基于神经网络模型的中庭热环境全动态模拟方法研究

1、基于神经网络模型的中庭热环境全年动态模拟方法研究清华大学建筑技术科学系 秦蓉 诸群飞 王闯 燕达 江亿摘要 作为一种大空间建筑，中庭热环境的设计和组织控制比常规建筑空间更为复杂，现有的空调设计方法很难再满足实际工程设计的需要。本文从中庭热物理环境入手，分析影响中庭热状况的各影响因素，在此基础上提出了一种全新的基于神经网络模型的中庭热环境全年动态模拟方法。该方法借助神经网络，将建筑热过程模型和空气流动传热模型耦合到一起，能够在保证合理的计算量的前提下进行全年动态模拟计算。通过这种方法的研究，可以使中庭的全年能耗和热环境参数分布得到合理的预测，更好地满足工程设计需要。关键词 中庭热环境 神经网络

2、动态模拟 DeST1. 前言中庭作为一种大空间建筑，大面积透明围护、温室效应和烟囱效应、各种自然通风或机械通风手段，使其内部的热环境较普通房间复杂的多，传统的空调设计方法很难满足实际工程设计的需要。目前的建筑能耗模拟软件在分析全年动态热环境变化时，一般采用集总参数法，把房间内的空气视为一个温度节点来处理1。而对于中庭这种存在明显温度分层的大空间，希望获得空气热状况的分布信息，单点参数的模型显然无法满足要求，并不能有效地辅助中庭建筑环境的设计。而应用较为广泛的计算流体力学（CFD）方法，虽然能够细致分析中庭的空气流动和对流换热，但由于其计算量庞大，受到计算机性能的局限，目前仅停留在对流场的稳态模

3、拟研究阶段，无法与动态热环境模拟软件耦合来完成对中庭的全年动态热环境模拟。因此，希望能够在对中庭热环境做全年动态模拟时，既能获得CFD那样详细的参数，又能保证较小的计算量和计算时间。这就需要提出一种新的方法，能够对CFD细致描述的中庭流场加以压缩，再用压缩的简化模型与动态热环境模拟软件耦合，实现对中庭的全年动态模拟。2. 研究思路对于中庭来说，其热环境影响因素包括：太阳辐射，各壁面与空气的对流换热，各壁面间的长波辐射，人员、灯光、设备与空气的对流换热，人员、灯光、设备与壁面的辐射换热，自然通风，空调热量，邻室传热等。CFD图1 中庭热环境物理模型如图1所示，将中庭沿内壁面隔开，取出中间空气作为

4、CFD模拟对象， CFD的输入参数包括各壁面温度，热扰对流项，以及空调的送风参数或自然通风参数；输出参数为整个中庭流场。通过存储和压缩CFD对中庭中间空气的模拟信息，并用压缩后的信息替代CFD的实时计算，从而完成与热环境模拟软件联合迭代求解分布参数的过程，能够有效地将CFD计算融入热环境模拟软件的构架中。通过这种新的建筑热过程动态模型，可以实现中庭大空间的分布参数的全年模拟计算。由于压缩的信息参数较多，有的参数是连续的（如壁面温度），有的则是离散的（如是否有空调），且输入量和输出量之间的关系十分复杂，因此选用神经网络法来做拟合。神经网络是一种能够很好地对多变量输入输出过程进行拟合的方法。它是从

5、微观结构和功能上对人脑的抽象、简化，是模拟人类智能的一条重要途径，能够反映人脑功能的若干基本特征，可用于预测、分类、模式识别、非线性回归、过程控制等各种数据处理的场合2。因此，本课题的研究思路主要是利用神经网络模型作为桥梁，将热环境模拟软件和气流组织模拟软件CFD联合起来，以实现中庭热环境的全年动态模拟。图2 CFD与建筑热过程动态模型的联合求解3. 研究方法根据以上研究思路，可以拟定研究方法流程图如下：图3 研究方法流程图首先，针对中庭热环境和气流组织全年变化特点，确立影响中庭热环境的关键因素，选取典型CFD工况；其次，提出一种较好的神经网络模型，对典型工况加以拟合，建立能够描述中庭全年各时

6、刻流场与温度场的简化模型，最后，联合建筑热过程动态模拟软件与模拟中庭流场温度场的神经网络模型，实现中庭热环境的全年动态模拟。3.1 选择典型工况作CFD模拟由于本文中提出的基于神经网络模型的研究方法，其核心思想是利用CFD模拟若干个典型工况，然后用一种拟合方法将以上几个工况进行拟合，获得输入参数和输出参数之间的关系式，从而进一步通过该关系式获得全年中其它工况下的分布参数。因此，如何选择能够代表全年不同模式下的中庭典型热环境工况是研究重点。只有典型工况越全面，训练出的神经网络模型才能够更精确地描述中庭性能。但同时，由于受到CFD模拟计算量的限制，典型工况的数量要求尽量控制在一定范围内。根据对中庭

7、热环境的分析，选取典型工况作CFD模拟就是确定若干组输入参数的问题，这里具体指的就是各壁面温度，热扰对流项，以及空调送风或自然通风这些参数如何取值的问题。为此，可以先根据目前热环境动态模拟软件简化处理中庭的方法，模拟中庭全年热状况，得到各输入参数的全年变化情况；再根据空调季、过渡季以及供暖季的不同热环境，以及空调负荷、太阳辐射等影响因素，综合选取典型工况作CFD模拟。3.2 神经网络模型的建立由于壁面温度和相邻空气温度（或其与空气的对流换热量）两个参数之间的存在着非线性的关系，因此我们必须找到一种能处理非线性变换的神经网络。目前，能解决这种非线性问题，较普遍的方法是采用BP神经网络。BP神经网

8、络通常是指基于误差反向传播算法（BP算法）的多层前向神经网络，是目前应用最为广泛的神经网络学习算法。它采用Sigmoid型可微函数，可以实现输入和输出间的任意非线性映射，在诸如函数逼近、模式识别、数据压缩等领域有着更加广泛的应用3。在设计BP神经网络模型中，需要确定输入层、隐层和输出层。输入层的单元个数为上文中提到的输入参数的个数。输出层神经元个数为输出参数的个数。当输入模式和输出模式相当不同时，需要增加隐层，形成输入信号的中间转换。当确定神经网络模型框架后，需要对该模型作训练。由于神经网络靠学习来记住问题应有的模式，所以在训练网络时，训练数据应尽可能包含问题的全部模式，神经网络是靠已有的经验

9、来进行训练的，只有经验数据越丰富，越全面，训练过的网络性能才越好。 在本文中，根据对全年不同热环境下不同类型的CFD典型工况的模拟，分别对典型工况提取相应输入输出参数，用其中部分工况作为神经网络的训练数据，部分工况用来检验神经网络的正确性。3.3基于神经网络模型的中庭热环境全年动态模拟当训练出合适的神经网络模型后，需要与具体的建筑热过程动态模拟软件联合，以实现中庭全年热环境模拟。本文中采用了DeST（Designers Simulation Toolkits）作为实现这种方法的平台。DeST求解建筑热过程的基本方法是状态空间法4。状态空间法对房间围护、室内家具等在空间上进行离散，建立各离散节点

10、的热平衡方程，并保持各节点的温度在时间上连续；然后求解房间内所有节点的热平衡方程组，得到表征房间热特性的一系列系数；在此基础上，将房间表示成热响应系数和各种热扰的函数，联立求解所有房间的空气节点热平衡方程。中庭内壁面热平衡方程： 式中为中庭内壁面与空气的对流换热系数(W/m2.K)；为房间室温；为中庭内壁面吸收的透过窗户的太阳辐射热量(W/m2)；为室内其它热源（人员、灯光、设备等）以辐射方式传至该表面的热量；为温度为的另一表面与该表面的长波辐射换热系数。在神经网络模型与DeST耦合迭代时，首先假定空气温度初值，在DeST中计算中庭内壁面温度，将此温度作为神经网络模型的输入参数，输出与各壁面相

11、邻的空气温度，再返回DeST的热平衡方程求解壁面温度，迭代直至温度值收敛。4. 案例4.1 案例概况实例中的某封闭中庭位于北京，其四周环绕着办公室，且顶部有一个天窗。中庭的长、宽、高分别为10m，10m，18m（如图4）。中庭的底部为走廊，为了确保底部人员的舒适性，采用定风量空调系统，在中庭的南墙上设有送风口，北墙上设有回风口，上侧送下侧回。送风口为矩形百叶风口，风口距地面高度3.5m。送风参数为送风量3200m/h，共设4个送风口，间隔2.5m。送风口尺寸为0.28*0.2m，风速4.0m/s。回风口为矩形百叶风口，距地面0.4m，间隔2.5m一个，共设4个。送风口尺寸为0.45*0.2m。

12、图4 中庭及其周边房间示意图中庭的空调系统间歇，空调区的温湿度的设定如下表：表1 中庭空调区的温湿度的设定参数设定值温度上限28下限18湿度上限65%下限30%室内热扰的设定如表2所示表2 中庭室内热扰的设定值人员密度(人/m2)新风(m3/人/hr)灯光(W/m2)设备(W/m2)0.12010104.2 CFD典型工况的选取将中庭各内壁面温度，以及空调送风温度作为输入参数，这样一共有7个输入参数。根据各输入参数的全年变化情况，以及空调负荷、太阳辐射等影响因素，综合选取典型工况作CFD模拟。表3 输入参数的取值范围输入参数温度（）南墙2035北墙2045东墙2045西墙2040地板2040天

13、花板1540送风温度18264.3 神经网络模型的建立选用二层前向BP神经网络,包括输入层，隐层和输出层。输入层包括七个输入参数。输出层的神经元个数等于输出参数的个数。通过比较不同隐单元数下的误差，最终确定了神经网络的隐单元个数，其典型工况下的CFD模拟结果和神经网络模拟结果比较如下：图5 典型工况模拟示意图（垂直方向）4.4 基于神经网络模型的中庭热环境动态模拟如图6所示，通过全年逐时动态计算，获得中庭的全年逐时冷负荷曲线。由于封闭式中庭是起到室内外温差缓冲作用的过渡地段，不论室外空气温度如何变化，中庭内平均温度波动要小的多，因此一般来说，封闭式中庭一般能处于舒适温度区5。此外，由于该中庭的

14、周围有办公建筑包围，因此其几乎没有热负荷，而冷负荷较小。图6 中庭空调区全年逐时冷负荷曲线5. 总结本文提出了一种全新的基于神经网络模型的中庭热环境全年动态模拟方法，它通过神经网络存储和记忆CFD的模拟信息，完成与建筑热过程动态模型联合求解中庭热环境的过程，从而替代CFD与建筑热过程动态模型的直接联合求解，克服了CFD计算量大，难以用于动态计算的问题，同时保留了模拟结果细致准确的优点。文章最后的案例表明该方法可以应用于实际工程中，并为其选择合理的空调系统方案提供依据。参考文献：1雷涛. 气候的缓冲与调节中庭空间节能的计算模拟研究：硕士学位论文. 北京清华大学建筑学院. 20042袁曾任. 人工神经元网络及其应用. 北京：清华大学