結構物的耐風設計通常需要經由風洞實驗，取得風壓頻譜的實驗數據，其過程相當耗時且費用昂貴。使用回歸公式來整理分析實驗數據，常無法得到準確的風壓頻譜值，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。
　　淡江大學風工程研究中心利用類神經網路對於高層建築建立風力估算模式已有成熟的發展，但在半圓頂型與大跨徑結構卻沒有應用類神經網路的完整研究，只有研究助理鐘欣潔在2011年參與過的大跨度計畫案，曾應用類神經網路訓練、預測單一尺寸比例半圓頂型結構的風力頻譜，討論其自相關風力頻譜的軸圈關係。然而，就不同半圓頂比例而言，其估算模式仍有很大的發展空間。
　　本研究利用羅元隆博士於日本東京大學研究期間所建立的半圓頂型結構風壓資料庫，相較於鐘欣潔所使用的風力資料，更注重於半圓頂模型其曲率與結構高度的變化，對於子午線上風壓頻譜的影響，利用隨機選取法撰寫RBFNN類神經網路程式，在訓練、驗證與測試網路的過程中，尋找符合理論且準確的估算模式，與前人之回歸公式做進一步的比較探討，最後將程式應用於網路平台，建立簡易使用者介面，只需輸入簡單的參數即可透過伺服器運算，得到風壓頻譜的類神經網路估算值，可供相關研究進行試驗量測前的初步評估。

Wind resistant design of buildings often needs to acquire wind spectra from wind tunnel tests. Using regression formulas to process and analyze experimental data of wind spectra usually is not very accurate. Therefore, one of the most important issue is how to use experimental wind load aerodynamic database more effectively.
	The development of wind load estimation models for high-rise buildings using artificial neural networks (ANNs) has already been studied by the Wind Engineering Research Center of Tamkang University (WERC-TKU) for a long time. However, no complete research about dome structures using ANNS has been conducted. Only a large-span research project in 2011 conducted by research assistant Hsin-Chieh Chung trained ANNs for the predictions of wind spectra of fixed shape dome, which examined the axis and circle relation to coherence wind spectra. Never the less, there are a lot of rooms for further development of the estimation models for different shapes of domes.
	In this study, the wind pressure database of dome models that established by Dr. Yuan-Lung, Lo in University of Tokyo was used. Comparing with the data that used by Hsin-Chieh Chung, the focus is more on the differences of wind pressure spectra on the meridian with the change of curvature and height. Random center selection method was used to write RBFNN program to train, validate and test the ANNs. The estimation models found not only accurate but also theoretically consistent. Models were also compared with previous regression formula. At the end, the ANN models were applied to a network platform and a simple web browser user interface was built. Wind pressure spectra calculated by the server can be easily obtained with simple parameter inputs, which can be used as preliminary estimations before wind tunnel tests.

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	3
1.3　研究方法	6
1.3.1　數據處理	7
1.3.2　風壓頻譜之類神經網路建置	7
1.3.3　程式應用	8
1.4　論文組織	9
第二章	文獻回顧	10
2.1　流體特性	10
2.1.1　黏滯性	10
2.1.2　雷諾數	10
2.1.3　層流與紊流	11
2.2　流體流經鈍體行為	12
2.2.1　邊界層	12
2.2.2　分離(Separation)	13
2.2.3　尾跡(Wake)	13
2.2.4　渦散現象	14
2.3　半圓頂模型氣動力資料	14
2.3.1　原始資料簡介	14
2.4　類神經網路簡介	17
2.4.1　神經網路架構流程	17
2.4.2　輻狀基底函數類神經網路	19
2.5　類神經網路於風工程之相關應用	23
2.5.1　類神經網路預測干擾效應之研究	23
2.5.2　類神經網路預測風力頻譜之研究	25
第三章	風壓頻譜預測模式探討	28
3.1　資料數據整理	28
3.1.1　資料數據範圍	28
3.1.2　資料數據分段訓練	30
3.1.3　網路分區	34
3.1.4　探討頻率分段與風場分區方法	41
3.1.5　輸入項與輸出項簡介	42
3.1.6　探討輸入項模式	44
3.2　風壓頻譜之架構探討	44
3.2.1　類神經網路－訓練	45
3.2.2　類神經網路－驗證	46
3.2.3　類神經網路－測試	46
第四章	結果分析與討論	47
4.1　風壓頻譜誤差	47
4.2　類神經網路測試	48
4.2.1　f/D不變h/D內插案例	48
4.2.2　f/D內插案例h/D不變	53
4.2.3　f/D & h/D皆內插案例	57
4.2.4　子午線上實驗取樣點內插自訂點	61
4.3　比較公式	65
4.4　風壓頻譜估算系統	73
範例ㄧ：估算系統基本應用	74
範例二：系統估算值比較多筆實驗值	77
第五章	結論與展望	80
5.1　結論	80
5.2　未來展望	82
參考文獻	83
附錄A：風壓頻譜誤差總表	85

圖目錄
圖1.1　子午線上取樣點相對位置示意圖	5
圖1.2　模型幾何示意圖	6
圖1.3　研究方法流程圖	7
圖2.1　圓管流中層流與紊流之流況，(a)層流、(b)過渡、(c)紊流	11
圖2.3　邊界層分離之過程	13
圖2.4　平板模型	15
圖2.5　半圓頂模型f/D=0.1(h/D=0.0、0.1)	15
圖2.6	半圓頂模型f/D=0.1(h/D=0.2~0.5)	16
圖2.7　半圓頂模型f/D=0.2~0.5	17
圖2.8　類神經網路建置流程	18
圖2.9　幅狀基底類神經網路架構	20
圖2.10　半球模型風壓孔於軸圈上分布之情形。	27
圖3.1　風壓頻譜截取示意圖(案例C1 No.15為例)	29
圖3.2　低頻	31
圖3.3　高頻	31
圖3.4　高低頻銜接	32
圖3.5　銜接區有九點重疊	32
圖3.6　分段訓練前訓練結果	33
圖3.7　分段訓練後比較結果	33
圖3.8　低頻網路分區示意圖	36
圖3.9　高頻網路分區示意圖	36
圖3.10　f/D=0.2&h/D=0.1~0.5整體模型風壓頻譜3D視圖	39
圖3.11　f/D=0.5&h/D=0.1~0.5模型風壓頻譜3D視圖	40
圖3.12　幾何尺寸示意圖	43
圖3.13　神經預測架構圖	45
圖4.1　類神經網路測試f/D=0.5 & h/D=0.1、0.15、0.2 (a)No.1、(b)No25	50
圖4.2　類神經網路測試f/D=0.5 & h/D=0.1、0.15、0.2(No.1~No.15)	51
圖4.3　類神經網路測試f/D=0.5 & h/D=0.1、0.15、0.2(No.17~No.29)	52
圖4.4　類神經網路測試f/D=0.3、0.35、0.4 & h/D=0.3 (a)No.1、(b) No.27	54
圖4.5　類神經網路測試f/D=0.3、0.35、0.4 & h/D=0.3(No1~No15)	55
圖4.6　類神經網路測試f/D=0.3、0.35、0.4 & h/D=0.3(No17~29)	56
圖4.7　類神經網路測試f/D=0.25 & h/D=0.45比較f/D=0.2 & h/D=0.4、0.5與f/D=0.3 & h/D=0.4、0.5 (a)No.1、(b)No25	58
圖4.8　類神經網路測試f/D=0.25 & h/D=0.45比較f/D=0.2 & h/D=0.4、0.5與f/D=0.3 & h/D=0.4、0.5 (No1~No15)	59
圖4.9　類神經網路測試f/D=0.25 & h/D=0.45比較f/D=0.2 & h/D=0.4、0.5與f/D=0.3 & h/D=0.4、0.5 (No17~29)	60
圖4.10　子午線上內插自訂點示意圖	61
圖4.11　類神經網路測試f/D=0.5 & h/D=0.2子午線上內插自定義點 (a)No.1.5 (b)No.23.5	62
圖4.12　類神經網路測試f/D=0.5 & h/D=0.2子午線上內插自定義點No.1.5~No.15.5	63
圖4.13　類神經網路測試f/D=0.5 & h/D=0.2子午線上內插自定義點No.17.5~No.28.5	64
圖4.14　類神經網路比較公式f/D=0.2 & h/D=0.2 (a)No.1、(b)No.27	67
圖4.15　類神經網路比較公式f/D=0.2 & h/D=0.2 ( No.1~No.15)	68
圖4.16　類神經網路比較公式f/D=0.2 & h/D=0.2 ( No.17~No.27)	69
圖4.17　類神經網路比較公式f/D=0.5 & h/D=0.4 (a)No.1、(b)No.29	70
圖4.18　類神經網路比較公式f/D=0.5 & h/D=0.4 ( No.1~No.15)	71
圖4.19　類神經網路比較公式f/D=0.5 & h/D=0.4 ( No.17~No.29)	72
圖4.20　網路估算系統首頁	73
圖4.21　輸入基本資料與比較實驗筆數	75
圖4.22　選擇1筆實驗值參數	75
圖4.23　系統執行遠端運算後產生連結	76
圖4.24　系統估算結果	76
圖4.25　輸入基本資料與比較實驗筆數	78
圖4.26　選擇3筆實驗值參數	78
圖4.27　系統執行遠端運算後產生連結	79
圖4.28　系統估算結果	79
 
表目錄
表1.1　原始試驗模型代號組合	4
表1.2　本研究採用之資料範圍	4
表1.3　資料範圍	5
表2.1　幅狀基底函數型式	22
表3.1　本研究採用之數據範圍	29
表3.2　網路分區	35
表3.3　低頻網路風壓點範圍表	37
表3.4　高頻網路風壓點範圍表	38
表3.5　類神經網路預測風壓頻譜之架構	43
表4.1　f/D不變h/D內插案例	49
表4.2　f/D內插案例h/D不變	53
表4.3　f/D & h/D皆內插案例	57
表4.4　f/D=0.2~0.5公式擬合參數	66
表A-1　低頻段 迎風區； 輸入點數：18270；中心點數：400	86
表A-2　低頻段 分離區(1)； 輸入點數：45990；中心點數：275	87
表A-3　低頻段 分離區(2)； 輸入點數：72450；中心點數：1500	88
表A-4　低頻段 尾跡區(1)； 輸入點數：51030；中心點數：625	89
表A-5　低頻段 尾跡區(2)； 輸入點數：9135；中心點數：1000	89
表A-6　高頻段 迎風區； 輸入點數：426010；中心點數：600	90
表A-7　高頻段 分離區(1)； 輸入點數：631670；中心點數：600	91
表A-8　高頻段 分離區(2)； 輸入點數：528840；中心點數：750	92
表A-9　高頻段 分離區(3)； 輸入點數：352560；中心點數：600	92
表A-10　高頻段 分離區(4)； 輸入點數：440700；中心點數：800	93
表A-11　高頻段 尾跡區; 輸入點數：572910中心點數：1000	94

[1]Yuan-Lung,	Lo, 2012, CHARACTERISTICS OF WIND PRESSURE FLUCTUATIONS ON DOME-LIKE STRUCTURES, Dept. Socio-Cultural Environmental Studies, GSFS University of Tokyo.
[2]N.H.Johannesen, 1952.Philosophical magazine, 43, 568-580.
[3]Frank, M. White, 2005, Viscous Fluid Flow 3^nd edition.
[4]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.
[5]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.
[6]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。
[7]Zhang, Aishe and Zhang, Ling, 2004, “RBF neural networks for the prediction of building interference effects”, Computers and Structures 82, pp.2333-2339.
[8]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。
[9]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。
[10]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。
[11]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。
[12]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。
[13]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。
[14]張斐章．張麗秋，2011，「類神經網路」，滄海書局。
[15]傅仲麟，2010，「半圓頂大跨度屋蓋結構在平滑流場及大企邊界層流場中之風載重特性」，淡江大學土木工程學系博士班論文。