比較 90

表目錄
表1- 1 數據資料範圍 3
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 不同地況下的平均風力係數修正公式 19
表2- 4 單一斷面形式之順風向平均風力係數修正模式 20
表2- 5 幅狀基底函數型式 28
表2- 6 基本RBF的幅狀基底函數 30
表2- 7 無因次化計算 32
表2- 8 地況的定義 32
表3- 1 風力係數 39
表3- 2 平均風力係數Cd的資料前處理 42
表3- 3 回歸公式之高寬比系列結果 43
表3- 4 回歸公式之深寬比系列結果 43
表3- 5 回歸公式之地況系列結果 44
表3- 6 回歸公式之全系列結果 44
表3- 7 類神經網路之地況系列結果 45
表3- 8 類神經網路之全系列結果 46
表3- 9 最好之回歸公式與類神經網路 46
表3- 10 幅狀基底類神經網路(RBFNN)與修正公式之誤差比較 48
表3- 11 RBFNN在七種風力係數的各個預測結果 49
表3- 12 順風向平均風力係數之預測結果 50
表3- 13 順風向均方根風力係數之預測結果 50
表3- 14 順風向風力係數之預測結果 51
表3- 15 橫風向風力係數之預測結果 51
表4- 1 風力頻譜類神經網路架構探討圖示 52
表4- 2 增加類神經網路中數據資料深寬比範圍之結果 58
表4- 3 增加地況為輸入項之預測結果比較 60
表4- 4 正確率(tol)影響中心點數的變化 61
表4- 5 中心點選取法之比較結果 62
表4- 6 OLS選取法之預測較差的結果 62
表4- 7 不同函數之比較結果 63
表5- 1 預測風力係數之類神經網路架構 70
表5- 2 風力係數神經網路之係數預測範圍 71
表5- 3 預測風力頻譜之類神經網路架構 79
表5- 4 預測風力頻譜範圍之網路分類 80
表5- 5 順風向各預測網路之特定頻率最大誤差 81
表5- 6 橫風向各預測網路之特定頻率最大誤差 84
表5- 7 扭轉向各預測網路之特定頻率最大誤差 88
附錄 表目錄
表A- 1順風向基底剪力平均風力係數(Cd) -- A地況誤差分析 102
表A- 2順風向基底剪力平均風力係數(Cd) -- B地況誤差分析 103
表A- 3順風向基底剪力平均風力係數(Cd) -- C地況誤差分析 104
表A- 4順風向基底剪力均方根風力係數(Cdd) -- A地況誤差分析 105
表A- 5順風向基底剪力均方根風力係數(Cdd) -- B地況誤差分析 106
表A- 6順風向基底剪力均方根風力係數(Cdd) -- C地況誤差分析 107
表A- 7順風向基底彎矩平均風力係數(Cdm) -- A地況誤差分析 108
表A- 8順風向基底彎矩平均風力係數(Cdm) -- B地況誤差分析 109
表A- 9順風向基底彎矩平均風力係數(Cdm) -- C地況誤差分析 110
表A- 10順風向基底彎矩均方根風力係數(Cdmd) -- A地況誤差分析 111
表A- 11順風向基底彎矩均方根風力係數(Cdmd) -- B地況誤差分析 112
表A- 12順風向基底彎矩均方根風力係數(Cdmd) -- C地況誤差分析 113
表A- 13橫風向基底剪力均方根風力係數(Cld) -- A地況誤差分析 114
表A- 14橫風向基底剪力均方根風力係數(Cld) -- B地況誤差分析 115
表A- 15橫風向基底剪力均方根風力係數(Cld) -- C地況誤差分析 116
表A- 16橫風向基底彎矩均方根風力係數(Clmd) -- A地況誤差分析 117
表A- 17橫風向基底彎矩均方根風力係數(Clmd) -- B地況誤差分析 118
表A- 18橫風向基底彎矩均方根風力係數(Clmd) -- C地況誤差分析 119
表A- 19基底扭轉均方根風力係數(Ctd) -- A地況誤差分析 120
表A- 20基底扭轉均方根風力係數(Ctd) -- B地況誤差分析 121
表A- 21基底扭轉均方根風力係數(Ctd) -- C地況誤差分析 122
表B- 1深寬比0.2至0.333的三種風向預測結果 124
表B- 2深寬比0.333至1的三種風向預測結果 125
表B- 3深寬比1至3的三種風向預測結果 126
表B- 4深寬比3至5的三風向項預測結果 127

程式目錄
程式 2 - 1 回歸分析(regress) 21
程式 2 - 2 多項式回歸(polyfit&polyval) 22
程式 2 - 3 非線性回歸(nlinfot) 22
程式 2 - 4 自訂的fun函數 22
程式 2 - 5 倒傳遞類神經網路 29
程式 2 - 6 基本幅狀基底類神經網路 30
程式 2 - 7 廣義回歸類神經網路 31
參考文獻 1.Holmes, John D., 2001, “Wind Loading of Structures”, SPON PRESS.
2.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.
3.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.
4.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.
5.Huang, Peng and Gu, Ming, 2005, “Experimental study on wind-induced dynamic interference effects between two tall buildings”, Wind and structures, Vol.8, No. 3, pp. 147-161.
6.Zhang, Aishe and Zhang, Ling, 2004, “RBF neural networks for the prediction of building interference effects”, Computers and Structures 82, pp.2333-2339.
7.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.
8.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.
9.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。
10.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。
11.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。
12.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。
13.劉啟威,2003,「不同斷面形式之高層建築對設計風載重之風洞實驗研究」,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.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。
16.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。
17.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。
18.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。
19.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。
20.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。
21.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。
22.張斐章.張麗秋,2005,「類神經網路」,台灣東華書局股份有限公司。
23.張德豐,2009,「MATLAB神經網絡應用設計」,機械工程出版社。
24.洪維恩,2005,「Matlab 7程式設計」,旗標出版有限公司。
25.MATLAB之工程應用, http://bime-matlab.blogspot.com/
26.周鵬程,2006,「類神經入門:活用Matlab」,全華圖書股份有限公司。
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程式設計延伸技巧」,文魁資訊股份有限公司。
29.CBR-Works, http://www.imn.htwk-leipzig.de/~sunpool/software/cbr_works/.
30.大藤 幹、半場方人,2006,「最新詳解Javascript & HTML & CSS語法辭典」 增訂新版,博碩文化股份有限公司。
31.施威銘研究室,2002,「SQL Server 2000設計實務」,旗標出版股份有限公司。
32.呂文達,2006,「JSP2.0 動態網頁技術(第三版)」,博碩文化股份有限公司。
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2010-08-19公開。
  • 同意授權瀏覽/列印電子全文服務,於2010-08-19起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信