系統識別號 | U0002-2807201411055700 |
---|---|
DOI | 10.6846/TKU.2014.01163 |
論文名稱(中文) | 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 |
論文名稱(英文) | Wind Coefficient and Spectrum Estimation Models for Aero-Data Based Wind Resistant Building Design |
第三語言論文名稱 | |
校院名稱 | 淡江大學 |
系所名稱(中文) | 土木工程學系碩士班 |
系所名稱(英文) | Department of Civil Engineering |
外國學位學校名稱 | |
外國學位學院名稱 | |
外國學位研究所名稱 | |
學年度 | 102 |
學期 | 2 |
出版年 | 103 |
研究生(中文) | 林昶志 |
研究生(英文) | Chang-Chih Lin |
學號 | 601380263 |
學位類別 | 碩士 |
語言別 | 繁體中文 |
第二語言別 | |
口試日期 | 2014-07-02 |
論文頁數 | 195頁 |
口試委員 |
指導教授
-
王人牧
委員 - 張景鐘 委員 - 鄭啟明 |
關鍵字(中) |
類神經網路 幅狀基底函數 風力係數 風力頻譜 氣動力資料庫 風工程 |
關鍵字(英) |
ANN RBFNN Wind Coefficient Wind Force Spectrum Aero-Data Based Wind Engineering |
第三語言關鍵字 | |
學科別分類 | |
中文摘要 |
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,先前在淡江大學風工程研究中心的相關類神經網路研究中,以倒傳遞(BP)、幅狀基底(RBF)和廣義回歸(GRNN) 類神經網路來進行風力係數的模擬,發現使用「幅狀基底函數類神經網路(RBFNN)」得到最佳之結果。前述之研究範圍為三種地況(A、B、C)下之矩形斷面建物(深寬比0.2~5,高寬比3~7),風攻角為0度時順風向、橫風向、扭轉向的各種基底風力係數,為進一步驗證預測模式之可靠度,近來重新進行風洞實驗,增加了許多模型(高寬比1~2.5)的量測數據來作為本論文的研究範圍;在風力係數的預測結果發現,順風向迎風面風力係數(Cdw)之預測優於背風面風力係數(Cdl),在橫風向方面,深寬比大於1時類神經網路之預測可以得到較好預測結果,在扭轉向方面,與橫風向預測結果相同,同樣在B、C地況的預測是較優於A地況。 在風力頻譜部份,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,套用前人之模式方法,在類神經網路之分類,以深寬比兩個為一組,利用類神經網路 (張斐章、張麗秋)一書之隨機選取法,重新撰寫RBFNN類神經網路程式,且運用與前人不同的低頻區內插補點方式,再以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,並進一步嘗試不同的資料分類方法,然後微調網路架構,得到更準確的預測結果;橫風向與扭轉向的特定頻率最大誤差比較而言,B、C地況比A地況的結果好,個別RMSE值與頻譜圖,在三種地況下,其高寬比於5.5及6.5時預測結果較差;橫風向最大誤差多半產生於低頻率區間(無因次頻率為0.01),扭轉向最大誤差多半產生於尖峰值附近(無因次頻率為0.1)。 最後再將預測結果之類神經網路架構,進行風載重之案例分析,並探討其分析結果。 |
英文摘要 |
Wind resistant design of buildings often needs to acquire wind coefficents and spectra from wind tunnel tests. Recently, the development of building design wind load standards of other countries has gradually progressed toward 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. For wind coefficients, Back Propagation (BP), Radial Basis Function (RBF) and Generalized Regression (GR) neural networks have been used previously at the Wind Engineering Research Center of Tamkang University (WERC-TKU) for wind coefficient simulations, and the previous finding was that the RBFNNs yielded the best results. In order to further validate the reliability of the prediction models, measurement data of wind tunnel experiments of models with aspect ratio from 1 to 2.5 were added to the scope of this research. The alongwind results showed that the predictions of windward drag coefficients (Cdw) were superior to the leeward drag coefficients (Cdl). For the acrosswind fluctuating lift coefficients, the predictions were better for buildings with side ratio greater than 1. For the torsional fluctuating moment coefficients, similar to the acrosswind results, the predictions of terrain B and terrain C were better than terrain A. For wind spectra, not only previous WERC-TKU methods were followed but also several improvements were employed. Data was grouped into two adjacent side ratios for classification and random center selection was used for the RBFNN as before. On the other hand, the RBFNN program was recoded and different interpolation schema for adding data points to the low-frequency region was used. Using the new wind tunnel test data to train neural networks, adjusting the training and validation data sets and fine tuning the final model were conducted to produce improved and accurate results. For the acrosswind and torsional wind force spectra, the maximum errors of terrain B and terrain C were smaller than terrain A within the specific frequency. The worse individual RMSEs of the spectra appeared at aspect ratio 5.5 and 6.5 for all three terrains. The maximum errors of acrosswind spectra usually happened in the low frequency range (dimensionless frequency of 0.01) and the maximum errors of torsional spectra mostly happened in the vicinity of the peak value (dimensionless frequency of 0.1). Finally, the neural network architectures and trained networks were applied to perform wind load analysis of several cases, and the case study results were discussed in the thesis. |
第三語言摘要 | |
論文目次 |
目 錄 I 圖目錄 III 表目錄 V 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 5 1.3.1資料架構處理 6 1.3.2風力係數與風力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動態反應 11 2.1.3鈍體氣動力現象 13 2.1.4 設計風載重 15 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幅狀基底函數類神經網路 23 2.3.3 MATLAB內建的類神經網路 27 2.4類神經網路於風工程之相關應用 28 2.4.1類神經網路預測干擾效應之研究 29 2.4.2類神經網路預測風壓係數之研究 31 2.4.3類神經網路預測風力頻譜之研究 32 2.5設計風載重資料庫之應用研究 33 2.5.1高層建築設計風力模式 33 2.5.2高層建築物設計風載重計算軟體簡介 41 第三章 風力係數之程式架構 52 3.1 資料範圍 52 3.1.1 順風向風力係數 53 3.1.2 橫風向風力係數 57 3.1.3 扭轉向風力係數 58 3.2 資料分組 59 3.3 風力係數之程式架構 61 3.3.1 順風向風力係數 62 3.3.2橫風向、扭轉向風力係數 66 3.4 類神經網路預測結果 68 3.4.1 順風向風力係數 68 3.4.2 橫風向、扭轉向風力係數 70 第四章 風力頻譜之程式架構 72 4.1資料數據範圍 72 4.1.1 資料數據正規化 74 4.2 內插補點 75 4.2.1 補點方式 75 4.2.2 程式自動化 76 4.3 風力頻譜之架構探討 77 4.3.1 類神經網路之訓練 78 4.3.2 類神經網路之驗證 79 4.3.3 類神經網路之測試 79 4.4 預測結果之探討 85 第五章 結果分析與實例探討 87 5.1 風力係數之預測 87 5.1.1 順風向風力係數之預測分析 89 5.1.2 橫風向、扭轉向風力係數之預測分析 95 5.2 風力頻譜之預測 104 5.2.1 橫風向風力頻譜之預測分析 106 5.2.2 扭轉向風力頻譜之預測分析 113 5.3氣動力資料庫查詢系統 118 5.4 案例之分析比較 123 第六章 結論與展望 131 6.1 結論 131 6.1.1 風力係數 131 6.1.2 風力頻譜 133 6.1.3 案例分析 135 6.2 未來展望 136 參考文獻 138 附錄A:風力係數總表 140 附錄B:風力頻譜總表 190 圖目錄 圖1- 1研究方法流程圖 5 圖2- 1單自由度系統示意圖 11 圖2- 2流體流經鈍體之氣動力現象 14 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 36 圖2- 8系統安裝過程 44 圖2- 9系統安裝過程 45 圖2- 10建築物基本資料輸入頁面 46 圖2- 11建築物基本資料輸入頁面 47 圖2- 12建築物結構特性輸入頁面 47 圖2- 13順風向風力結果輸出頁面 48 圖2- 14建築物基本資料輸入頁面 50 圖2- 15建築物基本資料輸入頁面 50 圖2- 16建築物結構特性輸入頁面 51 圖2- 17 建築物結構特性輸出頁面 51 圖3- 1不同深寬比對順風向平均風力係數之影響 54 圖3- 2不同地況對順風向平均風力係數之影響 55 圖3- 3深寬比對順風向擾動風力係數之影響 57 圖3- 4深寬比對橫風向擾動風力係數之影響 58 圖3- 5深寬比對扭轉向擾動風力係數之影響 59 圖3- 6迎風面之正風壓平均風力係數全地況類神經網路架構圖 63 圖3- 7背風面之負風壓平均風力係數全地況類神經網路架構圖 64 圖4- 1風力頻譜之類神經預測架構圖 73 圖4- 2兩種深寬比為一組之示意圖 78 圖4- 3網路參與訓練驗證資料示意圖 79 圖4- 4 C地況深寬比1、高寬比2.5、3原始值與C地況深寬比1、高寬比2.7預測值之橫風向風力頻譜比較圖 80 圖4- 5 C地況高寬比2,深寬比1、1.5原始值與C地況高寬比2深寬比1.2預測值之橫風向風力頻譜比較圖 81 圖4- 6 C地況高寬比2.5、3,深寬比1、1.5原始值與C地況高寬比2.7深寬比1.2預測值之橫風向風力頻譜比較圖 81 圖4- 7 C地況深寬比1高寬比2.5、3原始值與C地況深寬比為1高寬比2.7預測值之風力頻譜比較圖 83 圖4- 8 C地況高寬比2深寬比1、1.5原始值與C地況高寬比2為深寬比1.2預測值之扭轉向風力頻譜比較圖 84 圖4- 9 C地況高寬比2.5、3,深寬比1、1.5原始值與C地況高寬比2.7深寬比1.2預測值之橫風向風力頻譜比較圖 84 圖5- 1 A地況高寬比4.5之順風向迎風面正風壓平均風力係數預測圖 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預測圖 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預測圖 93 圖5- 4 C地況深寬比3之順風向背風面負風壓平均風力係數預測圖 94 圖5- 5 A地況深寬比3高寬比6之橫風向風力係數預測圖 98 圖5- 6 B地況深寬比3高寬比6之橫風向風力係數預測圖 99 圖5- 7 C地況深寬比0.2高寬比6之橫風向風力係數預測圖 100 圖5- 8 A地況深寬比3高寬比6之扭轉向風力係數預測圖 102 圖5- 9 B地況深寬比3高寬比6之扭轉向風力係數預測圖 103 圖5- 10 C地況深寬比0.33高寬比6之扭轉向風力係數預測圖 103 圖5- 11橫風向風力頻譜-網路範圍D1B4D1B3 之三種地況的深寬比0.33 高寬比6.5 109 圖5- 12橫風向訓練部分B地況之深寬比1高寬比1(P04A10B25S11)預測訓練圖(a)及誤差圖(b) 111 圖5- 13橫風向驗證部分B地況之深寬比1高寬比1.5(P04A15B25S11)預測訓練圖(a)及誤差圖(b) 112 圖5- 14扭轉向之B地況深寬比0.333 高寬比6.5 117 圖5- 15氣動力資料庫查詢系統操作流程圖 122 圖5- 16 A地況深寬比3高寬比2橫風向風力頻譜誤差圖 129 圖5- 17 B地況深寬比3高寬比2扭轉向風力頻譜誤差圖 130 圖目錄 表1- 1風力係數數據資料範圍 4 表1- 2風力頻譜數據資料範圍 4 表1- 3風力係數比較表 4 表1- 4風力頻譜比較表 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 26 表2- 4基本RBF的幅狀基底函數 28 表3- 1風力係數 52 表3- 2數據範圍 53 表3- 3風力係數神經網路之預測範圍 61 表3- 4幅狀基底函數類神經網路各風向風力係數表 62 表3- 5迎風面之正風壓平均風力係數為二個網路之預測結果 64 表3- 6風面之負風壓平均風力係數為二個網路之預測結果 65 表3- 7橫風向 、扭轉向 為三個網路之預測結果 67 表3- 8順風向風力係數預測結果 69 表3- 9橫風向、扭轉向風力係數預測結果 71 表4- 1預測風力頻譜之類神經網路架構 74 表4- 2橫風向與扭轉向預測風力頻譜範圍之網路分類 74 表4- 3各網路風力頻譜比較表 86 表5- 1預測順風向風力係數之類神經網路架構 88 表5- 2預測橫風向與扭轉向風力係數之類神經網路架構 88 表5- 3幅狀基底函數類神經網路各風向風力係數表 89 表5- 4 A地況深寬比1之順風向迎風面正風壓平均風力係數誤差表 91 表5- 5 C地況深寬比5之順風向迎風面正風壓平均風力係數誤差表 92 表5- 6 A地況深寬比1之順風向背風面負風壓平均風力係數誤差表 93 表5- 7 C地況深寬比3之順風向背風面負風壓平均風力係數誤差表 95 表5- 8橫風向與扭轉向風力係數平均正負誤差比較 97 表5- 9 A地況深寬比3高寬比6之橫風向風力係數誤差表 99 表5- 10 B地況深寬比3高寬比6之橫風向風力係數誤差表 100 表5- 11 C地況深寬比0.2高寬比6之橫風向風力係數誤差表 101 表5- 12 A地況深寬比3高寬比6之扭轉向風力係數誤差表 102 表5- 13 B地況深寬比3高寬比6之扭轉向風力係數誤差表 103 表5- 14 C地況深寬比0.33高寬比6之扭轉向風力係數誤差表 104 表5- 15預測風力頻譜之類神經網路架構 105 表5- 16 橫風向與扭轉向預測風力頻譜範圍之網路分類 105 表5- 17 本次研究橫風向各預測網路之特定頻率最大誤差 106 表5- 18吳建緯[1]橫風向各預測網路之特定頻率最大誤差 107 表5- 19本次研究扭轉向各預測網路之特定頻率最大誤差 114 表5- 20吳建緯[1]扭轉向各預測網路之特定頻率最大誤差 114 表5- 21建築物相關幾何資料及動力特性 123 表5- 22建築物相關幾何資料及動力特性(續) 124 表5- 23類神經基底風力與模式基底風力誤差表(高寬比3) 125 表5- 24高層建築物設計風載重計算模式與實際設計案例之誤差表(高寬比2、3) 126 表5- 25 A地況深寬比5順風向風力係數誤差表 128 表5- 26 A地況深寬比3高寬比2橫風向風力係數誤差表 129 表5- 27 B地況深寬比3高寬比2扭轉向風力係數誤差表 130 表A- 1順風向迎風面之正風壓平均風力係數(深寬比0.2~0.67) - - 全地況訓練誤差分析 140 表A- 2順風向迎風面之正風壓平均風力係數(深寬比0.67~5) - - 全地況訓練誤差分析 141 表A- 3順風向迎風面之正風壓平均風力係數(深寬比0.2~0.67) - - 全地況驗證誤差分析 142 表A- 4順風向迎風面之正風壓平均風力係數(深寬比0.67~5) - - 全地況驗證誤差分析 143 表A- 5順風向背風面之負風壓平均風力係數(深寬比0.2~0.67) - - 全地況訓練誤差分析 144 表A- 6順風向背風面之負風壓平均風力係數(深寬比0.67~5) - - 全地況訓練誤差分析 145 表A- 7順風向背風面之負風壓平均風力係數(深寬比0.2~0.67) - - 全地況驗證誤差分析 146 表A- 8順風向背風面之負風壓平均風力係數(深寬比0.67~5) - - 全地況驗證誤差分析 147 表A- 9橫風向、扭轉向高度z處之擾動係數(深寬比0.2~0.67) - - A地況誤差分析 148 表A- 10橫風向、扭轉向高度z處之擾動係數(深寬比0.2~0.67) - - B地況誤差分析 154 表A- 11橫風向、扭轉向高度z處之擾動係數(深寬比0.2~0.67) - - C地況誤差分析 160 表A- 12橫風向、扭轉向高度z處之擾動係數(深寬比0.67~5) - - A地況誤差分析 166 表A- 13橫風向、扭轉向高度z處之擾動係數(深寬比0.67~5) - - B地況誤差分析(續) 174 表A- 14橫風向、扭轉向高度z處之擾動係數(深寬比0.67~5) - - C地況誤差分析 182 表B- 1深寬比0.2至0.25的橫風向及扭轉向預測結果 190 表B- 2深寬比0.25至0.33的橫風向及扭轉向預測結果 190 表B- 3深寬比0.33至0.4的橫風向及扭轉向預測結果 191 表B- 4深寬比0.4至0.5的橫風向及扭轉向預測結果 191 表B- 5深寬比0.5至0.67的橫風向及扭轉向預測結果 192 表B- 6深寬比0.67至1的橫風向及扭轉向預測結果 192 表B- 7深寬比1至1.5的橫風向及扭轉向預測結果 193 表B- 8深寬比1.5至2的橫風向及扭轉向預測結果 193 表B- 9深寬比2至2.5的橫風向及扭轉向預測結果 194 表B- 10深寬比2.5至3的橫風向及扭轉向預測結果 194 表B- 11深寬比3至4的橫風向及扭轉向預測結果 195 表B- 12深寬比4至5的橫風向及扭轉向預測結果 195 |
參考文獻 |
1. 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。 2. 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) 。 3. 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. 4. 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。 5. 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。 6. 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. 7. 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。 8. 張斐章.張麗秋,2011,「類神經網路」,滄海書局。 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. 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. 12. 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. 13. 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。 14. Zhang, Aishe and Zhang, Ling, 2004, “RBF neural networks for the prediction of building interference effects”, Computers and Structures 82, pp.2333-2339. 15. 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. 16. 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. 17. 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。 18. 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。 19. 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。 20. 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) 。 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。 22. WilliamJ.Palm,「Matlab 在工程上的應用(第三版)」,2011,高立圖書。 |
論文全文使用權限 |
如有問題,歡迎洽詢!
圖書館數位資訊組 (02)2621-5656 轉 2487 或 來信