JP6780968B2

JP6780968B2 - 建物周辺の風速分布の推定方法及び建物周辺の風速分布推定装置

Info

Publication number: JP6780968B2
Application number: JP2016135402A
Authority: JP
Inventors: 優輝加藤; 憲昭鰐渕
Original assignee: Kumagai Gumi Co Ltd
Current assignee: Kumagai Gumi Co Ltd
Priority date: 2016-07-07
Filing date: 2016-07-07
Publication date: 2020-11-04
Anticipated expiration: 2036-07-07
Also published as: JP2018004568A

Description

本発明は、高層建築物等の建物周辺の風速の分布を推定する方法に関するもので、特に、ニューラルネットワークを用いた風速分布の推定方法とその装置に関する。

近年、高層建築物の増加に伴い、ビル風対策を始めとする風環境評価がますます重要視されている。建物の設計における風環境評価は、風洞実験や数値流体力学を用いた数値シミュレーション（Computational Fluid Dynamics、以下、ＣＦＤ解析という）などを用いて行われ、その評価結果に基づき防風対策が検討されている。
風洞実験は、局所的に精度の良い結果が得られるが、精度の良い模型を構築する必要があり、実験設備の確保を含めると、実験費用が高額となるといった問題点がある。
一方、ＣＦＤ解析は、計算精度の向上やＰＣの性能向上による計算時間の短縮から、近年、風環境評価における主流となっている。しかしながら、風環境評価に用いられる規模の解析モデルを対象とした場合には、精度よく結果を得るために要求されるＰＣの性能は高く、スーパーコンピュータを用いない限り、１ケースの解析結果を得るために時間がかかってしまう。また、ＣＦＤ解析は、解析モデル作成や計算に要する時間がかかるだけでなく、解析パラメータの設定に高い専門性が求められることから、設計の初期段階からＣＦＤ解析を活用しつつ設計を行うことは効率的ではないと考えられる。
上記に対して、風洞実験やＣＦＤ解析によって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形状データ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増加域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により、建物周辺に生じる風速増加域をリアルタイムで予測する方法が提案されている（例えば、特許文献１参照）。

特開平８−１８４５２６号公報

しかしながら、上記の風速増加域を予測する方法では、ニューラルネットワークの構造として階層型ニューラルネットワークを用いているため、建物形状が、角柱などの簡単な形状でない場合には、パラメータの数（ニューラルネットワークの結線数）が爆発的に増加してしまうため、学習段階で時間がかかってしまう、もしくは、ニューラルネットワークの結線が現実的に設定可能な範囲に収まらないといった問題点があった。
更に、この手法では、建物周辺の風速増加域は推定できるものの、建物周辺の風速分布については推定できないので、現在の実務で用いられている風環境評価に適用することが困難である。

本発明は、従来の問題点に鑑みてなされたもので、建物周辺の風速分布を容易に推定する方法とその装置を提供することを目的とする。

本発明は、建物周辺の風速分布を推定する方法であって、推定する箇所の高さ情報と形状情報と風向き情報とを入力するステップと、前記入力された高さ情報と形状情報と風向き情報とから、推定する箇所の高さ情報を表わす高さ画像と、前記建物の断面形状情報を表わす形状画像と、風向き情報を表わす風向き画像とを作成するステップと、畳み込みニューラルネットワーク（CNN；Convolutional Neural Network）を用いて建物周辺の風速分布を推定するステップと、を備え、前記畳み込みニューラルネットワークの入力が、前記高さ画像と前記形状画像と前記風向き画像で、前記畳み込みニューラルネットワークの出力が、建物周辺の風速比の分布を表わす画像で、前記高さ画像が、前記推定する箇所の高さに対応する濃淡または色で表示された画像で、前記形状画像が、建物部分と建物以外の部分とが色分けされた画像で、前記風向き画像が、風上から風下に向かって濃度が変化するグレースケール画像であることを特徴とする。
なお、風速比の分布は、厳密には、風速の大きさそのものの分布である風速分布ではなく、例えば、建物の上層部などの特定位置の風速を基準とした値（風速比）の分布である。以下では、この「風速比の分布」のことを、「風速分布」という。
このように、ニューラルネットワークとして、入力データを画像データとする畳み込みニューラルネットワークを用いたので、ニューラルネットワーク内のパラメータが大幅に削減される。したがって、建物周辺の風速分布を、一般に市販されているパソコンを用いて、容易にかつ短時間で推定できる。また、得られる結果が画像データであるので、推定結果を視覚的に判断できる。
また、前記高さ画像を前記推定する箇所の高さに対応する濃淡または色で表示された画像とし、前記形状画像を建物部分と建物以外の部分とが色分けされた画像とし、前記風向き画像を風上から風下に向かって濃度が変化するグレースケール画像としたので、推定を行うために必要なパラメータが少なく、かつ、専門性を必要としないように簡便な建物周辺の風速分布の推定方法を提供できる。

また、本発明は、建物周辺の風速分布（風速比の分布）を推定する装置であって、推定する箇所の高さ情報と形状情報と風向き情報とを入力する入力手段と、前記入力された高さ情報と形状情報と風向き情報とから、推定する箇所の高さ情報を表わす高さ画像と、前記建物の断面形状情報を表わす形状画像と、前記風向き情報を表わす風向き画像とを作成する入力画像作成手段と、建物周辺の風速比の分布を表わす画像を作成する風速分布画像作成手段と、前記作成された風速分布画像を表示する表示手段とを備え、前記高さ画像が、前記推定する箇所の高さに対応する濃淡または色で表示された画像で、前記形状画像が、建物部分と建物以外の部分とが色分けされた画像で、前記風向き画像が、風上から風下に向かって濃度が変化するグレースケール画像であり、前記風速分布画像作成手段が、前記入力画像作成手段で作成された高さ画像と形状画像と前記風向き画像とを入力し、
建物周辺の風速比の分布を表わす画像を出力する畳み込みニューラルネットワークから構成されていることを特徴とする。
このような構成を採ることにより、建物周辺の風速分布を容易にかつ短時間で推定できるとともに、推定結果を視覚的に判断できる建物周辺の風速分布推定装置を実現できる。

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。

本発明の実施の形態に係わる風速分布の推定装置を示す図である。本発明による風速分布の推定方法を示すフローチャートである。高さ画像の作成方法を説明するための図である。形状画像の作成方法を説明するための図である。風向き画像の作成方法を説明するための図である。畳み込みニューラルネットワークの構成例を示す図である。畳み込み層の動作を説明するための図である。プーリング層の動作を説明するための図である。形状画像の他の例を示す図である。

図１は、建物周辺の風速分布を推定する風速分布の推定装置１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は等高線図作成手段、１５は表示手段である。
入力手段１１は、例えば、キーボード等が用いられ、表示手段１５は、ディスプレイ等から構成される。また、入力画像作成手段１２〜等高線図作成手段１４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、入力された建物の風速分布を推定する箇所の高さの情報と、建物の形状の情報と、風向きの情報とを、入力画像作成手段１２に出力する。
入力画像作成手段１２は、入力手段１１から入力された高さの情報と形状の情報と風向きの情報とから、推定する箇所の地上からの高さの情報を表わす高さ画像（Height map）Ｇ_Hと、建物の形状の情報を表わす形状画像（Shape map）Ｇ_Sと、風向きの情報を表わす風向き画像（Deg map）Ｇ_Dとを作成し、これらの画像を、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、畳み込みニューラルネットワークから成る演算部１３ａと、畳み込みニューラルネットワークの出力データから、風速分布画像Ｇ_Wを作成する画像作成部１３ｂとを備える。
演算部１３ａでは、高さ画像Ｇ_Hと形状画像Ｇ_Sと風向き画像Ｇ_Dとを、畳み込みニューラルネットワークに入力し、風速分布画像Ｇ_Wの画素データを出力し、画像作成部１３ｂは、得られた画素データから風速分布画像Ｇ_Wを作成して等高線図作成手段１４に送る。
等高線図作成手段１４は、風速分布画像作成手段１３から出力される風速分布画像Ｇ_Wに対して、予め設定された風速間隔毎の風速等高線を引いた風速等高線図を作成し表示手段１５に送る。
表示手段１５は、等高線図作成手段１４で作成された風速等高線を表示画面１５Ｇに表示する。

次に、本発明による建物周辺の風速分布の推定方法について、図２のフローチャートを参照して説明する。
まず、入力手段１１に、高さ情報と形状情報と風向き情報とを入力し（ステップＳ１１）、これらの情報から、高さ画像Ｇ_Hと、形状画像Ｇ_Sと、風向き画像Ｇ_Dとを作成する（ステップＳ１２）。
入力手段１１に入力する高さ情報は、図３に示すように、推定を行う際の最大高さＨ_Maxと風速分布を推定する箇所の高さＨの２つで、高さ画像Ｇ_Hは、地上を黒（画素値；０）、最大高さＨ_Maxを白（画素値；２５５）とする２５６階調のグレースケール画像としたときに、画素値が０〜２５５のうちの高さＨに相当する濃淡を有する画像となる。
なお、階調は２５６階調である必要はなく、８階調以上であればよい。
形状情報は、建物の断面形状で、例えば、図４（ａ）に示すように、建物２０の断面形状が一辺の長さＬの正方形の場合には、このＬを入力することで、図４（ｂ）に示すような、建物部分Ｇ_Saが白（２５５）で、その他の部分Ｇ_Sbが黒（０）で塗りつぶされた形状画像Ｇ_Sとなる。なお、建物とその他の部分とを色分けしてもよい。
図５は、風向き情報と風向き画像Ｇ_Dとの関係を示す図で、風向き情報としては、例えば、南東の風ならＳＥのように入力してもよいが、本例では、図５に示すように、北の風を表わすベクトルの角度を「θ＝０°」とし、風向きが反時計回りに進むように設定し、このθを入力することで、風向き画像Ｇ_Dを作成する。
本例では、風向き画像Ｇ_Dを、風上を白（２５５）、風下を黒（０）とし、風上から風下に向かって濃度が濃くなるような、グレースケール画像とした。なお、同図では、風向きと風向き画像との関係を分かりやすくするため、風向き画像をＧ_D（θ）としたが、以下、風向き画像を、角度を省略してＧ_Dと表わす。

次に、高さ画像Ｇ_Hと形状画像Ｇ_Sと風向き画像Ｇ_Dとを、風速分布画像作成手段１３の演算部である畳み込みニューラルネットワークに入力して、風速分布画像Ｇ_Wの画素データを演算し（ステップＳ１３）、この演算された風速分布画像Ｇ_Wの画素データから風速分布画像Ｇ_Wを作成する（ステップＳ１４）。
なお、フィルタ特性などの畳み込みニューラルネットワークの学習データは、予め得られている高さ画像Ｇ_H0と、形状画像Ｇ_S0と、風向き画像Ｇ_D0と、それに対応する風速分布画像Ｇ_W0とをニューラルネットワークで繰り返し学習させることで求められる。
学習は、ニューラルネットワークの代表的な学習方法である誤差逆伝播法により行われる。具体的には、高さ画像Ｇ_H0と形状画像Ｇ_S0と風向き画像Ｇ_D0とを畳み込みニューラルネットワークに入力して得られた出力画像Ｇoutと実際の風速分布画像Ｇ_W0との誤差を求め、この誤差を、後ろ向きのに伝播して、パラメータであるフィルタ特性を微調整する。この作業を繰り返し行うことで、誤差が最小になるようなフィルタ特性を、ニューラルネットワークの各層ごとに求める。
畳み込みニューラルネットワークについては後述する。
最後に、風速分布画像Ｇ_Wから等高線図を作成して表示する（ステップＳ１５）。
なお、同じ建物２０の異なる高さの風速分布を推定する場合、風向きを変えた時の風速分布を推定する場合、及び、断面形状の異なる建物の風速分布を推定する場合には、ステップＳ１１に戻って、入力するパラメータを変更すればよい。

ここで、畳み込みニューラルネットワークについて説明する。
畳み込みニューラルネットワークは、フィルタを用いた畳み込み処理を行って特徴マップを出力する畳み込み層（Convolution layer）と、抽出された特徴の位置感度を低下させる役割を持つプーリング層（Pooling layer）とを組み合わせたフィードフォワード型のニューラルネットワークで、畳み込み層とプーリング層とを何回か繰り返した後に、全結合層（L1）が配置される構成となっている。
畳み込み層は、入力画像に対してフィルタをかける（畳み込む）層で、入力画像の特徴を的確に捉えるためには、フィルタを複数個使うことが好ましい。
なお、フィルタは、適当な大きさの領域に含まれる各画素値を重みづけして足し合わせるもので、４次元テンソルで表せる。
一方、プーリング層は、矩形のフィルタを入力画像内でずらして行き矩形内の最大値を取出して新しい画像を出力する最大値プーリングと、矩形内の値の平均値を採る平均値プーリングとがある。
本例では、図６（ａ），（ｂ）に示すように、畳み込み層を９層（Conv１〜Conv９）とし、第３畳み込み層（Conv３）と、第４畳み込み層（Conv４）との間に第１プーリング層（Pooling１）を配置し、第６畳み込み層（Conv６）と、第７畳み込み層（Conv７）との間に第２プーリング層（Pooling２）を配置する構成とした。

次に、畳み込み層の動作について、第１畳み込み層（Conv１）の出力画像（Feature
map）を得るまでを例にとって説明する。
図７に示すように、入力画像（Input map）である高さ画像Ｇ_H、形状画像Ｇ_S、及び、風向き画像Ｇ_Dをそれぞれ６４×６４ピクセルとし、これら３個の入力画像に３×３のそれぞれ異なるフィルタ３２個を、スライド幅１でかけ、各画像に対応する３枚の６４×６４ピクセルの画像を得た後、これら３枚の６４×６４ピクセルの画像を圧縮して３２枚の６４×６４ピクセルの画像（以下、フィルタ後画像という）を得る。圧縮は、３枚の画像を重ね合わせ、同一箇所の画素の値を合計するか、バイアスを加えてから合計すればよい。なお、このときの４次元テンソルは、フィルタ数が３２、入力画像枚数が３、各フィルタの大きさが３×３なので、Ｗ［３２，３，３，３］と表わせる。４次元テンソルの各成分は、学習により獲得する。
また、フィルタのサイズを３×３としたのは、フィルタ後画像の画素数を入力画像と同じ６４×６４ピクセルにする（パディングサイズを１にする）ためである。
そして、各フィルタ後画像にバイアスを加えた後、活性化関数を適用することで、出力画像である第１の特徴画像（First Feature map）を出力する。
活性化関数としては、tanhやジグモイド関数などが用いられるが、本例では、tanhよりも高速でかつ高性能なReLU（Rectified Linear Unit）を用いた。なお、活性化関数への入力を、ミニバッチ単位で正規化（Batch Normalize）してもよい。
第２畳み込み層（Conv２）では、第１畳み込み層（Conv１）の出力画像である３２枚の第１の特徴画像（1st Feature map）を入力画像（Input map）とし、これらの入力画像に３×３のそれぞれ異なるフィルタをかけて得られたフィルタ後画像に、第１畳み込み層（Conv１）と同様に、バイアスを加えた後、活性化関数としてReLUを適用することで得られる第２の特徴画像（2nd Feature map）を出力する。
第３畳み込み層（Conv３）でも、第２畳み込み層（Conv２）と同様にして、第３の特徴画像（3rd Feature map）を出力する。

次に、プーリング層の動作について、第３の特徴画像（3rd Feature map）を、第１プーリング層（Pool１）にてプーリングして、出力画像である第１プーリング画像（1st Pooling map）を得るまでを例にとって説明する。
本例では、図８に示すように、プーリングに３×３の矩形フィルタを、入力画像である第３の特徴画像（3rd Feature map）内で、スライド幅２でずらして行き、矩形内の最大の値を取出して新しい画像を出力する最大値プーリングを行った。
本例では、スライド幅２としたので、第１プーリング画像は、３２枚の３３×３３ピクセルの画像となる。
なお、上述したように、平均値プーリングを行ってもよい。

第４畳み込み層（Conv４）では、第１プーリング画像を入力画像とし、これらの入力画像に３×３のそれぞれ異なるフィルタをかけて得られたフィルタ後画像に、第１畳み込み層（Conv１）と同様に、バイアスを加えた後、活性化関数としてReLUを適用することで得られる第４の特徴画像（4th Feature map）を出力する。入力画像である第１プーリング画像が３２枚の３３×３３ピクセルの画像なので、第４の特徴画像も３２枚の３３×３３ピクセルの画像となる。
第５畳み込み層（Conv５）では、第４畳み込み層（Conv４）の出力画像である３２枚の第４の特徴画像（4th Feature map）を入力画像とし、これらの入力画像に３×３のそれぞれ異なるフィルタをかけて得られたフィルタ後画像に、バイアスを加えた後、活性化関数としてReLUを適用することで得られる第５の特徴画像（5th Feature map）を出力する。
第６畳み込み層（Conv６）でも、第５畳み込み層（Conv５）と同様にして、第６の特徴画像（6th Feature map）を出力する。
本例では、第２プーリング層（Pool２）にて、この第６の特徴画像に対して、３×３の矩形フィルタを、スライド幅２で最大値プーリングを行い、３２枚の１７×１７のピクセルの画像（以下、第２プーリング画像という）を出力する。
第７畳み込み層（Conv７）では、第２プーリング画像（2nd Pooling map）を入力画像とし、これらの入力画像に３×３の個それぞれ異なるフィルタをかけて得られたフィルタ後画像に、第２畳み込み層（Conv２）と同様に、バイアスを加えた後、活性化関数としてReLUを適用することで得られる第７の特徴画像（4th Feature map）を出力する。入力画像である第２プーリング画像が３２枚の１７×１７ピクセルの画像なので、第７の特徴画像も３２枚の１７×１７ピクセルの画像となる。
第８畳み込み層（Conv８）では、第７の特徴画像を入力画像とし、第２畳み込み層と同様にして、第８の特徴画像（8th Feature map）を出力し、第９畳み込み層（Conv９）では、第８の特徴画像を入力画像とし、第９の特徴画像（9th Feature map）を出力する。
第９の特徴画像は、３２枚の１７×１７ピクセルの画像で、この第９の特徴画像のデータが全結合層（L1）の入力データとなる。

全結合層（L1）は、図６（ｂ）に示したように、入力層と出力層とを有するニューラルネットワークで、入力データとしては、２次元画像である第９の特徴画像を１次元のベクトルに変換したものを用いる。
第９の特徴画像は３２枚の１７×１７ピクセルの画像なので、ベクトルの成分数は３２×１７×１７＝９２４８となる。
ここで、出力画像である風速分布画像Ｇ_Wの大きさを、入力画像（高さ画像Ｇ_H、形状画像Ｇ_S、及び、風向き画像Ｇ_D）と同じ６４×６４ピクセルとすると、出力ベクトルの成分数は６４×６４＝４０９６となる。
したがって、全結合層（L1）の出力であるベクトル成分を６４×６４ピクセルの画像に変換すれは、風向きを与えたときの、地上からの高さＨにおける風速分布画像Ｇ_Wを得ることができる。

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。

例えば、前記実施形態では、高さ画像Ｇ_Hを濃淡画像としたが、最大高さを「赤色」とし、地上を「紫色」とするなど、色分けした画像であっても良い。あるいは、斜線や網目などの模様で高さを区別しても良い。要は、データ上で区別できるもので、かつ、重複するものでなければ、どんな画像でも良い。また、画像情報ではなく、アドレスなどの高さの情報に対応したデータであってもよい。
また、前記実施形態では、建物２０の断面形状を一辺の長さＬの正方形としたが、他の形状であってもよい。例えば、図９（ａ）に示すように、建物２０の断面形状がＬ字状の場合には、断面形状を表わすパラメータａ，ｂ，ｃ，ｄを入力すれば、図９（ｂ）に示すような、Ｌ字状の断面形状を有する建物の形状画像Ｇ_Sを作成できる。
なお、建物の断面形状が、角柱や円柱のような単純な形状でない場合には、建物２０の断面図をスキャナーなどで読み取り、この読み取ったデータと縮小率とを入力してもよい。
また、本発明は、上記のような単体建物だけでなく複数の建物が存在する場合においても風力分布を測定することが可能である。

また、前記実施形態では、建物２０の形状画像を建物の断面形状を表す画像としたが、形状画像に、建物２０の高さ、幅、奥行き等の寸法に関する情報を付加して風速分布を推定してもよい。

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、１４等高線図作成手段、１５表示手段、
１５Ｇ表示画面、２０建物。

Claims

建物周辺の風速分布を推定する方法であって、
推定する箇所の高さ情報と形状情報と風向き情報とを入力するステップと、
前記入力された高さ情報と形状情報と風向き情報とから、推定する箇所の高さ情報を表わす高さ画像と、前記建物の断面形状情報を表わす形状画像と、風向き情報を表わす風向き画像とを作成するステップと、
畳み込みニューラルネットワークを用いて建物周辺の風速分布を推定するステップと、
を備え、
前記畳み込みニューラルネットワークの入力が、
前記高さ画像と前記形状画像と前記風向き画像で、
前記畳み込みニューラルネットワークの出力が、
建物周辺の風速比の分布を表わす画像で、
前記高さ画像が、前記推定する箇所の高さに対応する濃淡または色で表示された画像で、
前記形状画像が、建物部分と建物以外の部分とが色分けされた画像で、
前記風向き画像が、風上から風下に向かって濃度が変化するグレースケール画像であることを特徴とする建物周辺の風速分布の推定方法。
建物周辺の風速分布を推定する装置であって、
推定する箇所の高さ情報と形状情報と風向き情報とを入力する入力手段と、
前記入力された高さ情報と形状情報と風向き情報とから、
推定する箇所の高さ情報を表わす高さ画像と、前記建物の断面形状情報を表わす形状画像と、前記風向き情報を表わす風向き画像とを作成する入力画像作成手段と、
建物周辺の風速比の分布を表わす画像を作成する風速分布画像作成手段と、
前記作成された風速分布画像を表示する表示手段とを備え、
前記高さ画像が、前記推定する箇所の高さに対応する濃淡または色で表示された画像で、
前記形状画像が、建物部分と建物以外の部分とが色分けされた画像で、
前記風向き画像が、風上から風下に向かって濃度が変化するグレースケール画像であり、
前記風速分布画像作成手段が、
前記入力画像作成手段で作成された高さ画像と形状画像と前記風向き画像とを入力し、
建物周辺の風速比の分布を表わす画像を出力する畳み込みニューラルネットワークから構成されていることを特徴とする建物周辺の風速分布推定装置。