JP7262694B1 - 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム - Google Patents
流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム Download PDFInfo
- Publication number
- JP7262694B1 JP7262694B1 JP2023504860A JP2023504860A JP7262694B1 JP 7262694 B1 JP7262694 B1 JP 7262694B1 JP 2023504860 A JP2023504860 A JP 2023504860A JP 2023504860 A JP2023504860 A JP 2023504860A JP 7262694 B1 JP7262694 B1 JP 7262694B1
- Authority
- JP
- Japan
- Prior art keywords
- flow field
- analysis result
- data
- calculation method
- learning model
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 104
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 101100326803 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) fac-2 gene Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000917 particle-image velocimetry Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
流れ場予測装置１は、複数の建物を含む街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第１の計算手法に基づく解析結果を取得する解析結果取得部１４と、少なくとも第１の計算手法に基づく解析結果を含む入力データに対して、第１の計算手法よりも高精度な第２の計算手法に基づく解析結果を正解データとする教師データにより学習された学習モデルに対して、解析結果取得部により取得された新たな解析結果を入力し、当該学習モデルの出力を流れ場の予測結果として出力する予測処理部１５と、を備える。
Description
特許法第３０条第２項適用 （１）令和４年７月２０日に配布が開始された「２０２２年度 日本建築学会大会（北海道）学術講演梗概集・建築デザイン発表梗概集ＤＶＤ」にて公開 （２）令和４年９月８日、２０２２年度 日本建築学会大会（北海道）学術講演会にてオンライン発表
本発明は、建物周辺の流れ場を予測するための装置及びプログラムに関する。
従来、高層建物等の大規模構造物の建築に際して、周辺にビル風が発生する可能性等、風環境の変化を調査するため、風洞実験及びＣＦＤ（Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｆｌｕｉｄ Ｄｙｎａｍｉｃｓ）によって構造物周辺の風環境を解析し、風環境を悪化させない設計案を作成することが行われている。
風環境は、例えば風速分布により評価されるが、建物の周りに形成される風速分布は、該当の建物の形状及び風向の他に、この建物の周辺にある建物等の障害物に影響されることが知られている。このため、複数の建物を含む広い領域を対象とした解析手法が望まれている。
例えば、特許文献１では、複数の建物を含む市街地を対象として、ニューラルネットワークにより風速分布を予測する手法が提案されている。
例えば、特許文献１では、複数の建物を含む市街地を対象として、ニューラルネットワークにより風速分布を予測する手法が提案されている。
しかしながら、従来の手法で複数の建物を含む領域（以下、街区と呼ぶ）を対象として、風速分布を高精度に予測することは難しく、ＣＦＤによる解析には長時間を要していた。一方、簡易的な解析手法、又はニューラルネットワークによる予測手法では、その精度が十分でなかった。
本発明は、街区の流れ場を高精度にかつ効率的に予測できる流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラムを提供することを目的とする。
本発明に係る流れ場予測装置は、複数の建物を含む街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第１の計算手法に基づく解析結果を取得する解析結果取得部と、少なくとも前記第１の計算手法に基づく解析結果を含む入力データに対して、前記第１の計算手法よりも高精度な第２の計算手法に基づく解析結果を正解データとする教師データにより学習された学習モデルに対して、前記解析結果取得部により取得された新たな解析結果を入力し、当該学習モデルの出力を前記流れ場の予測結果として出力する予測処理部と、を備える。
前記解析結果取得部は、前記街区における所定の高さの流れ場の情報からなる平面データを含む複数の平面データを、前記解析結果として取得し、前記学習モデルは、前記解析結果の入力に対して、少なくとも前記所定の高さの予測結果を出力するものであってもよい。
前記解析結果取得部は、所定範囲の高さの連続した複数の前記平面データを前記解析結果として取得し、前記学習モデルは、前記解析結果の入力に対して、当該入力と同一範囲の高さの連続した複数の予測結果を出力するものであってもよい。
前記解析結果取得部は、所定範囲の高さの連続した複数の前記平面データを前記解析結果として取得し、前記学習モデルは、前記平面データを入力して得られる連続した高さ方向の出力を順次入力に加えることにより、高さの連続した複数の予測結果を出力するものであってもよい。
前記解析結果取得部は、時間の連続した複数の前記平面データを前記解析結果として取得し、前記学習モデルは、前記平面データを入力して得られる連続した時間方向の出力を順次入力に加えることにより、時間の連続した複数の予測結果を出力するものであってもよい。
前記第１の計算手法に基づく解析結果は、風の剥離、後流、及び縮流の少なくともいずれかの情報を含んでもよい。
前記第１の計算手法は、ＲＡＮＳ（Ｒｅｙｎｏｌｄｓ－Ａｖｅｒａｇｅｄ Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ Ｓｉｍｕｌａｔｉｏｎ）であってもよく、前記第２の計算手法は、ＬＥＳ（Ｌａｒｇｅ Ｅｄｄｙ Ｓｉｍｕｌａｔｉｏｎ）であってもよい。
前記学習モデルは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）により構成されてもよい。
本発明に係る学習装置は、複数の建物を含む街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第１の計算手法に基づく第１の解析結果を取得する第１のデータ取得部と、前記街区を対象領域とした流れ場について、前記第１の計算手法よりも高精度な第２の計算手法に基づく第２の解析結果を取得する第２のデータ取得部と、前記第１の解析結果を含む入力データに対して、前記第２の解析結果を正解データとする教師データにより、学習モデルを更新する学習処理部と、を備える。
本発明に係る流れ場予測プログラムは、前記流れ場予測装置としてコンピュータを機能させるためのものである。
本発明に係る学習プログラムは、前記学習装置としてコンピュータを機能させるためのものである。
本発明によれば、街区の流れ場を高精度にかつ効率的に予測できる。
本実施形態では、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の機械学習モデルを用いて、入力データに対して正解データとして風速、又は風圧等の流れ場のデータを与える教師あり学習によって、街区における高精度な流れ場を予測可能な学習済みモデルを提供する。
なお、流れ場としては、風速又は風圧等が想定されるが、以下の実施形態では、平均風速の分布を予測する場合を例に説明する。
なお、流れ場としては、風速又は風圧等が想定されるが、以下の実施形態では、平均風速の分布を予測する場合を例に説明する。
学習モデルの入力データには、従来の断面高さ等の建物情報及び風向情報に代えて、又は加えて、街区を対象としていることにより考慮されるべき建物間の影響について解析された情報が含まれる。
具体的には、周囲の建物における風の剥離、後流、及び縮流の少なくともいずれかの情報を含む複雑な流れ場の情報を入力とする。
具体的には、周囲の建物における風の剥離、後流、及び縮流の少なくともいずれかの情報を含む複雑な流れ場の情報を入力とする。
本実施形態では、複雑な流れ場の情報の取得には、高速に計算可能な比較的簡易な手法（第１の計算手法）が用いられ、より高精度な計算手法（第２の計算手法）による解析結果を正解データとして、学習モデルの教師あり学習が実施される。
第１の計算手法には、例えば、ＲＡＮＳ（Ｒｅｙｎｏｌｄｓ－Ａｖｅｒａｇｅｄ Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ Ｓｉｍｕｌａｔｉｏｎ）、渦度法、ニュートン法等を適用できる。
第２の計算手法には、例えば、ＬＥＳ（Ｌａｒｇｅ Ｅｄｄｙ Ｓｉｍｕｌａｔｉｏｎ）、ＤＮＳ（Ｄｉｒｅｃｔ Ｎｕｍｅｒｉｃａｌ Ｓｉｍｕｌａｔｉｏｎ）、実験によるＰＩＶ（Ｐａｒｔｉｃｌｅ Ｉｍａｇｅ Ｖｅｌｏｃｉｍｅｔｒｙ）、格子ボルツマン法等を適用できる。
第２の計算手法には、例えば、ＬＥＳ（Ｌａｒｇｅ Ｅｄｄｙ Ｓｉｍｕｌａｔｉｏｎ）、ＤＮＳ（Ｄｉｒｅｃｔ Ｎｕｍｅｒｉｃａｌ Ｓｉｍｕｌａｔｉｏｎ）、実験によるＰＩＶ（Ｐａｒｔｉｃｌｅ Ｉｍａｇｅ Ｖｅｌｏｃｉｍｅｔｒｙ）、格子ボルツマン法等を適用できる。
以下、学習モデルへの入力の態様がそれぞれ異なる第１～第４実施形態を例示して説明する。
なお、第１の計算手法はＲＡＮＳ、第２の計算手法はＬＥＳであるとする。
なお、第１の計算手法はＲＡＮＳ、第２の計算手法はＬＥＳであるとする。
［第１実施形態］
第１施形態では、学習モデルへの入力は、ＲＡＮＳにより計算された、街区内のある高さにおけるｘ軸、ｙ軸、ｚ軸の３方向それぞれの風速分布を表す画像データ３枚と、予測精度向上のために適宜追加される画像データである。
第１施形態では、学習モデルへの入力は、ＲＡＮＳにより計算された、街区内のある高さにおけるｘ軸、ｙ軸、ｚ軸の３方向それぞれの風速分布を表す画像データ３枚と、予測精度向上のために適宜追加される画像データである。
図１は、本実施形態における流れ場予測装置１の機能構成を示すブロック図である。
流れ場予測装置１は、学習装置としての機能も併せ持ち、学習モデルの学習フェーズ、及び学習済みモデルを用いた予測フェーズのそれぞれを実行する。
なお、学習装置としての機能は、他の情報処理装置に設けられてもよい。この場合、十分な数の教師データにより学習された学習モデルのパラメータが流れ場予測装置１に提供される。
流れ場予測装置１は、学習装置としての機能も併せ持ち、学習モデルの学習フェーズ、及び学習済みモデルを用いた予測フェーズのそれぞれを実行する。
なお、学習装置としての機能は、他の情報処理装置に設けられてもよい。この場合、十分な数の教師データにより学習された学習モデルのパラメータが流れ場予測装置１に提供される。
流れ場予測装置１は、制御部１０及び記憶部２０の他、入出力及び通信インタフェース等を備えた情報処理装置（コンピュータ）である。
制御部１０は、流れ場予測装置１の全体を制御する部分であり、記憶部２０に記憶された流れ場予測プログラムを含む各種ソフトウェアを適宜読み出して実行することにより、本実施形態における各機能を実現する。制御部１０は、ＣＰＵであってよい。
制御部１０は、流れ場予測装置１の全体を制御する部分であり、記憶部２０に記憶された流れ場予測プログラムを含む各種ソフトウェアを適宜読み出して実行することにより、本実施形態における各機能を実現する。制御部１０は、ＣＰＵであってよい。
記憶部２０は、ハードウェア群を流れ場予測装置１として機能させるための各種プログラム、及び各種データ等の記憶領域であり、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスクドライブ（ＨＤＤ）等であってよい。
具体的には、記憶部２０は、流れ場予測プログラム等の各種ソフトウェアの他、学習モデルを構成するための各種パラメータ、教師データ等を記憶する。
具体的には、記憶部２０は、流れ場予測プログラム等の各種ソフトウェアの他、学習モデルを構成するための各種パラメータ、教師データ等を記憶する。
制御部１０は、学習フェーズを担う第１のデータ取得部１１、第２のデータ取得部１２、及び学習処理部１３と、予測フェーズを担う解析結果取得部１４、及び予測処理部１５を備える。
第１のデータ取得部１１は、街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第１の計算手法（例えば、ＲＡＮＳ）に基づく第１の解析結果を取得する。
このとき、第１のデータ取得部１１は、街区における所定の高さの流れ場の情報（ＸＹ断面情報）からなる平面データに加えて、近接する複数の平面データを、解析結果として取得してもよい。例えば、ある高さのＸＹ断面情報１枚に加えて、計算メッシュの幅（例えば、数十センチメートル～数メートルの所定の幅）で上下いずれか又は両方の１枚ずつ、又は数枚ずつが取得されてもよい。
このとき、第１のデータ取得部１１は、街区における所定の高さの流れ場の情報（ＸＹ断面情報）からなる平面データに加えて、近接する複数の平面データを、解析結果として取得してもよい。例えば、ある高さのＸＹ断面情報１枚に加えて、計算メッシュの幅（例えば、数十センチメートル～数メートルの所定の幅）で上下いずれか又は両方の１枚ずつ、又は数枚ずつが取得されてもよい。
第２のデータ取得部１２は、第１のデータ取得部１１と同一の流れ場について、第１の計算手法よりも高精度な第２の計算手法（例えばＬＥＳ）に基づく第２の解析結果を取得する。
この第２の解析結果は、第１のデータ取得部１１により得られる第１の解析結果に対応した、同一の街区における同一高さの流れ場の情報を示す、より高精度な解析結果である。
この第２の解析結果は、第１のデータ取得部１１により得られる第１の解析結果に対応した、同一の街区における同一高さの流れ場の情報を示す、より高精度な解析結果である。
学習処理部１３は、第１の解析結果を含む入力データに対して、第２の解析結果を正解データとする教師データにより、学習モデルを更新する。
なお、本実施形態における学習モデルは、例えば、ＣＮＮの一種であるＵ－Ｎｅｔ＋＋を用いることとするが、これには限られず、各種の機械学習モデルが採用されてよい。
なお、本実施形態における学習モデルは、例えば、ＣＮＮの一種であるＵ－Ｎｅｔ＋＋を用いることとするが、これには限られず、各種の機械学習モデルが採用されてよい。
解析結果取得部１４は、予測の対象とする街区の流れ場について、第１の計算手法に基づく解析結果を取得し、学習モデルへの入力として予測処理部１５に提供する。
このとき、解析結果取得部１４は、第１のデータ取得部１１と同一の形式で解析結果を取得する。
このとき、解析結果取得部１４は、第１のデータ取得部１１と同一の形式で解析結果を取得する。
予測処理部１５は、学習処理部１３により学習された学習モデルに対して、解析結果取得部１４により取得された新たな解析結果を入力し、学習モデルの出力を流れ場の予測結果として出力する。
このとき、学習モデルは、予測対象の街区における所定の高さ、及び近接する高さの解析結果の入力に対して、少なくとも所定の高さの予測結果を出力する。
このとき、学習モデルは、予測対象の街区における所定の高さ、及び近接する高さの解析結果の入力に対して、少なくとも所定の高さの予測結果を出力する。
ここで、学習フェーズ及び予測フェーズにおいて、学習モデルへの入力データは、第１の計算手法であるＲＡＮＳによる解析結果のみであってもよいが、次の各種データが追加されてもよい。
図２は、本実施形態において学習モデルに入力される画像データを例示する図である。
まず、ＲＡＮＳによる解析結果は、ある高さに対して、３軸方向それぞれの風速分布を示す３枚の画像データとして提供され、画素値が各セルの平均風速を示している。
まず、ＲＡＮＳによる解析結果は、ある高さに対して、３軸方向それぞれの風速分布を示す３枚の画像データとして提供され、画素値が各セルの平均風速を示している。
風向データは、街区に対して入力される風向を示し、例えば、風上側から風下側へのグラデーションで表現された画像データである。
建物高さデータは、街区内に存在する建物の位置及び高さを示し、例えば、画素値で各位置（セル）の高さが表現された画像データである。
建物からの距離データは街区内の各位置（セル）から最も近い建物までの距離を示し、例えば、画素値で距離が表現された画像データである。
建物高さデータは、街区内に存在する建物の位置及び高さを示し、例えば、画素値で各位置（セル）の高さが表現された画像データである。
建物からの距離データは街区内の各位置（セル）から最も近い建物までの距離を示し、例えば、画素値で距離が表現された画像データである。
これらの追加データにより、学習モデルで処理される情報量が増加するため、ＲＡＮＳによる解析結果を、ＬＥＳによる解析結果に補正する精度、すなわち流れ場の予測精度の向上が期待できる。
図３は、本実施形態の学習モデルにおける入力データと出力データとの関係を例示する図である。
ここでは、予測対象とする高さに関する入力データに対して、上下の近接する高さのＲＡＮＳによる解析結果である６枚の画像が追加されている。
この入力データに対して、出力データは、ＬＥＳによる解析結果に相当する少なくとも３枚の画像である。
ここでは、予測対象とする高さに関する入力データに対して、上下の近接する高さのＲＡＮＳによる解析結果である６枚の画像が追加されている。
この入力データに対して、出力データは、ＬＥＳによる解析結果に相当する少なくとも３枚の画像である。
このように、予測対象の高さに関する入力データに対して、上下の近接する高さの情報が追加されることにより、ＲＡＮＳによる解析結果を、ＬＥＳに相当する解析結果に補正する精度、すなわち流れ場の予測精度の向上が期待できる。
［第２実施形態］
第２実施形態では、流れ場予測装置１の機能構成は第１実施形態と同様であるが、学習モデルの入出力が異なる。
第２実施形態では、流れ場予測装置１の機能構成は第１実施形態と同様であるが、学習モデルの入出力が異なる。
第１のデータ取得部１１及び解析結果取得部１４は、所定範囲の高さの連続した複数の平面データを解析結果として取得する。
具体的には、学習モデルへの入力は、ＲＡＮＳにより計算された、街区内の所定範囲の連続する各高さにおけるＸ軸、Ｙ軸、Ｚ軸の３方向それぞれの風速分布を表す画像データ３枚ずつと、予測精度向上のために適宜追加される画像データである。すなわち、高さ範囲に応じて、連続した複数枚の画像セットが軸毎の３セット用意される。
具体的には、学習モデルへの入力は、ＲＡＮＳにより計算された、街区内の所定範囲の連続する各高さにおけるＸ軸、Ｙ軸、Ｚ軸の３方向それぞれの風速分布を表す画像データ３枚ずつと、予測精度向上のために適宜追加される画像データである。すなわち、高さ範囲に応じて、連続した複数枚の画像セットが軸毎の３セット用意される。
そして、学習モデルは、この解析結果の入力に対して、入力と同一範囲の高さの連続した複数の予測結果を出力するものである。
すなわち、第２のデータ取得部１２が取得する解析結果についても、第１のデータ取得部１１と同一の範囲の高さの連続した複数の平面データである。
すなわち、第２のデータ取得部１２が取得する解析結果についても、第１のデータ取得部１１と同一の範囲の高さの連続した複数の平面データである。
図４は、本実施形態の学習モデルにおける入力データと出力データとの関係を例示する図である。
ここでは、高さ方向に連続したＲＡＮＳによる解析結果を示す例えば３２枚の画像群が３セット入力されている。
この入力データに対して、出力データも同様に、予測結果を示す３２枚の画像群が３セットである。
ここでは、高さ方向に連続したＲＡＮＳによる解析結果を示す例えば３２枚の画像群が３セット入力されている。
この入力データに対して、出力データも同様に、予測結果を示す３２枚の画像群が３セットである。
このように、高さ方向を加えた３次元の解析結果を入出力とした学習モデルにより、街区領域における３次元の風環境について、ＲＡＮＳによる解析結果をＬＥＳに相当する解析結果に補正する精度、すなわち流れ場の予測精度の向上が期待できる。
［第３実施形態］
第３実施形態では、流れ場予測装置１の機能構成は第１実施形態及び第２実施形態と同様であるが、学習モデルの構成及び入出力がいずれとも異なる。
第３実施形態では、流れ場予測装置１の機能構成は第１実施形態及び第２実施形態と同様であるが、学習モデルの構成及び入出力がいずれとも異なる。
第１のデータ取得部１１及び解析結果取得部１４は、所定範囲の高さの連続した複数の平面データを、学習モデルに入力するための解析結果として取得する。
学習モデルへは、ＲＡＮＳにより計算された、街区内の所定範囲の連続する各高さにおける風速分布を表す画像データを順次入力するのに加えて、さらに、直前の入力に応じて得られた出力が順次入力に加えられる。これにより、高さ方向に連続した複数の予測結果が順次出力される。
なお、第１実施形態及び第２実施形態と同様に、予測精度向上のために追加の情報が適宜入力されてもよい。
学習モデルへは、ＲＡＮＳにより計算された、街区内の所定範囲の連続する各高さにおける風速分布を表す画像データを順次入力するのに加えて、さらに、直前の入力に応じて得られた出力が順次入力に加えられる。これにより、高さ方向に連続した複数の予測結果が順次出力される。
なお、第１実施形態及び第２実施形態と同様に、予測精度向上のために追加の情報が適宜入力されてもよい。
図５は、本実施形態の学習モデルにおける入力データと出力データとの関係を例示する図である。
ここでは、学習モデルの一例として、時系列データを扱う回帰型ニューラルネットワークの一種であるＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）がＵ－Ｎｅｔと組み合わせて用いられている。
ここでは、学習モデルの一例として、時系列データを扱う回帰型ニューラルネットワークの一種であるＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）がＵ－Ｎｅｔと組み合わせて用いられている。
例えば、高層から低層へと順に、ＲＡＮＳによる解析結果が順次Ｕ－Ｎｅｔに入力され（１）、その出力がＬＳＴＭに入力され（２）、さらにその出力が近接する下の層のＬＳＴＭに対して入力される（３）。
このように、連続する高さの流れ場を順次予測する際に、予測結果を順次、次の入力に加えることにより、街区領域における３次元の風環境について、ＲＡＮＳによる解析結果をＬＥＳに相当する解析結果に補正する精度、すなわち流れ場の予測精度の向上が期待できる。
［第４実施形態］
第４実施形態では、流れ場予測装置１の機能構成は第３実施形態と同一であるが、学習モデルの入出力が異なる。
第４実施形態では、流れ場予測装置１の機能構成は第３実施形態と同一であるが、学習モデルの入出力が異なる。
第１のデータ取得部１１及び解析結果取得部１４は、街区内における時間方向に連続した複数の平面データを、学習モデルに入力するための解析結果として取得する。
学習モデルは、第３実施形態と同様に、複数の解析結果を順次処理するが、このとき時系列に入力されるのは、第３実施形態の高さ方向に連続するデータと異なり、時間方向に連続するデータである。これにより、時間の連続した複数の予測結果が出力される。
学習モデルは、第３実施形態と同様に、複数の解析結果を順次処理するが、このとき時系列に入力されるのは、第３実施形態の高さ方向に連続するデータと異なり、時間方向に連続するデータである。これにより、時間の連続した複数の予測結果が出力される。
すなわち、図５において、例えば、時刻の推移の順にＲＡＮＳにより解析された結果が順次Ｕ－Ｎｅｔに入力され（１）、その出力がそれぞれＬＳＴＭに入力され（２）、さらにその出力が後続の時刻に対応するＬＳＴＭに対して入力される（３）。
このように、連続する時刻の流れ場を順次予測する際に、予測結果を順次、次の入力に加えることにより、街区領域における風環境の変化について、ＲＡＮＳによる解析結果をＬＥＳに相当する解析結果に補正する精度、すなわち流れ場の予測精度の向上が期待できる。
［実験結果］
前述の実施形態による流れ場の予測精度に関して、第１の計算手法としてのＲＡＮＳによる解析結果を利用しない場合と比較した結果を示す。
ここでは、ＲＡＮＳによる解析結果に加えて、断面形状、風向、建物高さ、建物からの距離、近接するＸＹ断面（水平面）の情報を学習モデルの入力とし、第１実施形態による予測結果を例示する。
前述の実施形態による流れ場の予測精度に関して、第１の計算手法としてのＲＡＮＳによる解析結果を利用しない場合と比較した結果を示す。
ここでは、ＲＡＮＳによる解析結果に加えて、断面形状、風向、建物高さ、建物からの距離、近接するＸＹ断面（水平面）の情報を学習モデルの入力とし、第１実施形態による予測結果を例示する。
ＲＡＮＳの解析結果を用いないモデルＡに対して、ＲＡＮＳにより計算された平均風速の３成分をさらに入力する第１実施形態のケースをモデルＢとする。いずれの場合も、学習フェーズにおける正解データは、ＬＥＳにより計算された平均風速の３成分である。
具体的には、機械学習に用いるデータは、複数種類の街区について、風洞実験を再現した縮尺１／４００のモデルに対する計算結果をＲＡＮＳ及びＬＥＳそれぞれで準備した。計算メッシュは、ＲＡＮＳ及びＬＥＳで共通して約５０００万要素である。また、風向角は、０度から３６０度までを２２．５度ずつ回転した１６方位を計算した。
ＲＡＮＳ及びＬＥＳによる解析結果を表すデータは、街区領域から、Ｘ，Ｙ，Ｚ方向に７６９×７６９×３９９のセルをもつ同寸法の領域に線形補間して作成した。分割された各セルは、Ｘ，Ｙ，Ｚ方向の時間平均風速を成分として持つ。また、建物形状を表すデータは、各セル内における建物の占有率を要素とする７６９×７６９×３９９の３次元データとした。学習の際は、これらのデータをＸＹ平面（水平面）でスライスし、さらに街区の中心部分を５１２×５１２にトリミングした２次元データにして用いた。
ＲＡＮＳ及びＬＥＳによる解析結果を表すデータは、街区領域から、Ｘ，Ｙ，Ｚ方向に７６９×７６９×３９９のセルをもつ同寸法の領域に線形補間して作成した。分割された各セルは、Ｘ，Ｙ，Ｚ方向の時間平均風速を成分として持つ。また、建物形状を表すデータは、各セル内における建物の占有率を要素とする７６９×７６９×３９９の３次元データとした。学習の際は、これらのデータをＸＹ平面（水平面）でスライスし、さらに街区の中心部分を５１２×５１２にトリミングした２次元データにして用いた。
予測精度は、ＬＥＳによる解析結果を正解とみなし、これとの乖離度を評価する。
具体的には、風速ベクトルのユークリッド距離の他、次の文献Ａで示されているｈｉｔ ｒａｔｅ、及びＦＡＣ２を用いた。なお、ｈｉｔ ｒａｔｅ及びＦＡＣ２は、ＬＥＳの計算結果を真値とし、１風向のデータに関してセル毎の風速ベクトルのスカラー値を比較して算出した。
文献Ａ： Okaze et al.: Large-eddy simulation of flow around an isolated building: A step-by-step analysis of influencing factors on turbulent statistics, Building and Environment, 2021.
具体的には、風速ベクトルのユークリッド距離の他、次の文献Ａで示されているｈｉｔ ｒａｔｅ、及びＦＡＣ２を用いた。なお、ｈｉｔ ｒａｔｅ及びＦＡＣ２は、ＬＥＳの計算結果を真値とし、１風向のデータに関してセル毎の風速ベクトルのスカラー値を比較して算出した。
文献Ａ： Okaze et al.: Large-eddy simulation of flow around an isolated building: A step-by-step analysis of influencing factors on turbulent statistics, Building and Environment, 2021.
図６は、テスト用データ全体における各モデルの精度指標の平均値を示す表である。
ユークリッド距離が小さいほど、また、ｈｉｔ ｒａｔｅ及びＦＡＣ２の値が１に近いほど、ＬＥＳの計算結果を再現できていると考えることができる。
図７は、街区における高さ毎の精度指標の平均値を示すグラフである。
ユークリッド距離が小さいほど、また、ｈｉｔ ｒａｔｅ及びＦＡＣ２の値が１に近いほど、ＬＥＳの計算結果を再現できていると考えることができる。
図７は、街区における高さ毎の精度指標の平均値を示すグラフである。
モデルＡでは、図６の指標によると、全体的にはＲＡＮＳと同等程度、ＬＥＳに近い予測ができていると考えられる。しかし、図７のグラフでモデルＡとＲＡＮＳとを比較すると、モデルＡはＲＡＮＳよりも中低層部分の予測精度に課題があり、該当部分の街区の流れ場の複雑さに十分に対応できていない。
一方、モデルＢに関しては、図６に示す通り、ＲＡＮＳのユークリッド距離を約３３％改善している。さらに、図７のグラフでモデルＢとＲＡＮＳとを比較すると、モデルＢはどの高さでも何れの指標においても、ＲＡＮＳより良い結果を示している。
図８は、モデルＢ及びＲＡＮＳのそれぞれについて、ＬＥＳとのユークリッド距離の分布を示す図である。
ここでは、高さ６ｍ付近と高さ４０ｍ付近における実験結果を示している。
６ｍ付近のＬＥＳ－ＲＡＮＳの分布では距離の大きい建物隅角部周辺等において、ＬＥＳ－モデルＢの分布では誤差が補正されていることがわかる。また、４０ｍ付近の分布を比較すると、モデルＢでは、建物に起因する剥離及び後流域等での改善がみられ、ＲＡＮＳが苦手とする流れ場が改善されている。
ここでは、高さ６ｍ付近と高さ４０ｍ付近における実験結果を示している。
６ｍ付近のＬＥＳ－ＲＡＮＳの分布では距離の大きい建物隅角部周辺等において、ＬＥＳ－モデルＢの分布では誤差が補正されていることがわかる。また、４０ｍ付近の分布を比較すると、モデルＢでは、建物に起因する剥離及び後流域等での改善がみられ、ＲＡＮＳが苦手とする流れ場が改善されている。
以上のように、前述の実施形態によれば、流れ場予測装置１は、第１の計算手法（例えば、ＲＡＮＳ）による解析結果を入力データとし、より高精度な第２の計算手法（例えば、ＬＥＳ）を正解データとする教師あり学習により、街区における流れ場を予測した。
これにより、流れ場予測装置１は、処理負荷が比較的小さい第１の計算手法による解析結果を、より高精度な第２の計算手法による解析結果に相当する精度に補正することができた。
したがって、流れ場予測装置１は、複数の建物を含む街区における複雑な流れ場を高精度に、かつ、効率的に予測することができる。
これにより、流れ場予測装置１は、処理負荷が比較的小さい第１の計算手法による解析結果を、より高精度な第２の計算手法による解析結果に相当する精度に補正することができた。
したがって、流れ場予測装置１は、複数の建物を含む街区における複雑な流れ場を高精度に、かつ、効率的に予測することができる。
以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、前述した実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、実施形態に記載されたものに限定されるものではない。
例えば、前述の実施形態では、３次元の風速ベクトルを解析対象としたが、これには限られず、２次元ベクトル又はスカラー値等を対象としてもよい。
また、風速に代えて、又は加えて風圧を解析対象としてもよい。
また、風速に代えて、又は加えて風圧を解析対象としてもよい。
流れ場予測装置１による流れ場予測方法は、ソフトウェアにより実現される。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、情報処理装置（コンピュータ）にインストールされる。また、これらのプログラムは、ＣＤ－ＲＯＭのようなリムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。さらに、これらのプログラムは、ダウンロードされることなくネットワークを介したＷｅｂサービスとしてユーザのコンピュータに提供されてもよい。
１ 流れ場予測装置
１０ 制御部
１１ 第１のデータ取得部
１２ 第２のデータ取得部
１３ 学習処理部
１４ 解析結果取得部
１５ 予測処理部
２０ 記憶部
１０ 制御部
１１ 第１のデータ取得部
１２ 第２のデータ取得部
１３ 学習処理部
１４ 解析結果取得部
１５ 予測処理部
２０ 記憶部
Claims (11)
- 複数の建物を含む街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第１の計算手法に基づく解析結果を取得する解析結果取得部と、
少なくとも前記第１の計算手法に基づく解析結果を含む入力データに対して、前記第１の計算手法よりも高精度な第２の計算手法に基づく解析結果を正解データとする教師データにより学習された学習モデルに対して、前記解析結果取得部により取得された新たな解析結果を入力し、当該学習モデルの出力を前記流れ場の予測結果として出力する予測処理部と、を備える流れ場予測装置。 - 前記解析結果取得部は、前記街区における所定の高さの流れ場の情報からなる平面データを含む複数の平面データを、前記解析結果として取得し、
前記学習モデルは、前記解析結果の入力に対して、少なくとも前記所定の高さの予測結果を出力するものである請求項１に記載の流れ場予測装置。 - 前記解析結果取得部は、所定範囲の高さの連続した複数の前記平面データを前記解析結果として取得し、
前記学習モデルは、前記解析結果の入力に対して、当該入力と同一範囲の高さの連続した複数の予測結果を出力するものである請求項２に記載の流れ場予測装置。 - 前記解析結果取得部は、所定範囲の高さの連続した複数の前記平面データを前記解析結果として取得し、
前記学習モデルは、前記平面データを入力して得られる連続した高さ方向の出力を順次入力に加えることにより、高さの連続した複数の予測結果を出力するものである請求項２に記載の流れ場予測装置。 - 前記解析結果取得部は、時間の連続した複数の前記平面データを前記解析結果として取得し、
前記学習モデルは、前記平面データを入力して得られる連続した時間方向の出力を順次入力に加えることにより、時間の連続した複数の予測結果を出力するものである請求項２に記載の流れ場予測装置。 - 前記第１の計算手法に基づく解析結果は、風の剥離、後流、及び縮流の少なくともいずれかの情報を含む請求項１から請求項５のいずれかに記載の流れ場予測装置。
- 前記第１の計算手法は、ＲＡＮＳ（Ｒｅｙｎｏｌｄｓ－Ａｖｅｒａｇｅｄ Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ Ｓｉｍｕｌａｔｉｏｎ）であり、
前記第２の計算手法は、ＬＥＳ（Ｌａｒｇｅ Ｅｄｄｙ Ｓｉｍｕｌａｔｉｏｎ）である請求項１から請求項５のいずれかに記載の流れ場予測装置。 - 前記学習モデルは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）により構成される請求項１から請求項５のいずれかに記載の流れ場予測装置。
- 複数の建物を含む街区を対象領域とした流れ場について、少なくとも建物間の影響が解析される第１の計算手法に基づく第１の解析結果を取得する第１のデータ取得部と、
前記街区を対象領域とした流れ場について、前記第１の計算手法よりも高精度な第２の計算手法に基づく第２の解析結果を取得する第２のデータ取得部と、
前記第１の解析結果を含む入力データに対して、前記第２の解析結果を正解データとする教師データにより、学習モデルを更新する学習処理部と、を備える学習装置。 - 請求項１から請求項５のいずれかに記載の流れ場予測装置としてコンピュータを機能させるための流れ場予測プログラム。
- 請求項９に記載の学習装置としてコンピュータを機能させるための学習プログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/034587 WO2024057497A1 (ja) | 2022-09-15 | 2022-09-15 | 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7262694B1 true JP7262694B1 (ja) | 2023-04-21 |
| JPWO2024057497A1 JPWO2024057497A1 (ja) | 2024-03-21 |
Family
ID=86052923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023504860A Active JP7262694B1 (ja) | 2022-09-15 | 2022-09-15 | 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7262694B1 (ja) |
| WO (1) | WO2024057497A1 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08184526A (ja) * | 1994-12-28 | 1996-07-16 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
| JP2018004568A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | ニューラルネットワークを用いた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 |
| JP2021124368A (ja) * | 2020-02-05 | 2021-08-30 | 大成建設株式会社 | 風速分布推定装置及び風速分布推定方法 |
| JP2022124878A (ja) * | 2021-02-16 | 2022-08-26 | 株式会社竹中工務店 | 気象予測装置 |
-
2022
- 2022-09-15 WO PCT/JP2022/034587 patent/WO2024057497A1/ja unknown
- 2022-09-15 JP JP2023504860A patent/JP7262694B1/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08184526A (ja) * | 1994-12-28 | 1996-07-16 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
| JP2018004568A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | ニューラルネットワークを用いた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 |
| JP2021124368A (ja) * | 2020-02-05 | 2021-08-30 | 大成建設株式会社 | 風速分布推定装置及び風速分布推定方法 |
| JP2022124878A (ja) * | 2021-02-16 | 2022-08-26 | 株式会社竹中工務店 | 気象予測装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024057497A1 (ja) | 2024-03-21 |
| JPWO2024057497A1 (ja) | 2024-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elshaer et al. | Multiobjective aerodynamic optimization of tall building openings for wind-induced load reduction | |
| Xiao et al. | A new methodology for multi-objective multidisciplinary design optimization problems based on game theory | |
| Wu et al. | An Improved Teaching‐Learning‐Based Optimization Algorithm with Reinforcement Learning Strategy for Solving Optimization Problems | |
| Chen et al. | Improved particle swarm optimization-based form-finding method for suspension bridge installation analysis | |
| Cheng | Hybrid genetic algorithms for structural reliability analysis | |
| Li et al. | Dynamic wind farm wake modeling based on a Bilateral Convolutional Neural Network and high-fidelity LES data | |
| Sargolzaei et al. | Neuro–fuzzy modeling tools for estimation of torque in Savonius rotor wind turbine | |
| Bhattacharya | Evolutionary approaches to expensive optimisation | |
| Kaseb et al. | Towards CFD-based optimization of urban wind conditions: Comparison of Genetic algorithm, Particle Swarm Optimization, and a hybrid algorithm | |
| CN115470704A (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
| CN103294601A (zh) | 一种基于选择性动态权重神经网络集成的软件可靠性预测方法 | |
| Sieger et al. | A comprehensive comparison of shape deformation methods in evolutionary design optimization | |
| Ye et al. | Global optimization method using ensemble of metamodels based on fuzzy clustering for design space reduction | |
| CN103020709A (zh) | 一种基于人工蜂群算法和量子粒子群算法的优化计算方法 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| Yuan et al. | A novel multi-step reinforcement learning method for solving reward hacking | |
| Son et al. | Optimization time-cost-quality-work continuity in construction management using mutation–crossover slime mold algorithm | |
| Yi et al. | Efficient global optimization using a multi-point and multi-objective infill sampling criteria | |
| JP7262694B1 (ja) | 流れ場予測装置、学習装置、流れ場予測プログラム及び学習プログラム | |
| Li et al. | A study on urban block design strategies for improving pedestrian-level wind conditions: CFD-based optimization and generative adversarial networks | |
| Leiteritz et al. | Learning free-surface flow with physics-informed neural networks | |
| JP2020091171A (ja) | 気象予測システム、気象予測方法、および気象予測プログラム | |
| Kosicki et al. | HYDRA distributed multi-objective optimization for designers | |
| Tinmitondé et al. | Single-objective aerodynamic optimization of a streamlined bridge deck subjected to shape modification using a polynomial emulator and genetic algorithm | |
| Lückehe et al. | On evolutionary approaches to wind turbine placement with geo-constraints |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230124 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230124 |
|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20230126 |
|
| 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: 20230314 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230411 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7262694 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |