JP2021162437A - Wind velocity data use method - Google Patents
Wind velocity data use method Download PDFInfo
- Publication number
- JP2021162437A JP2021162437A JP2020063161A JP2020063161A JP2021162437A JP 2021162437 A JP2021162437 A JP 2021162437A JP 2020063161 A JP2020063161 A JP 2020063161A JP 2020063161 A JP2020063161 A JP 2020063161A JP 2021162437 A JP2021162437 A JP 2021162437A
- Authority
- JP
- Japan
- Prior art keywords
- image
- wind speed
- wind
- pixel value
- coordinates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 238000002474 experimental method Methods 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 8
- 239000012530 fluid Substances 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000012937 correction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000012736 patent blue V Nutrition 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
Landscapes
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
Description
本発明は、深層学習を用いて建物周辺等の風速分布を予測する装置の学習方法に関するもので、特に、風速データを深層学習における学習データとして使用する方法に関する。 The present invention relates to a learning method of an apparatus for predicting a wind speed distribution around a building by using deep learning, and more particularly to a method of using wind speed data as learning data in deep learning.
近年、深層学習を用いて、建物周りの風速分布を予測する方法が提案されている。
具体的には、予め得られている構造物の形状データ及び風向きデータと、それに対応する風速分布のデータとをニューラルネットワークで学習させておき、このニューラルネットワークに風速分布を予測する建物の形状データと風向きデータ等を入力することで、建物周辺に生じる風速分布を予測する（例えば、特許文献１参照）。
In recent years, a method of predicting the wind speed distribution around a building has been proposed using deep learning.
Specifically, the shape data and wind direction data of the structure obtained in advance and the corresponding wind speed distribution data are trained by a neural network, and the shape data of the building for which the wind speed distribution is predicted by this neural network. By inputting the wind direction data and the like, the wind speed distribution generated around the building is predicted (see, for example, Patent Document 1).
ところで、風速の予測方法としては、風洞実験や流体力学を用いた数値シミュレーション（以下、ＣＦＤ解析という）などが挙げられるが、ニューラルネットワークの学習データとしては、主に、ＣＦＤ解析より得られた風速分画像や風速比分布画像が用いられている。これは、風洞実験では、局所的に精度の良い結果が得られるが、計測点の数が少ないためである。
したがって、風速画像分布を学習データとした場合には、風洞実験で得られた結果は、学習データとして用いることができなかった。
しかしながら、風洞実験から得られた結果は数多く存在するので、これらのデータを学習データとして利用することができれば、風速分布画像の予測精度を向上させることができると考えられる。
By the way, examples of wind speed prediction methods include wind tunnel experiments and numerical simulations using fluid dynamics (hereinafter referred to as CFD analysis), but the training data for neural networks are mainly wind speeds obtained from CFD analysis. Computational fluid dynamics and wind speed ratio distribution images are used. This is because the wind tunnel experiment provides locally accurate results, but the number of measurement points is small.
Therefore, when the wind speed image distribution was used as the training data, the results obtained in the wind tunnel experiment could not be used as the training data.
However, since there are many results obtained from wind tunnel experiments, it is considered that the prediction accuracy of wind speed distribution images can be improved if these data can be used as learning data.
本発明は、従来の問題点に鑑みてなされたもので、風速データを、風速分布を予測する深層学習の学習に用いる方法を提供することを目的とする。 The present invention has been made in view of the conventional problems, and an object of the present invention is to provide a method of using wind speed data for learning deep learning for predicting wind speed distribution.
本発明は、風速データを、深層学習により風速分布を予測する際の学習データとして用いる方法であって、前記風速データが、風洞実験で得られた風速データであり、前記風速データを用いて作成した教師画像の各座標の画素値と、深層学習により予測された予測画像の各座標の画素値である予測値と、予め設定された損失関数とから、前記教師画像と前記予測画像との誤差を算出する際に、前記教師画像の風洞実験の計測点以外の座標の画素値と前記予測画像の前記計測点以外の座標の予測値の画素値との誤差分を排除することを特徴とする。
これにより、風速データとして、風洞実験で得られた風速データを用いた場合には、風洞実験が行われた座標（計測点）のみの誤差について学習することができるので、風洞実験で得られた風速データを、ＣＦＤ解析のデータと全く同じ形式で学習を行うことができる。すなわち、既存の手法では学習データとすることのできなかった風洞実験により得られたデータを学習データとして扱うことが可能となった。その結果、学習データを大幅に増加させることができるので、風速分布画像の予測精度を向上させることができる。
なお、深層学習は、入力層と出力層とを含む、層数が４層以上の畳み込みニューラルネットワークを指す。また、風速分布は、特定位置の風速を基準とした風速比の分布である風速比分布も含む。
また、損失関数を設定する損失関数設定ステップと、風洞実験で得られた風速データから、計測点の座標の画素値を風速に応じた値とし、計測点以外の座標の画素値を予め設定した画素値とした風速分布画像を求めてこれを学習データの教師画像とする画像変換ステップと、前記教師画像の計測点の座標に対応する画素値を１とし、前記計測点以外の座標に対応する座標の画素値を０とした誤差伝播制御画像を作成する制御用画像作成ステップと、前記教師画像と、前記予測画像と、前記誤差伝播制御画像と、前記損失関数とから、誤差を算出する誤差算出ステップと、を備え、前記誤差算出ステップでは、前記教師画像の座標の画素値と深層学習の予測値の画素値との誤差に、前記制御用画像の当該座標の画素値を積算した値を用いて、前記誤差を算出するようにしたので、精度の高い風速分布予測を行うことができる。
また、前記制御用画像作成ステップでは、前記計測点周りの座標である周辺座標の画素値を、前記計測点と周辺座標との距離に応じた、０よりも大きくかつ１未満の値としたので、風洞実験による実測値に加えて、計測点周りの推定値についても誤差の算出に使用することができる。したがって、学習データを大幅に増加させることができ、風速分布画像の予測精度を更に向上させることができる。
The present invention is a method of using wind velocity data as learning data when predicting a wind velocity distribution by deep learning. The wind velocity data is wind velocity data obtained in a wind tunnel experiment, and is created by using the wind velocity data. The error between the teacher image and the predicted image from the pixel value of each coordinate of the teacher image, the predicted value which is the pixel value of each coordinate of the predicted image predicted by deep learning, and the preset loss function. Is characterized by eliminating the difference between the pixel value of the coordinates other than the measurement point of the wind tunnel experiment of the teacher image and the pixel value of the predicted value of the coordinate other than the measurement point of the predicted image. ..
As a result, when the wind speed data obtained in the wind tunnel experiment is used as the wind speed data, it is possible to learn about the error only in the coordinates (measurement points) where the wind tunnel experiment was performed, so that it was obtained in the wind tunnel experiment. The wind speed data can be trained in exactly the same format as the CFD analysis data. That is, it has become possible to handle the data obtained by the wind tunnel experiment, which could not be used as learning data by the existing method, as learning data. As a result, the training data can be significantly increased, so that the prediction accuracy of the wind speed distribution image can be improved.
Note that deep learning refers to a convolutional neural network having four or more layers, including an input layer and an output layer. The wind speed distribution also includes a wind speed ratio distribution, which is a distribution of wind speed ratios based on the wind speed at a specific position.
In addition, from the loss function setting step for setting the loss function and the wind velocity data obtained in the wind tunnel experiment, the pixel values of the coordinates of the measurement points are set to the values according to the wind velocity, and the pixel values of the coordinates other than the measurement points are set in advance. An image conversion step of obtaining a wind velocity distribution image as a pixel value and using this as a teacher image of training data, and setting the pixel value corresponding to the coordinates of the measurement points of the teacher image to 1 and corresponding to coordinates other than the measurement points. An error of calculating an error from the control image creation step of creating an error propagation control image in which the pixel value of the coordinates is 0, the teacher image, the prediction image, the error propagation control image, and the loss function. A calculation step is provided, and in the error calculation step, a value obtained by integrating the pixel value of the coordinate of the control image with the error between the pixel value of the coordinate of the teacher image and the pixel value of the predicted value of deep learning is added. Since the error is calculated by using the above, it is possible to predict the wind velocity distribution with high accuracy.
Further, in the control image creation step, the pixel value of the peripheral coordinates, which is the coordinates around the measurement point, is set to a value larger than 0 and less than 1 according to the distance between the measurement point and the peripheral coordinates. , In addition to the measured values from the wind tunnel experiment, the estimated values around the measurement points can also be used to calculate the error. Therefore, the training data can be significantly increased, and the prediction accuracy of the wind speed distribution image can be further improved.
また、本発明は、風速データを、深層学習により風速分布を予測する際の学習データとして用いる方法であって、前記風速データが、風洞実験で得られた風速データと、流体力学を用いた数値シミュレーション解析で得られた風速データの両方であり、前記風速データを用いて作成した教師画像の各座標の画素値と、深層学習により予測された予測画像の各座標の画素値である予測値と、予め設定された損失関数とから、前記教師画像と前記予測画像との誤差を算出する際に、前記風速データが前記風洞実験で得られた風速データである場合には、前記教師画像の風洞実験の計測点以外の座標の画素値と前記予測画像の前記計測点以外の座標の予測値の画素値との誤差分を排除し、前記風速データが前記数値シミュレーション解析で得られた風速データである場合には、前記教師画像の前記数値シミュレーション解析の計算値の誤差分を全て使用することを特徴とする。
このように、風洞実験で得られた風速データと、流体力学を用いた数値シミュレーション解析で得られた風速データの両方を学習データとして使用すれば、学習データの数が更に増加するので、風速分布画像の予測精度を更に向上させることができる。
Further, the present invention is a method of using wind velocity data as learning data when predicting wind velocity distribution by deep learning, and the wind velocity data is a numerical value using fluid dynamics and wind velocity data obtained in a wind tunnel experiment. Both of the wind velocity data obtained by the simulation analysis, the pixel value of each coordinate of the teacher image created using the wind velocity data, and the predicted value which is the pixel value of each coordinate of the predicted image predicted by deep learning. When calculating the error between the teacher image and the predicted image from the preset loss function, if the wind velocity data is the wind velocity data obtained in the wind tunnel experiment, the wind cavity of the teacher image. The difference between the pixel value of the coordinates other than the measurement point of the experiment and the pixel value of the predicted value of the coordinate other than the measurement point of the predicted image is excluded, and the wind velocity data is the wind velocity data obtained by the numerical simulation analysis. In some cases, it is characterized in that all the errors of the calculated values of the numerical simulation analysis of the teacher image are used.
In this way, if both the wind speed data obtained in the wind tunnel experiment and the wind speed data obtained in the numerical simulation analysis using fluid dynamics are used as training data, the number of training data will be further increased, so that the wind speed distribution The image prediction accuracy can be further improved.
なお、前記発明の概要は、本発明の必要な全ての特徴を列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となり得る。 The outline of the present invention does not list all the necessary features of the present invention, and a subcombination of these feature groups can also be an invention.
図１は、本実施の形態に係る風速分布の推定装置１０の構成を示す図で、同図において、１１は入力手段、１２は入力画像作成手段、１３は風速分布画像作成手段、１４は風速データ入力手段、１５は教師画像作成手段、１６は制御用画像作成手段、１７は誤差算出手段、１８は表示手段である。
入力手段１１と風速データ入力手段１４とは、例えば、キーボードやスキャナー等が用いられる。また、入力画像作成手段１２、風速分布画像作成手段１３、及び、教師画像作成手段１５〜誤差算出手段１７までの各手段は、ＲＯＭやＲＡＭなどの記憶装置とマイクロコンピュータのプログラムとから構成される。
入力手段１１は、風速分布を推定する箇所の道路や建物の形状など情報（以下、地図情報という）と、風向きの情報とを入力し、入力画像作成手段１２に出力する。
入力画像作成手段１２は、入力された地図情報を画像に変換した建物群画像Ｇinを作成するとともに、風向きの情報から、風向きが予め設定された所定の方向（ここでは、北風）になるように建物群画像を回転させて、風向き指定建物群画像を、風速分布画像作成手段１３に出力する。
風速分布画像作成手段１３は、２層以上の中間層を有する畳み込みニューラルネットワーク（以下、ニューラルネットワークという）を備えた風速データ生成部１３ａと、風速データ生成部１３ａで生成された風速の予測値から、風速分布画像を作成する風速分布画像作成部１３ｂとを備える。
風速データ生成部１３ａでは、風向き指定建物群画像を、ニューラルネットワークに入力し、地図上の座標（ｘi，ｙj）に対応する建物群画像の画素（以下、ピクセルという）ごとに、ニューラルネットワークの出力値である風速の予測値Ｚs（ｘi，ｙj）を出力し、風速分布画像作成部１３ｂは、風速の予測値Ｚs（ｘi，ｙj）を風速分布画像の各ピクセルの画素値とした風速分布画像を作成して、表示手段１８に送る。
なお、風向き指定建物群画像の建物２０に対応するピクセルの座標は、ニューラルネットワークには入力しないものとする。
風速分布画像としては、例えば、当該ピクセルの風速の予測値が０であれば白（画素値；２５５）とし、予め設定された最大風速（例えば、３０ｍ/ｓ）であれば黒（画素値；０）とする２５６階調のグレースケール画像、すなわち、画素値が０〜２５５のうちの風速の予測値に相当する濃淡を有する画像や、風速の予測値が２ｍ/s以下であれば空色、２５〜３０ｍ/sであれば赤にするなど、風速の予測値に応じた色付けした画像であってもよい。要は、画像の各ピクセルに、風速の予測値に応じた数値を持たせればよい。例えば、カラー画像なら、ＲＧＢの各階調を与えなくても、空色には１、赤色には７などの数値を画素値として持たせればよい。
本例では、風速分布画像を濃淡画像とした。なお、階調は２５６階調である必要はなく、２階調以上であればよい。
表示手段１８は、風速分布画像作成手段１３で作成された風速分布画像Ｇoutを表示画面１８Ｇに表示する。
FIG. 1 is a diagram showing a configuration of a wind speed
As the input means 11 and the wind speed data input means 14, for example, a keyboard, a scanner, or the like is used. Further, each of the input image creating means 12, the wind speed distribution image creating means 13, and the teacher image creating means 15 to the error calculating means 17 is composed of a storage device such as a ROM or RAM and a microcomputer program. ..
The input means 11 inputs information such as the shape of a road or a building where the wind speed distribution is estimated (hereinafter referred to as map information) and wind direction information, and outputs the information to the input image creating means 12.
The input image creating means 12 creates a building group image G in by converting the input map information into an image, and makes the wind direction a predetermined direction (here, north wind) set in advance from the wind direction information. The building group image is rotated to output the wind direction designated building group image to the wind speed distribution image creating means 13.
The wind speed distribution image creating means 13 is based on a wind speed
The wind
It is assumed that the coordinates of the pixels corresponding to the
As the wind speed distribution image, for example, if the predicted value of the wind speed of the pixel is 0, it is white (pixel value; 255), and if it is the preset maximum wind speed (for example, 30 m / s), it is black (pixel value; A grayscale image of 256 gradations set to 0), that is, an image having a shade corresponding to the predicted value of the wind speed among 0 to 255, and sky blue if the predicted value of the wind speed is 2 m / s or less. The image may be colored according to the predicted value of the wind speed, such as making it red if it is 25 to 30 m / s. The point is that each pixel of the image may have a numerical value corresponding to the predicted value of the wind speed. For example, in the case of a color image, a numerical value such as 1 for sky blue and 7 for red may be given as pixel values without giving each gradation of RGB.
In this example, the wind speed distribution image is used as a shading image. The gradation does not have to be 256 gradations, and may be two or more gradations.
The display means 18 displays the wind speed distribution image G out created by the wind speed distribution image creating means 13 on the
風速データ入力手段１４は、風洞実験を行った箇所（以下、計測点という）を含むの道路や建物２０の形状など情報（以下、計測地図情報という）と、計測点の値である風速の実験値を教師画像作成手段１５に出力する。なお、風速を計測したときの風向きは予め設定した方向（ここでは、北風）とする。
教師画像作成手段１５は、図２（ａ）に示すような、入力された地図情報を画像に変換した教師用建物群画像Ｇ1を作成するとともに、この教師用建物群画像Ｇ1を風速分布画像に変換した画像である教師画像Ｇ2を作成する。具体的には、計測点の座標Ｐ（ｘ、ｙ）を含むピクセルの画素値を、上記の風速分布画像Ｇoutの画素値と同様に、計測された風速に対応する値とし、計測点以外の座標の画素値を予め設定した画素値（例えば、２５５）とした画像を作成し、これを教師画像とする。
図２（ｂ）は教師画像の一例を示す図で、教師画像の各ピクセルの濃淡は、風速が大きいほど濃く、風速が小さいほど淡くなる。また、計測点以外の座標を含むピクセルは、白色（画素値；２５５）で表される。
制御用画像作成手段１６は、ニューラルネットワークの学習時おける誤差の伝播を制御する制御用画像としての誤差伝播制御画像を作成する。
図２（ｃ）に示すように、誤差伝播制御画像は、教師画像と同じサイズで、かつ、教師画像の計測点の座標に対応する画素値を１とし、計測点以外の座標に対応する座標の画素値を０とした画像である。
The wind speed data input means 14 includes information (hereinafter referred to as measurement map information) such as the shape of the road or
The teacher image creating means 15 creates a teacher building group image G 1 obtained by converting the input map information into an image as shown in FIG. 2A, and distributes the teacher building group image G 1 in a wind velocity distribution. Create a teacher image G 2 which is an image converted into an image. Specifically, the pixel value of the pixel including the coordinates P (x, y) of the measurement point is set to a value corresponding to the measured wind velocity in the same manner as the pixel value of the above-mentioned wind velocity distribution image G out, and is other than the measurement point. An image is created in which the pixel value of the coordinates of is set to a preset pixel value (for example, 255), and this is used as a teacher image.
FIG. 2B is a diagram showing an example of the teacher image, and the shade of each pixel of the teacher image becomes darker as the wind speed increases and becomes lighter as the wind speed decreases. Further, the pixel including the coordinates other than the measurement point is represented by white (pixel value; 255).
The control image creating means 16 creates an error propagation control image as a control image that controls the propagation of errors during learning of the neural network.
As shown in FIG. 2C, the error propagation control image has the same size as the teacher image, and the pixel value corresponding to the coordinates of the measurement points of the teacher image is 1, and the coordinates correspond to the coordinates other than the measurement points. It is an image in which the pixel value of is 0.
誤差算出手段１７は、損失関数修正部１７ａと誤差算出部１７ｂとを備える。
損失関数修正部１７ａは、ニューラルネットワークの学習時に使用する損失関数に、制御用画像作成手段１６で作成した誤差伝播制御画像の画素値を適用するように修正するもので、例えば、損失関数として、平均二乗誤差（Mean Square Error）を用いた場合、損失関数は、以下の式（１）のように修正される。
また、Ａk（ｘi，ｙj）は、誤差伝播制御画像の座標（ｘi，ｙj）に対応するピクセルの画素値で、バッチ番号ｋごとに設定される。上記したように、Ａk（ｘi，ｙj）は、計測点では１、計測点以外では０である。
誤差算出部１７ｂは、上記の式（１）を用いて、予測値と正解値との誤差を算出する。上記の式（１）では、座標（ｘi，ｙj）が計測点である場合には、Ａk（ｘi，ｙj）＝１であるので、（Ｚrk−Ｚsk）2×Ａk＝は（Ｚrk−Ｚsk）2となるが、座標（ｘi，ｙj）が計測点以外の点である場合には、Ａk（ｘi，ｙj）＝０であるので、（Ｚrk−Ｚsk）2×Ａk＝０となる。
このように、本例では、損失関数として、上記の式（１）のような修正した損失関数を用いることで、風洞実験が行なわれた座標（ｘi，ｙj）については、誤差が伝播されるが、それ以外の座標では誤差が伝播されない。
したがって、風洞実験が行なわれた座標（ｘi，ｙj）のみの誤差について学習できるだけでなく、流体解析により得られたデータと全く同じ形式で学習することができる。
誤差算出手段１７は、上記式（１）を用いて座標（ｘi，ｙj）における誤差ＭＳＥ’ （ｘi，ｙj）を算出し、この誤差ＭＳＥ’（ｘ，ｙ）を、風速分布画像作成手段１３のニューラルネットワークに戻す。
ニューラルネットワークでは、この、誤差ＭＳＥ’（ｘi，ｙj）を最小にするように、畳み込みのフィルタ等の画像処理条件を修正する。
なお、損失関数として、平均絶対値誤差や平均二乗対数誤差などの、他の損失関数を用いてもよい。
ニューラルネットワークの学習には、風速分布画像作成手段１３〜誤差算出手段１７までの各手段が使用され、風速分布画像の作成には、入力手段１１〜風速分布画像作成手段１３までの各手段、及び、表示手段１８が使用される。
The error calculation means 17 includes a loss
The loss
Further, Ak (x i , y j ) is a pixel value of a pixel corresponding to the coordinates (x i , y j ) of the error propagation control image, and is set for each batch number k. As described above, Ak (x i , y j ) is 1 at the measurement point and 0 at other than the measurement point.
The error calculation unit 17b calculates the error between the predicted value and the correct answer value using the above equation (1). In the above equation (1), when the coordinates (x i , y j ) are the measurement points, A k (x i , y j ) = 1, so (Z rk −Z sk ) 2 × A. k = is (Z rk −Z sk ) 2 , but when the coordinates (x i , y j ) are points other than the measurement point, Ak (x i , y j ) = 0, so the (Z rk -Z sk) 2 × a k = 0.
Thus, in this example, as a loss function, by using the modified loss function, such as in the above formula (1), wind tunnel experiments were conducted coordinates (x i, y j) for the error propagation However, the error is not propagated at other coordinates.
Therefore, not only can the error of only the coordinates (x i , y j ) where the wind tunnel experiment was performed be learned, but also the data obtained by the fluid analysis can be learned in exactly the same format.
Error calculation means 17, coordinate with the formula (1) (x i, y j) in the error MSE '(x i, y j ) is calculated, this error MSE' (x, y) of the wind speed distribution Return to the neural network of the image creating means 13.
The neural network, this error MSE '(x i, y j ) to minimize, to correct the image processing conditions such as the convolution of the filter.
As the loss function, another loss function such as an average absolute value error or an average root mean square error may be used.
Each of the means from the wind speed distribution image creating means 13 to the error calculating means 17 is used for learning the neural network, and each means from the input means 11 to the wind speed distribution image creating means 13 and each means for creating the wind speed distribution image. , Display means 18 is used.
次に、風洞実験で得られた風速データを深層学習の学習データとして用いる方法について、図３のフローチャートを参照して説明する。
まず、風速データ入力手段１４に、道路や建物２０の形状など情報と計測点における風速の実験値を入力（ステップＳ１０）し、教師画像作成手段１５にて、教師画像Ｇ2kを作成する（ステップＳ１１）。教師画像Ｇ2kは、図２（ｂ）に示した教師画像Ｇ2と同様に、計測点の座標（ｘi、ｙj）を含むピクセルの画素値を、計測された風速に対応する値とし、計測点以外の座標の画素値を０とした濃淡画像である。なお、教師画像Ｇ2kは、バッチ番号ごとに作成される（ｋ＝１〜Ｎ；Ｎはバッチサイズ）。
次に、制御用画像作成手段１６にて、教師画像Ｇ2kの計測点（ｘi，ｙj）の座標に対応する画素値を１とし、計測点以外の座標に対応する座標の画素値を０とした誤差伝播制御画像を作成する（ステップＳ１２）。
次に、ニューラルネットワークの学習時に使用する損失関数を上記の式（１）のように修正（ステップＳ１３）した後、教師画像の座標Ｇ2（ｘi，ｙj）に対応するピクセルの画素値Ｚr（ｘi，ｙj）と、ニューラルネットワークの予測値である、座標（ｘi，ｙj）に対応するピクセルの画素値Ｚsk（ｘi，ｙj）と、誤差伝播制御画像の座標（ｘi，ｙj）に対応するピクセルの画素値Ａk（ｘi，ｙj）とを、上記式（１）に代入して、誤差ＭＳＥ’（ｘ，ｙ）を算出（ステップＳ１４）し、この誤差ＭＳＥ’ （ｘi，ｙj）を、風速分布画像作成手段１３のニューラルネットワークに戻す。
最後に、誤差ＭＳＥ’ （ｘi，ｙj）が最小になるように、畳み込みのフィルタ等の処理条件を修正する（ステップＳ１５）ことで、ニューラルネットワークを完成させる。
なお、上記学習は、複数の教師画像（正解画像）を用い、誤差ＭＳＥ’ （ｘi，ｙj）が収束するまで行うことが好ましい。
Next, a method of using the wind speed data obtained in the wind tunnel experiment as learning data for deep learning will be described with reference to the flowchart of FIG.
First, information such as the shape of the road or building 20 and the experimental value of the wind speed at the measurement point are input to the wind speed data input means 14 (step S10), and the teacher image G 2k is created by the teacher image creation means 15 (step). S11). Similar to the teacher image G 2 shown in FIG. 2B, the teacher image G 2k is measured by setting the pixel value of the pixel including the coordinates (xi, yj) of the measurement point as the value corresponding to the measured wind speed. It is a shading image in which the pixel value of the coordinates other than the point is 0. The teacher image G 2k is created for each batch number (k = 1 to N; N is the batch size).
Next, in control
Next, modified as loss function the above equation to be used when the neural network learning (1) (step S13) and then, the coordinates G 2 (x i, y j ) of the teacher image the pixel values of pixels corresponding to Z r (x i , y j ), the pixel value Z sk (x i , y j ) of the pixel corresponding to the coordinate (x i , y j ), which is the predicted value of the neural network, and the error propagation control image. The pixel value Ak (x i , y j ) of the pixel corresponding to the coordinates (x i , y j ) is substituted into the above equation (1) to calculate the error MSE'(x, y) (step S14). ), And this error MSE'(x i , y j ) is returned to the neural network of the wind velocity distribution image creating means 13.
Finally, the error MSE '(x i, y j ) as is minimized, to modify the process conditions such as a filter convolution (step S15) that is, to complete the neural network.
The above learning, using a plurality of teacher images (correct images) is preferably carried out until the error MSE '(x i, y j ) converges.
図１に示した風速分布画像Ｇoutの作成手順は、以下の通りである。
なお、ニューラルネットワークの学習は完了しているものとする。
まず、風速分布を推定する箇所の道路や建物の形状など情報と風向きの情報とを入力し、入力された情報を画像に変換した建物群画像Ｇinを作成する。
次に、上記の学習が完了したニューラルネットワークを用いて、各座標（ｘi，ｙj）の風速の予測値Ｚs（ｘi，ｙj）を求める。
そして、この求められた風速の予測値Ｚs（ｘi，ｙj）を、風速分布画像の各ピクセルの画素値とした風速分布画像Ｇoutを作成した後、作成された風速分布画像Ｇoutを表示手段１８の表示画面１８Ｇに表示する。
The procedure for creating the wind speed distribution image G out shown in FIG. 1 is as follows.
It is assumed that the learning of the neural network has been completed.
First, information such as the shape of a road or a building where the wind speed distribution is estimated and information on the wind direction are input, and a building group image G in is created by converting the input information into an image.
Next, using a neural network in which the learning has been completed, the coordinates (x i, y j) the predicted value of the wind speed Z s (x i, y j) obtained.
Then, the predicted value Z s (x i, y j ) of the thus determined wind speed, and after creating the velocity distribution image G out that the pixel value of each pixel of the velocity distribution image, created velocity distribution image G out Is displayed on the
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は前記実施の形態に記載の範囲には限定されない。前記実施の形態に、多様な変更または改良を加えることが可能であることが当業者にも明らかである。そのような変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲から明らかである。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the scope described in the embodiments. It will be apparent to those skilled in the art that various changes or improvements can be made to the above embodiments. It is clear from the claims that such modified or modified forms may also be included in the technical scope of the invention.
例えば、前記実施形態では、計測点以外の座標の画素値を所定値とするとともに、誤差伝播制御画像の座標（ｘi，ｙj）に対応するピクセルの画素値Ａ（ｘi，ｙj）を、計測点では１、計測点以外では０としたが、計測点の風速から、計測点以外の座標で、かつ、計測点周りの座標（ｘi，ｙj）の画素値を推測してもよい。
例えば、図４（ａ）に示すように、教師用建物群画像Ｇ1において、風速値が計測点Ｐ（ｘi，ｙj）を中心にガウス分布しているとすると、計測点Ｐ（ｘi，ｙj）の周りの座標（ｘi’，ｙj’）に対応するピクセルの画素値は、計測点Ｐ（ｘi，ｙj）の画素値をＶijとしたときに、Ｖi’j’＝ｐ・Ｖijとなる（０＜ｐ＜１）。
したがって、教師画像Ｇ2の各ピクセルの濃淡分布も、図４（ｂ）に示すように、計測点の周辺のピクセルでも濃淡がつけられた画像となる。
また、新たに濃淡がつけられたピクセルは、計測値を持っているので、図４（ｃ）に示すように、誤差伝播制御画像Ｇ3の座標（ｘi’，ｙj’）に対応するピクセルの画素値Ａk（ｘi’，ｙj’）も１とする必要がある。
このように、計測点周りの座標（ｘi’，ｙj’）について風速を推定し、この推定された風速も学習データとして使用すれば、風速分布の予測精度を向上させることができる。
また、前記実施形態では、建物２０のある区域の風速分布を求めたが、本発明は、滑走路などの、建物がない区域の風速分布を求めることも可能である。
For example, in the above embodiment, the pixel values of the coordinates other than the measurement point with a predetermined value, the coordinates of the error propagation control image (x i, y j) pixel values of pixels corresponding to A (x i, y j) Was set to 1 at the measurement point and 0 at other than the measurement point, but the pixel value of the coordinates other than the measurement point and the coordinates (x i , y j) around the measurement point is estimated from the wind speed of the measurement point. May be good.
For example, as shown in FIG. 4 (a), in teacher buildings image G 1, wind speed measurement point P (x i, y j) When is Gaussian distributed around the measurement point P (x i, coordinates around the y j) (x i ', y j' pixel values of pixels corresponding to), the measurement point P (x i, the pixel value of y j) is taken as V ij, V i 'j' = p · V ij (0 <p <1).
Therefore, as shown in FIG. 4B, the shading distribution of each pixel of the teacher image G 2 is also a shading image even in the pixels around the measurement point.
In addition, since the newly shaded pixels have measured values, they correspond to the coordinates (x i' , y j' ) of the error propagation control image G 3 as shown in FIG. 4 (c). The pixel value Ak (x i' , y j' ) of the pixel must also be 1.
In this way, if the wind speed is estimated for the coordinates (x i' , y j' ) around the measurement point and this estimated wind speed is also used as training data, the prediction accuracy of the wind speed distribution can be improved.
Further, in the above-described embodiment, the wind speed distribution in the area where the
また、前記実施形態では、風洞実験で得られた風速データを風速分布を予測する深層学習の学習データとして用いたが、風洞実験の風速データから作成した風速分布画像とＣＦＤ解析より得られた風速データから作成した風速分画像の両方を教師画像としてもよい。
ＣＦＤ解析で得られた風速データを教師布画像とする場合、風向き指定建物群画像の建物２０に対応するピクセルの座標以外の座標には、全て、ＣＦＤ解析で得られた風速の計算値が与えられているので、誤差伝播制御画像の座標（ｘi，ｙj）に対応するピクセルの画素値Ａk（ｘi，ｙj）を全て１とすればよい。すなわち、ＣＦＤ解析で得られた風速データから作成したを風速分布画像を教師画像とした場合には、ＣＦＤ解析の計算値の誤差分を全て使用して、誤差ＭＳＥ’ （ｘi，ｙj）を算出すればよい。
なお、損失関数を修正せず、従来の損失関数を用いて誤差を算出してもよい。
Further, in the above embodiment, the wind speed data obtained in the wind cave experiment was used as learning data for deep learning to predict the wind speed distribution, but the wind speed distribution image created from the wind speed data in the wind cave experiment and the wind speed obtained from the CFD analysis. Both wind speed images created from the data may be used as teacher images.
When the wind speed data obtained by CFD analysis is used as a teacher cloth image, the calculated value of wind speed obtained by CFD analysis is given to all the coordinates other than the pixel coordinates corresponding to the
The error may be calculated using the conventional loss function without modifying the loss function.
１０ 風速分布の推定装置、１１ 入力手段、１２ 入力画像作成手段、
１３ 風速分布画像作成手段、１３ａ 風速データ生成部、
１３ｂ 風速分布画像作成部、１４ 風速データ入力手段、１５ 教師画像作成手段、
１６ 制御用画像作成手段、１７ 誤差算出手段、１７ａ 損失関数修正部、
１７ｂ 誤差算出部、１８ 表示手段、１８Ｇ 表示画面、２０ 建物。
10 Wind speed distribution estimation device, 11 input means, 12 input image creation means,
13 Wind speed distribution image creation means, 13a Wind speed data generator,
13b Wind speed distribution image creation unit, 14 Wind speed data input means, 15 Teacher image creation means,
16 Control image creation means, 17 Error calculation means, 17a Loss function correction unit,
17b error calculation unit, 18 display means, 18G display screen, 20 buildings.
Claims (4)
前記風速データが、風洞実験で得られた風速データであり、
前記風速データを用いて作成した教師画像の各座標の画素値と、深層学習により予測された予測画像の各座標の画素値である予測値と、予め設定された損失関数とから、前記教師画像と前記予測画像との誤差を算出する際に、
前記教師画像の風洞実験の計測点以外の座標の画素値と前記予測画像の前記計測点以外の座標の予測値の画素値との誤差分を排除することを特徴とする風速データの使用方法。 It is a method of using wind speed data as learning data when predicting the wind speed distribution by deep learning.
The wind speed data is the wind speed data obtained in the wind tunnel experiment.
From the pixel value of each coordinate of the teacher image created using the wind velocity data, the predicted value which is the pixel value of each coordinate of the predicted image predicted by deep learning, and the preset loss function, the teacher image When calculating the error between the predicted image and the predicted image
A method of using wind speed data, which comprises eliminating an error between a pixel value of a coordinate other than the measurement point of the wind tunnel experiment of the teacher image and a pixel value of a predicted value of a coordinate other than the measurement point of the predicted image.
風洞実験で得られた風速データから、計測点の座標の画素値を風速に応じた値とし、計測点以外の座標の画素値を予め設定した画素値とした風速分布画像を求めてこれを学習データの教師画像とする画像変換ステップと、
前記教師画像の計測点の座標に対応する画素値を１とし、前記計測点以外の座標に対応する座標の画素値を０とした誤差伝播制御画像を作成する制御用画像作成ステップと、
前記教師画像と、前記予測画像と、前記誤差伝播制御画像と、前記損失関数とから、誤差を算出する誤差算出ステップとを備え、
前記誤差算出ステップでは、
前記教師画像の座標の画素値と深層学習の予測値の画素値との誤差に、前記制御用画像の当該座標の画素値を積算した値を用いて、前記誤差を算出することを特徴とする請求項１に記載の風速データの使用方法。 Loss function setting step to set the loss function and
From the wind velocity data obtained in the wind cave experiment, the pixel value of the coordinates of the measurement point is set to the value according to the wind speed, and the pixel value of the coordinates other than the measurement point is set to the preset pixel value to obtain the wind velocity distribution image and learn this. Image conversion step to make data teacher image,
A control image creation step of creating an error propagation control image in which the pixel value corresponding to the coordinates of the measurement point of the teacher image is 1 and the pixel value of the coordinates corresponding to the coordinates other than the measurement point is 0.
It includes an error calculation step of calculating an error from the teacher image, the prediction image, the error propagation control image, and the loss function.
In the error calculation step,
It is characterized in that the error is calculated by using the value obtained by integrating the pixel value of the coordinate of the teacher image and the pixel value of the predicted value of deep learning with the pixel value of the coordinate of the control image. The method of using the wind velocity data according to claim 1.
前記風速データが、風洞実験で得られた風速データと、流体力学を用いた数値シミュレーション解析で得られた風速データの両方であり、
前記風速データを用いて作成した教師画像の各座標の画素値と、深層学習により予測された予測画像の各座標の画素値である予測値と、予め設定された損失関数とから、前記教師画像と前記予測画像との誤差を算出する際に、
前記風速データが前記風洞実験で得られた風速データである場合には、
前記教師画像の風洞実験の計測点以外の座標の画素値と前記予測画像の前記計測点以外の座標の予測値の画素値との誤差分を排除し、
前記風速データが前記数値シミュレーション解析で得られた風速データである場合には、
前記教師画像の前記数値シミュレーション解析の計算値の誤差分を全て使用することを特徴とする風速データの使用方法。 It is a method of using wind speed data as learning data when predicting the wind speed distribution by deep learning.
The wind speed data are both the wind speed data obtained in the wind tunnel experiment and the wind speed data obtained in the numerical simulation analysis using fluid mechanics.
From the pixel value of each coordinate of the teacher image created using the wind velocity data, the predicted value which is the pixel value of each coordinate of the predicted image predicted by deep learning, and the preset loss function, the teacher image When calculating the error between the predicted image and the predicted image
When the wind speed data is the wind speed data obtained in the wind tunnel experiment,
The error between the pixel value of the coordinate other than the measurement point of the wind tunnel experiment of the teacher image and the pixel value of the predicted value of the coordinate other than the measurement point of the predicted image is eliminated.
When the wind speed data is the wind speed data obtained by the numerical simulation analysis,
A method of using wind speed data, which comprises using all the errors of the calculated values of the numerical simulation analysis of the teacher image.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020063161A JP7381384B2 (en) | 2020-03-31 | 2020-03-31 | How to use wind speed data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020063161A JP7381384B2 (en) | 2020-03-31 | 2020-03-31 | How to use wind speed data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021162437A true JP2021162437A (en) | 2021-10-11 |
| JP7381384B2 JP7381384B2 (en) | 2023-11-15 |
Family
ID=78003216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020063161A Active JP7381384B2 (en) | 2020-03-31 | 2020-03-31 | How to use wind speed data |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7381384B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216491A (en) * | 2023-11-09 | 2023-12-12 | 中国航空工业集团公司哈尔滨空气动力研究所 | Neural network-based low-speed wind tunnel bracket interference quantity prediction method and equipment |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6780968B2 (en) | 2016-07-07 | 2020-11-04 | 株式会社熊谷組 | Wind speed distribution estimation method around the building and wind speed distribution estimation device around the building |
| JP6949644B2 (en) | 2017-09-29 | 2021-10-13 | 清水建設株式会社 | Wind environment learning device, wind environment evaluation system, wind environment learning method and wind environment evaluation method |
-
2020
- 2020-03-31 JP JP2020063161A patent/JP7381384B2/en active Active
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216491A (en) * | 2023-11-09 | 2023-12-12 | 中国航空工业集团公司哈尔滨空气动力研究所 | Neural network-based low-speed wind tunnel bracket interference quantity prediction method and equipment |
| CN117216491B (en) * | 2023-11-09 | 2024-02-09 | 中国航空工业集团公司哈尔滨空气动力研究所 | Neural network-based low-speed wind tunnel bracket interference quantity prediction method and equipment |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7381384B2 (en) | 2023-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960135B (en) | Dense ship target accurate detection method based on high-resolution remote sensing image | |
| CN109598184B (en) | Method and device for processing multi-segmentation tasks | |
| CN109948522B (en) | X-ray hand bone maturity interpretation method based on deep neural network | |
| CN107862668A (en) | A kind of cultural relic images restored method based on GNN | |
| CN110349185B (en) | RGBT target tracking model training method and device | |
| CN113139453B (en) | Orthoimage high-rise building base vector extraction method based on deep learning | |
| CN109849576B (en) | Method for assisting drawing by referring to gray level diagram | |
| CN106780543A (en) | A kind of double framework estimating depths and movement technique based on convolutional neural networks | |
| CN111428818A (en) | Deep learning model test method and device based on neural pathway activation state | |
| CN112381060B (en) | Building earthquake damage level classification method based on deep learning | |
| CN110232445B (en) | Cultural relic authenticity identification method based on knowledge distillation | |
| CN114663397B (en) | Method, device, equipment and storage medium for detecting drivable area | |
| CN109657612A (en) | A kind of quality-ordered system and its application method based on facial image feature | |
| CN109863547A (en) | The equipment for constructing map for using machine learning and image procossing | |
| JP7207846B2 (en) | Information processing device, information processing method and program | |
| CN112991371B (en) | Automatic image coloring method and system based on coloring overflow constraint | |
| JP6780968B2 (en) | Wind speed distribution estimation method around the building and wind speed distribution estimation device around the building | |
| CN111696079A (en) | Surface defect detection method based on multi-task learning | |
| JP2021162437A (en) | Wind velocity data use method | |
| CN112215766B (en) | Image defogging method combining image restoration and image enhancement and convolution network thereof | |
| CN113365039A (en) | Multi-screen display color correction method and system for flight simulator | |
| JP7151742B2 (en) | Image conversion device, image conversion method, and computer program for image conversion | |
| CN112966777A (en) | Semi-automatic labeling method and system based on human-computer interaction | |
| CN115018729B (en) | Content-oriented white box image enhancement method | |
| CN110363733A (en) | A kind of mixed image generation method and device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230110 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230822 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230823 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230906 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231031 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231102 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7381384 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |