近年來因應人口密度的增加，使得高樓大廈不斷興建的現況下，建築物耐風設計成為建設大樓的重要過程受到越來越多人的重視。在建築物的耐風設計上，計算設計風載重所需之風力頻譜一般要經由風洞試驗而取得，其取得過程相當的耗時且費用昂貴。
在智慧型系統發展的現況下，類神經網路模擬之風力頻譜雖然有些微誤差，但節省了大量人力以及實驗時間。起初順風向、橫風向、扭轉向的資料皆有做類神經網路預測，而之後資料不斷更新的同時，前人是以橫風向及扭轉向做研究，目前建築設計風力專家系統中僅有橫風向及扭轉向根據類神經所預測的頻譜進行風力的計算，不包含順風向，但早期的順風向類神經系統資料過於老舊，許多新的實驗資料並未納入網路中，因此本研究除了增添未納入分析的順風向資料外，並改良類神經網路的分析架構，以期達到更好的效果。
在本論文中，利用風洞實驗所求得之風力頻譜，並沿用淡江大學風工程研究中心的相關研究作為基礎，在之前的研究中，應用類神經網路預測風力頻譜之方法有不錯的結果，因此本研究參考其模式，對類神經網路進行深寬比的分組，在三、四、五個深寬比一組的網路中，五個深寬比一組為最佳方法，之後加上網路邊界深寬比當做訓練案例，並從50~500之中心點數間進行RMSE值比較，發現以200中心點數最為合適。同樣以類神經網路所得之的模擬頻譜，在與實驗數據進行誤差比對，並加上驗證回饋之方法的嘗試，以重要頻譜段之誤差值乘上權重，進而得到預期之風力頻譜，篩選過後之網路再經由測試案例的檢驗。
期望未來使用時，能應用於耐風設計之風力計算，甚至更進一步能用於類似頻譜數據的分析。

Because of the increasing in population density, high-rise building constructions keep booming in recent years. Wind resistant design of buildings becomes an important issue and is valued more than before. To obtain the required wind spectra from wind tunnel experiments for calculating design wind loads, the process it is very time consuming and expensive
Under the current situation of developing smart systems, neural network simulation of wind spectra has slight errors, but it saved a lot of manpower and experimental time. At first, neural network predictions of alongwind, acrosswind and torsional spectra have all been attempted. The wind tunnel test data was continuously updating and expanding subsequently. The following studies focused on the acrosswind and torsional directions. The current building design wind load expert system only uses ANNs in the acrosswind and torsional directions for wind load calculations, not including alongwind data. Early research results for alongwind are outdated, and many new experimental data is not included. Therefore, this study not only adds alongwind data that is not included in the analysis, but also improves the neural network system to achieve better results.
The aerodynamic database and the relevant researches of the Wind Engineering Research Center at Tamkang University were used as the basis to develop this thesis. The applications of neural networks to predict wind spectrum had good results in previous studies. Therefore, this study referred to their model, ANN architecture and data grouping methods. The five-aspect-ratio method, selected from tryouts of three, four and five aspect ratios a group, was considered the best, and then the cases of the aspect ratios at the network boundary were add to form the training datasets, The RMSE value comparisons between the central points of 50~500 were conducted to found that the 200-center-point was the most suitable. In addition, the predicted spectra obtained by the neural networks were compared with the experimental data, and an attempt to add a verification feedback loop was investigated. The errors of the important spectrum segment were multiplied by a weight to select the most desired network. The network afterwards was tested by test cases.
It is expected that the trained ANNs can be applied to the calculation of design wind loads afterward, and even further the model and programs can be used for the analysis of similar spectrum data.

目錄
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 數據資料處理	4
1.4　論文架構	5
第二章 文獻回顧	6
2.1 風工程之相關理論	6
2.1.1 平均風速剖面	6
2.1.2 鈍體氣動力現象	8
2.1.3 動態反應	8
2.1.4 設計風載重	11
2.2 氣動力資料庫	13
2.3類神經網路簡介	15
2.3.1 神經網路架構流程	15
2.3.2 輻狀基底函數類神經網路	16
2.4類神經網路於風工程之相關應用	20
2.4.1類神經網路預測干擾效應之研究	20
2.4.2類神經網路預測風壓係數之研究	22
2.4.3類神經網路預測風力頻譜之研究	22
2.4.4 類神經網路之比較	23
第三章 類神經網路架構探討	26
3.1　網路建構流程	26
3.2 資料前處理	27
3.3 類神經網路架構	28
3.4　網路資料不同訓練與驗證分類方法	30
3.4.1 深寬比分組之比較	31
3.4.2 方法之比較	31
3.5  驗證案例之回饋	35
第四章 網路分類之預測結果	36
4.1 Type1(三個深寬比一組)之預測分析	36
4.1.1 模擬值偏離現象	40
4.1.2 針對模擬值偏離之改善辦法	42
4.2 Type2、3(四、五個深寬比一組)之預測分析	45
4.3改變網路訓練及驗證的方式(Type1、2、3)之預測分析	46
4.4 中心點數之選取	48
4.5 驗證案例回饋方法之分析	50
第五章　結果分析與討論	55
5.1　各網路訓練及驗證之結果分析	56
5.1.1　整體及特殊頻率之rmse值	56
5.1.2　頻譜圖分析	57
5.2　測試案例之結果分析	62
5.2.1　整體rmse值	62
5.2.2　頻譜圖分析	63
5.3　結果數據比對	66
5.3.1　網路組數	66
5.3.2　中心點數	66
5.3.3　rmse值	67
第六章　結論與建議	68
6.1　結論	68
6.1.1 類神經網路架構	68
6.1.2 回饋方法	69
6.2　建議	70
參考文獻	71
[附錄A]  A地況之頻譜圖	73
深寬比0.2~0.5	73
深寬比0.5~2	76
深寬比2~5	79
[附錄B]  B地況之頻譜圖	82
深寬比0.2~0.5	82
深寬比0.5~2	85
深寬比2~5	88
[附錄C]  C地況之頻譜圖	91
深寬比0.2~0.5	91
深寬比0.5~2	94
深寬比2~5	97

表目錄
表1-1 研究數據資料範圍	3
表2-1 地表粗糙分類表	7
表2-3 幅狀基底函數型式	18
表2-4 類神經網路架構探討比較	23
表3-1 類神經網路架構	29
表4-1 Type1方法A、B、C之驗證rmse之比較	38
表4-2 各Type之驗證案例rmse比較(方法C)	45
表4-3 有、無訓練案例作邊界之驗證案例rmse比較	46
表4-4 各Type之驗證案例rmse比較(方法D)	47
表4-5 各Type之訓練及驗證案例的比例	47
表4-6 中心點數之驗證案例rmse值比較	48
表4-7 A地況各加權頻譜段之整體測試案例rmse值	51
表4-8 B地況各加權頻譜段之整體測試案例rmse值	52
表4-9 C地況各加權頻譜段之整體測試案例rmse值	53
表5-1 使用之類神經網路架構表	55
表5-2 訓練、驗證及測試之rmse值比較	56
表5-3 測試案例之rmse值	62
表5-4 網路組數比較	66
表5-5鍾欣潔[1]之網路預測結果	67
表5-6 本研究之預測結果	67

圖目錄
圖1-1 研究方法與流程	4
圖2-1 流體流經鈍體之氣動力現象	8
圖2-2 單自由度系統示意圖	9
圖2-3 風壓模型實驗配置	14
圖2-4 製作類神經網路流程圖	16
圖2-5 幅狀基底類神經網路架構	17
圖3-1 類神經網路架構	26
圖3-2 頻譜圖補點方法	28
圖3-3 網路訓練及驗證方法之流程	30
圖3-4 網路之深寬比分組方法	31
圖3-5訓練及驗證分佈之方法A(三個深寬比一組)	32
圖3-6訓練及驗證分佈之方法B(三個深寬比一組)	32
圖3-7訓練及驗證分佈之方法C(三個深寬比一組)	33
圖3-8訓練及驗證分佈之方法D(三個深寬比一組)	33
圖3-9訓練及驗證分佈之方法D(四個深寬比一組)	34
圖3-10訓練及驗證分佈之方法D(五個深寬比一組)	34
圖3-11 (a)頻譜圖高頻區預測不符合 (b) 頻譜圖低頻區預測不符合	35
圖4-1 Type1網路訓練及驗證分佈之方法A	36
圖4-2 Type1網路訓練及驗證分佈之方法B	37
圖4-3 Type1網路訓練及驗證分佈之方法C	37
圖4-4 方法A之D2B1訓練及驗證頻譜圖(驗證案例偏離)	38
圖4-5 方法B之D2B1訓練及驗證頻譜圖(D2B1H2.5案例偏離)	39
圖4-6 方法C之D2B1訓練及驗證頻譜圖(無偏離)	39
圖4-7 方法A之模擬值偏離網路(深寬比2~3之訓練及驗證)	40
圖4-8 方法B之模擬值偏離網路(深寬比2~3之訓練及驗證)	41
圖4-9 訓練資料抽離測試	41
圖4-10 網路之輸入及輸出項	42
圖4-11 D2.5B1補齊之訓練資料頻譜	43
圖4-12 D2B1補齊資料後之驗證案例頻譜	43
圖4-13 無偏離之訓練及驗證分佈	44
圖4-14 上下網路重疊之訓練及驗證分佈	44
圖4-15 改變網路訓練及驗證的方式(深寬比0.2～0.33)	46
圖4-16 中心點150之頻譜圖	49
圖4-17 中心點200之頻譜圖	49
圖4-18 網路測試案例分佈	50
圖4-19 A地況無回饋方法之頻譜圖	54
圖4-20 A地況有回饋方法之頻譜圖(第20~177點)	54
圖5-1 A地況深寬比0.2~0.5之驗證案例頻譜圖	57
圖5-2 A地況深寬比0.5~2之驗證案例頻譜圖	58
圖5-3 A地況深寬比2~5之驗證案例頻譜圖	58
圖5-4 B地況深寬比0.2~0.5之驗證案例頻譜圖	59
圖5-5 B地況深寬比0.5~2之驗證案例頻譜圖	59
圖5-6 B地況深寬比2~5之驗證案例頻譜圖	60
圖5-7 C地況深寬比0.2~0.5之驗證案例頻譜圖	60
圖5-8 C地況深寬比0.5~2之驗證案例頻譜圖	61
圖5-9 C地況深寬比2~5之驗證案例頻譜圖	61
圖5-10 無使用回饋方法之測試案例頻譜圖(D1B1H2.5BLA)	63
圖5-11 使用使用回饋方法之測試案例頻譜圖(D1B1H2.5BLA)	64
圖5-12 無使用回饋方法之測試案例頻譜圖(D1B2H3BLB)	64
圖5-13 使用回饋方法之測試案例頻譜圖(D1B2H3BLB)	65
圖A-1 D1B5BLA訓練頻譜圖	73
圖A-2 D1B4BLA訓練頻譜圖	73
圖A-3 D1B3BLA訓練頻譜圖	73
圖A-4 D1B2.5BLA訓練頻譜圖	73
圖A-5 D1B2BLA訓練頻譜圖	73
圖A-6 D1B4BLA驗證頻譜圖	74
圖A-7 D1B3BLA驗證頻譜圖	74
圖A-8 D1B2.5BLA驗證頻譜圖	74
圖A-9 D1B5H2BLA測試頻譜圖	75
圖A-10 D1B4H1BLA測試頻譜圖	75
圖A-11 D1B4H7BLA測試頻譜圖	75
圖A-12 D1B3H5.5BLA測試頻譜圖	75
圖A-13 D1B2.5H4BLA測試頻譜圖	75
圖A-14 D1B2H3BLA測試頻譜圖	75
圖A-15 D1B2BLA訓練頻譜圖	76
圖A-16 D2B3BLA訓練頻譜圖	76
圖A-17 D1B1BLA訓練頻譜圖	76
圖A-18 D3B2BLA訓練頻譜圖	76
圖A-19 D2B1BLA訓練頻譜圖	76
圖A-20 D2B3BLA驗證頻譜圖	77
圖A-21 D1B1BLA驗證頻譜圖	77
圖A-22 D3B2BLA驗證頻譜圖	77
圖A-23 D1B2H3BLA測試頻譜圖	78
圖A-24 D2B3H6BLA測試頻譜圖	78
圖A-25 D1B1H2.5BLA測試頻譜圖	78
圖A-26 D3B2H5BLA測試頻譜圖	78
圖A-27 D2B1H1.5BLA測試頻譜圖	78
圖A-28 D2B1H4.5BLA測試頻譜圖	78
圖A-29 D2B1BLA訓練頻譜圖	79
圖A-30 D2.5B1BLA訓練頻譜圖	79
圖A-31 D3B1BLA訓練頻譜圖	79
圖A-32 D4B1BLA訓練頻譜圖	79
圖A-33 D5B1BLA訓練頻譜圖	79
圖A-34 D2.5B1BLA驗證頻譜圖	80
圖A-35 D3B1BLA驗證頻譜圖	80
圖A-36 D4B1BLA驗證頻譜圖	80
圖A-37 D2B1H1.5BLA測試頻譜圖	81
圖A-38 D2B1H4.5BLA測試頻譜圖	81
圖A-39 D2.5B1H3BLA測試頻譜圖	81
圖A-40 D3B1H6.5BLA測試頻譜圖	81
圖A-41 D4B1H2BLA測試頻譜圖	81
圖A-42 D5B1H3.5BLA測試頻譜圖	81
圖B-1 D1B5BLB訓練頻譜圖	82
圖B-2 D1B4BLB訓練頻譜圖	82
圖B-3 D1B3BLB訓練頻譜圖	82
圖B-4 D1B2.5BLB訓練頻譜圖	82
圖B-5 D1B2BLB訓練頻譜圖	82
圖B-6 D1B4BLB驗證頻譜圖	83
圖B-7 D1B3BLB驗證頻譜圖	83
圖A-8 D1B2.5BLB驗證頻譜圖	83
圖B-9 D1B5H2BLB測試頻譜圖	84
圖B-10 D1B4H1BLB測試頻譜圖	84
圖B-11 D1B4H7BLB測試頻譜圖	84
圖B-12 D1B3H5.5BLB測試頻譜圖	84
圖B-13 D1B2.5H4BLB測試頻譜圖	84
圖B-14 D1B2H3BLB測試頻譜圖	84
圖B-15 D1B2BLB訓練頻譜圖	85
圖B-16 D2B3BLB訓練頻譜圖	85
圖B-17 D1B1BLB訓練頻譜圖	85
圖B-18 D3B2BLB訓練頻譜圖	85
圖B-19 D2B1BLB訓練頻譜圖	85
圖B-20 D2B3BLB驗證頻譜圖	86
圖B-21 D1B1BLB驗證頻譜圖	86
圖B-22 D3B2BLB驗證頻譜圖	86
圖B-23 D1B2H3BLB測試頻譜圖	87
圖B-24 D2B3H6BLB測試頻譜圖	87
圖B-25 D1B1H2.5BLB測試頻譜圖	87
圖B-26 D3B2H5BLB測試頻譜圖	87
圖B-27 D2B1H1.5BLB測試頻譜圖	87
圖B-28 D2B1H4.5BLB測試頻譜圖	87
圖B-29 D2B1BLB訓練頻譜圖	88
圖B-30 D2.5B1BLB訓練頻譜圖	88
圖B-31 D3B1BLB訓練頻譜圖	88
圖B-32 D4B1BLB訓練頻譜圖	88
圖B-33 D5B1BLB訓練頻譜圖	88
圖B-34 D2.5B1BLB驗證頻譜圖	89
圖B-35 D3B1BLB驗證頻譜圖	89
圖B-36 D4B1BLB驗證頻譜圖	89
圖B-37 D2B1H1.5BLB測試頻譜圖	90
圖B-38 D2B1H4.5BLB測試頻譜圖	90
圖B-39 D2.5B1H3BLB測試頻譜圖	90
圖B-40 D3B1H6.5BLB測試頻譜圖	90
圖B-41 D4B1H2BLB測試頻譜圖	90
圖B-42 D5B1H3.5BLB測試頻譜圖	90
圖C-1 D1B5BLC訓練頻譜圖	91
圖C-2 D1B4BLC訓練頻譜圖	91
圖C-3 D1B3BLC訓練頻譜圖	91
圖C-4 D1B2.5BLC訓練頻譜圖	91
圖C-5 D1B2BLC訓練頻譜圖	91
圖C-6 D1B4BLC驗證頻譜圖	92
圖C-7 D1B3BLC驗證頻譜圖	92
圖C-8 D1B2.5BLC驗證頻譜圖	92
圖C-9 D1B5H2BLC測試頻譜圖	93
圖C-10 D1B4H1BLC測試頻譜圖	93
圖C-11 D1B4H7BLC測試頻譜圖	93
圖C-12 D1B3H5.5BLC測試頻譜圖	93
圖C-13 D1B2.5H4BLC測試頻譜圖	93
圖C-14 D1B2H3BLC測試頻譜圖	93
圖C-15 D1B2BLC訓練頻譜圖	94
圖C-16 D2B3BLC訓練頻譜圖	94
圖C-17 D1B1BLC訓練頻譜圖	94
圖C-18 D3B2BLC訓練頻譜圖	94
圖C-19 D2B1BLC訓練頻譜圖	94
圖C-20 D2B3BLC驗證頻譜圖	95
圖C-21 D1B1BLC驗證頻譜圖	95
圖C-22 D3B2BLC驗證頻譜圖	95
圖C-23 D1B2H3BLC測試頻譜圖	96
圖C-24 D2B3H6BLC測試頻譜圖	96
圖C-25 D1B1H2.5BLC測試頻譜圖	96
圖C-26 D3B2H5BLC測試頻譜圖	96
圖C-27 D2B1H1.5BLC測試頻譜圖	96
圖C-28 D2B1H4.5BLC測試頻譜圖	96
圖C-29 D2B1BLC訓練頻譜圖	97
圖C-30 D2.5B1BLC訓練頻譜圖	97
圖C-31 D3B1BLC訓練頻譜圖	97
圖C-32 D4B1BLC訓練頻譜圖	97
圖C-33 D5B1BLC訓練頻譜圖	97
圖C-34 D2.5B1BLC驗證頻譜圖	98
圖C-35 D3B1BLC驗證頻譜圖	98
圖C-36 D4B1BLC驗證頻譜圖	98
圖C-37 D2B1H1.5BLC測試頻譜圖	99
圖C-38 D2B1H4.5BLC測試頻譜圖	99
圖C-39 D2.5B1H3BLC測試頻譜圖	99
圖C-40 D3B1H6.5BLC測試頻譜圖	99
圖C-41 D4B1H2BLC測試頻譜圖	99
圖C-42 D5B1H3.5BLC測試頻譜圖	99

1.	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。
2.	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.
3.	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。
4.	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。
5.	Zhou,Y.,T.Kijewski and A.Kareem,2003,“Aerodynamic load on tall uildings: an interactive database”,Journal of Structural Engineering, ASCE,Vol.120,pp.394-404.
6.	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。
7.	賴子晴，2013，「不同矩形斷面之高層建築設計風荷載研究」，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.	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。
17.	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。