[論文レビュー] Investigation of wind pressures on tall building under interference effects using machine learning techniques

Gang Hu, Lingbo Liu+3 more|arXiv (Cornell University)|Aug 20, 2019

Wind and Air Flow Studies参考文献 57被引用数 4

ひとこと要約

本研究では、東京都市大学の風洞実験データベースから30%のデータのみを用いて、幹渉効果下における高層建物の風圧係数を予測するために生成対抗ネットワーク（GANs）を採用した。30%のデータで学習したGANsモデルは、他の機械学習モデルを上回り、未観測の幹渉条件下でも平均および揺動圧力係数を正確に予測でき、風洞実験に要する試験回数を最大70%まで削減可能である。

ABSTRACT

Interference effects of tall buildings have attracted numerous studies due to the boom of clusters of tall buildings in megacities. To fully understand the interference effects of buildings, it often requires a substantial amount of wind tunnel tests. Limited wind tunnel tests that only cover part of interference scenarios are unable to fully reveal the interference effects. This study used machine learning techniques to resolve the conflicting requirement between limited wind tunnel tests that produce unreliable results and a completed investigation of the interference effects that is costly and time-consuming. Four machine learning models including decision tree, random forest, XGBoost, generative adversarial networks (GANs), were trained based on 30% of a dataset to predict both mean and fluctuating pressure coefficients on the principal building. The GANs model exhibited the best performance in predicting these pressure coefficients. A number of GANs models were then trained based on different portions of the dataset ranging from 10% to 90%. It was found that the GANs model based on 30% of the dataset is capable of predicting both mean and fluctuating pressure coefficients under unseen interference conditions accurately. By using this GANs model, 70% of the wind tunnel test cases can be saved, largely alleviating the cost of this kind of wind tunnel testing study.

研究の動機と目的

• 高層建物の群集における幹渉効果を検討するための風洞実験の高コストと範囲の制限を解決すること。
• 最小限の実験データで、未観測の幹渉条件下における風圧を正確に予測可能な機械学習モデルの開発。
• 決定木、ランダムフォレスト、XGBoost、GANsの複数の機械学習モデルの性能を評価・比較し、風圧係数を予測する能力を検証すること。
• GANsモデルが多様な幹渉状況において信頼性のある予測を達成するための最小データサイズを特定すること。
• 膨大な物理的試験を要せず、構造設計に役立てる高分解能の幹渉要因マップの作成を可能とすること。

提案手法

• 東京都市大学の空気力学データベースから得たデータセットの30%を用いて、決定木、ランダムフォレスト、XGBoost、および生成対抗ネットワーク（GANs）の4つの機械学習モデルを学習した。
• GANsアーキテクチャを用いて、さまざまな建物配置、風向、間隔比における風圧係数データの背後分布を学習した。
• 予測値と実騈値の風圧係数との間の決定係数（R²）および平均二乗誤差（RMSE）などの統計指標を用いて、モデルの性能を評価した。
• データセットの一部（10%～90%）を段階的に増やしながら複数のGANsモデルを学習し、データ効率性とモデルの汎化性能を評価した。
• 最良の性能を示したGANsモデルを、未観測のテストケースに対して検証し、未試験の幹渉構成に対する予測精度を確認した。
• 訓練済みのGANsモデルを活用して、元の風洞実験ケースの70%を物理的試験なしに予測した。

実験結果

リサーチクエスチョン

• RQ1 限られた風洞実験データのサブセットで学習した機械学習モデルは、幹渉効果下における高層建物の風圧係数を正確に予測できるか？
• RQ2 決定木、ランダムフォレスト、XGBoost、GANsのうち、どの機械学習モデルが未観測の幹渉条件下でも平均および揺動圧力係数を最もよく予測できるか？
• RQ3 GANsモデルが多様な建物配置および風況下で信頼性があり汎用的な予測を達成するための最小データサイズは何か？
• RQ4 訓練済みのGANsモデルは、幹渉効果の研究において物理的風洞実験をどの程度代替可能か？試験回数の削減はどの程度見込まれるか？
• RQ5 訓練済みのGANsモデルは、従来の試験では困難な高分解能の力およびモーメント係数の幹渉要因マップを生成できるか？

主な発見

• GANsモデルは、全テスト条件において決定木、ランダムフォレスト、XGBoostを上回り、平均および揺動圧力係数の両方を正確に予測した。
• 2,664件の全データセットのうち30%のデータで学習したGANsモデルが、全データセットで学習したモデルと同等の予測精度を達成した。
• 訓練データを増やすことで性能が向上するのは30%未満の範囲が最も顕著であり、それ以上のデータ量では利得が著しく減少した。
• 30%のデータで学習したGANsモデルは、臨界的場所における高い動的増幅を示す未観測の幹渉条件下でも、風圧係数を正確に予測できた。
• モデルにより、物理的試験なしに風洞実験ケースの70%を予測可能となり、風工学研究におけるコストと時間の大幅な削減が可能となった。
• 本研究では、小規模なデータサブセットで学習したGANsモデルが、全データで学習したモデルよりも効果的であることが示された。これは、より優れた汎化性能とノイズ低減効果によるものである。