model y離地高度的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

結合形態生成與建築性能評估之前期建築設計程序之建立

為了解決model y離地高度的問題，作者徐笠仁 這樣論述：

建築設計可以被視為涵蓋因何（What）、為何（Why）以及如何（How）三個工作步驟的解決策略（Problem-Solving）程序。回溯既往的學習經驗，不同階段建築設計的學習重點均聚焦在形式操作而非解決設計問題，而在形式操作過程中，對於形式美學的追尋大過於形式與機能的相互連結。設計的『為何』與『如何』被侷限在形式操作過程的合理性而非具體問題與解決設計策略的相互呼應。同時，由於學習過程中所面對的大多數建築設計操作課題，均有明確的建築機能需求指示，學習者絕少能自行釐清，從『因何』到『為何』、從『疑問』到『問題』的思維。同時，過於強調直觀式的形式美學操作訓練，亦削弱了建築機能需求與建築具體形式之

間的相互對應關係。 建築形式並非純粹出自於獨立的形式操作過程，它實際上是整體解決策略（Strategy）的具體呈現。因此，在設計發展過程中每一階段的設計決策都是有跡可循的，所有形式均來自於明確目的與手段的相互對應，其中並無任何模稜兩可或猶疑不決之處。遵循此一原則，數位演算形態生成應該被視為通過數位化模式將建築設計解決策略程序中的具體問題轉譯成為各個需求變數與相應的數學模式，並以此為依據推導出形式解決方案，而非僅將其視為數位化的形式操作工具。如何將完整的建築設計解決策略程序轉譯成為可行的數位演算形態生成邏輯的演繹與推論程序，為本研究主要之研究動機所在。 本研究旨在建立結合形態生成與建

築性能評估之前期建築設計程序。首先參考建築量體形式操作範例，將其轉譯為建築量體形態生成程序，並轉換編程為Grasshopper演算步驟，進行建築量體形態生成之邏輯演繹，藉以確認相關形態的生成控制參數。再藉由建築物理環境Ladybug Tools分析插件，就平均日照輻射量對於建築形態生成之影響進行分析。本研究主要的研究變數包括建築量體形態生成程序與其相關的控制參數，以及環境控制參數三者，主要目標希望推論出--『在環境控制參數最佳化的情形下，形態生成控制參數與生成結果之最佳解為何?』。此一問題屬於多目標最佳化問題（Multi-Objective Optimization Problem），依循基因

演算法（Genetic Algorithm），最佳化問題之解為最適應種群的基因編碼。而在演算所得每一代中，通過適應度函式計算得出適應度數值Fitness Value）對種群內的個體進行評估，並按照適應度高低排序種群個體。本研究通過形態生成控制參數產生各代種群個體的基因編碼，並以環境控制參數定義適應度目標參數。之後採用包含基因演算法與帕雷托最優（Pareto Optimal）之 Wallacei X 分析插件，進行形態生成與建築效能評估之多目標最佳化分析。 研究結果顯示，變動程序A—Extrude實體路徑向量序列以及實體路徑截面寬度與高度兩種形態生成控制參數，同時變動程序D—Nest建構線

序列、建構線點位參數以及虛空間規模等形態生成控制參數，均會增加建築量體總體積與總表面積，從而減少平均日照輻射量並增加平均陰影量。以 Wallacei X 分析插件針對程序A—Extrude與程序D—Nest進行最佳化分析後發現，採用平均適應度級別（Average of Fitness Ranks）分析方法進行最優方案選擇，程序A—Extrude最優方案計算所得之平均適應度級別，趨近於邊界量體與生成建築量體體積差值。而程序D—Nest最優方案計算所得之平均適應度級別，趨近於最終建築量體方案之總表面積。

基於深度學習與遷移學習進行風機風速預測

為了解決model y離地高度的問題，作者劉紀酉 這樣論述：

台灣海峽具有良好風場條件，世界上風力最強 20 處離岸風場，其中16 處位於台灣海峽。政府為落實非核家園以及降低碳排放政策，推動再生能源發展，目標於 2025 年前增加風機裝置容量至 6.9 GW、年發電量 235億度、年減碳量 1250 萬噸，由此可見，風力發電在台灣具高度發展潛力。風能屬於間歇性能源，隨著風力發電於電網比重提高易造成電力系統不穩，若能準確預測風速，電力調度單位將有較多時間可以應對以節省成本，亦能幫助風機進行預測性維修。隨著新風機增加，對資料量不足新風機進行風速預測成為一種挑戰，資料量稀少可能造成訓練模型預測效能較差，而舊風機豐富資料訓練之預測模型不一定適用於新風機。本研究

為解決此問題，利用彰濱工業區風機資料，結合台灣電力公司離地 67 公尺風機運轉風速資料與中央氣象局離地 10 公尺氣象預報風速資料，透過深度學習與遷移學習方法建立風機運轉風速模型，成功從資料量充足舊風機提取風速特徵關係遷移至資料量稀少新風機進行微調，建立適用於新風機之風機運轉風速預測模型。研究結果顯示，無論是和舊風機相同或相異風場之新風機，對新風機進行風速預測之風機運轉風速預測模型中，利用遷移學習建立之最佳目標域風速預測模型 RMSE 最低，優於使用新風機 1 個月資料建立之風機運轉風速預測模型，亦優於直接使用舊風機 1 年資料建立之風機運轉風速預測模型。