基于GA-BP神經(jīng)網(wǎng)絡(luò)和改進粒子群算法的碰撞射流和冷卻頂板復(fù)合空調(diào)系統(tǒng)優(yōu)化

齊賀闖，葉 筱，2，高延峰，2，亢燕銘，鐘 珂

(1.上海工程技術(shù)大學(xué) 機械與汽車工程學(xué)院,上海;2.上海市大型構(gòu)件智能制造機器人技術(shù)協(xié)同創(chuàng)新中心,上海;3.東華大學(xué) 環(huán)境科學(xué)與工程學(xué)院,上海)

高效氣流組織是暖通空調(diào)領(lǐng)域的重點研究方向,其不僅對改善室內(nèi)熱環(huán)境、提高室內(nèi)熱舒適度和空氣質(zhì)量具有重要作用,還能夠?qū)崿F(xiàn)高品位負荷向低品位負荷的轉(zhuǎn)移,進而為提高低品位能源利用率提供可能[1]。隨著“雙碳”目標的提出,研究和開發(fā)具有高效氣流組織的空調(diào)系統(tǒng)的呼聲越來越高。

碰撞射流通風(impinging jet ventilation, IJV)是一種典型的下送風通風方式,其通風原理是送風氣流以較高的動量從房間下部垂直射出,撞擊地面后在殘余動量作用下沿著地板水平擴散,并在地板上方形成“空氣湖”,回風則從位于房間上部的回風口排出[2]。研究[3]表明,供冷時IJV具有與置換通風(displacement ventilation, DV)相似的分層氣流形態(tài),能夠?qū)崿F(xiàn)節(jié)能以及提供良好室內(nèi)舒適度和空氣質(zhì)量的目標。但與DV不同的是,IJV可用于供暖,并且供暖時相比混合通風(mixing ventilation, MV)能夠節(jié)約20%以上的能耗。IJV獨特的氣流組織使其有望替代MV和DV。然而,由于IJV將送風氣流直接送至人員活動區(qū),為了保證人員舒適度,須將送風速度和送風溫差控制在一定范圍[4],這導(dǎo)致其負荷承擔能力有限。Hu等[5]研究發(fā)現(xiàn),IJV供冷時的最大負荷承擔量僅為50 W/m2左右,僅能滿足一般住宅或小型辦公建筑的需求。而我國多數(shù)公共建筑(航站樓、候車廳、展廳等)通常具有大面積玻璃幕墻,這導(dǎo)致其房間負荷可達100 W/m2,甚至更高[6]。為了拓展IJV在此類高負荷空間場所的使用,必須附加額外的供冷或供熱設(shè)備,這些設(shè)備又被要求對IJV氣流組織的影響足夠小。

頂板輻射(radiant ceiling, RC)空調(diào)是一種以輻射換熱為主的空調(diào)方式,因其具有對流換熱量小的特點[7],故不會影響IJV的流型。此外,由于輻射空調(diào)不能提供房間所需新風,因此在使用時需要配備獨立新風系統(tǒng)[8]。以往研究均是將RC與MV或DV結(jié)合使用,即MV/RC或DV/RC復(fù)合空調(diào),但MV和DV自身的局限性,導(dǎo)致MV/RC仍存在節(jié)能性差、熱舒適度和空氣質(zhì)量不高的缺點[9],DV/RC供暖時存在嚴重的冷熱量抵消問題[10]。根據(jù)IJV的氣流組織特點,將其與RC結(jié)合(即IJV/RC復(fù)合空調(diào))能夠避免上述傳統(tǒng)復(fù)合空調(diào)存在的問題,并達到相輔相成、揚長避短的目的。然而,至今尚無關(guān)于IJV/RC復(fù)合空調(diào)的研究,在空調(diào)系統(tǒng)優(yōu)化設(shè)計及運行控制等方面尚缺乏可靠的理論依據(jù)。

本研究以IJV/RC復(fù)合空調(diào)為研究對象,對其用于房間供冷時的運行性能進行優(yōu)化研究。通過分析不同房間負荷條件下,設(shè)計變量如送風溫度、送風速度、冷卻頂板內(nèi)表面溫度等因素對室內(nèi)熱環(huán)境的影響,采用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)(簡稱GA-BP神經(jīng)網(wǎng)絡(luò))建立復(fù)合空調(diào)運行性能評價指標的預(yù)測模型,并基于改進粒子群(PSO)算法對復(fù)合空調(diào)運行性能進行多目標同時優(yōu)化,構(gòu)建設(shè)計變量組合條件與房間負荷的最優(yōu)匹配關(guān)系,以確保空調(diào)系統(tǒng)高效運行。

1 研究方法

利用CFD軟件模擬IJV/RC室內(nèi)熱環(huán)境,采用GA-BP算法建立IJV/RC復(fù)合空調(diào)運行性能與設(shè)計參量之間的預(yù)測模型,在對不同工況下的運行性能進行預(yù)測的基礎(chǔ)上,基于改進PSO算法進行多目標同時優(yōu)化研究,建立IJV和RC各主要設(shè)計參量的最優(yōu)匹配關(guān)系。

1.1 物理模型及邊界條件

以一個房間尺寸為長x=9.0 m、寬y=5.8 m、高z=2.7 m的8人辦公室為研究對象,房間的3D透視圖如圖1所示。碰撞射流通風系統(tǒng)的送風管道緊靠房間四角布置,送風口尺寸為0.3 m×0.3 m,送風口高度為0.6 m,兩個排風口尺寸均為0.30 m×0.55 m,對稱分布在天花板兩側(cè)。輻射冷板覆蓋于天花板下方,尺寸為7.8 m×5.3 m,覆蓋率為80%。為貼近實際,外墻上有一塊尺寸為7.5 m×2.4 m的玻璃窗(見圖1),窗墻面積比為0.74。

a—IJV送風口;b—IJV回風口;c—窗戶;d—辦公桌;e—電腦;f—坐姿人體模型;g—燈;h—冷卻頂板。圖1 物理模型Fig.1 Physical model

房間內(nèi)布置有8個簡化的人體模型(均處于坐姿狀態(tài))、8臺電腦、2張桌子和9盞燈。人體模型、電腦和燈的散熱量分別約為100 W/人、150 W/臺和35 W/盞。由內(nèi)部熱源所引起的室內(nèi)總冷負荷為2 315 W(對應(yīng)冷指標為44.3 W/m2)。為分析IJV/RC在不同房間負荷條件下的室內(nèi)熱環(huán)境參數(shù)分布特性,模擬時通過調(diào)整外圍護結(jié)構(gòu)(包括外墻和窗戶)和地面的熱通量來獲得所需的房間負荷。假定與所研究房間相鄰的房間均為空調(diào)房間,除外墻和地面為熱損失面外,其他墻面均設(shè)為絕熱面。邊界條件設(shè)置如表1所示。

表1 邊界條件Table 1 Boundary conditions

1.2 數(shù)值計算方法及網(wǎng)格獨立性驗證

1.2.1 數(shù)值計算方法

采用SIMPLE算法對壓力和速度項進行求解。關(guān)于模型的離散化,使用有限容積法離散Reynolds時均N-S方程;湍流模型采用RNGk-ε湍流模型[11];除壓力項采用標準Standard格式外,其他項均選用二階迎風格式。所有固體表面均設(shè)為無滲透和無滑移條件。輻射模型選擇discrete ordinates(DO)模型[11]。由于本研究中的溫度小于30 ℃,因此室內(nèi)空氣符合Boussinesq假設(shè)[12]。室內(nèi)氣流被認為是連續(xù)且不可壓縮的,并遵循式(1)～(3)所示的質(zhì)量、動量和能量守恒方程。

質(zhì)量守恒方程：

(1)

動量守恒方程：

ρβgi(Tref-T)

(2)

能量守恒方程：

(3)

式中：ρ為空氣密度,取1.225 kg/m3;Ui為xi方向的速度,m/s;Uj為xj方向的速度,m/s;p為空氣壓力,Pa;μ為空氣層流動力黏度,根據(jù)空氣溫度變化而不同,在壓強101.325 kPa、溫度20 ℃的條件下取1.79×10-5kg/(m·s);β為空氣熱膨脹系數(shù),3.66×10-3K-1;Tref為參考溫度,取298.5 K;T為空氣溫度,K;h為空氣定壓比焓,取295.03 kJ/kg;λ為空氣熱導(dǎo)率,取0.024 2 W/(m·K);cp為空氣定壓比熱,取1 006.43 J/(kg·K);SH為熱源,根據(jù)室內(nèi)熱源強度確定,W。

1.2.2 網(wǎng)格劃分及獨立性檢驗

采用非結(jié)構(gòu)化四面體網(wǎng)格進行網(wǎng)格劃分,對室內(nèi)溫度和速度變化較快的熱源表面、送回風口、外圍護結(jié)構(gòu)及地面附近區(qū)域的網(wǎng)格進行加密處理。網(wǎng)格數(shù)量的多少對模擬結(jié)果的準確性和計算成本有重要影響,為確定合適的網(wǎng)格數(shù)量,采用3種不同的網(wǎng)格尺寸(粗、中、細)進行網(wǎng)格無關(guān)性驗證,并選取房間中心位置處的溫度和速度沿房間高度的變化作為判別依據(jù)。圖2給出了同一運行工況條件下,不同網(wǎng)格尺寸對應(yīng)的室內(nèi)溫度和速度的模擬結(jié)果。

圖2 網(wǎng)格無關(guān)性驗證Fig.2 Grid independence test

由圖2可知：當網(wǎng)格數(shù)從110萬增加到190萬時,網(wǎng)格數(shù)量的變化對不同位置處的溫度和速度值均會產(chǎn)生一定的影響;當網(wǎng)格數(shù)由190萬增加到320萬時,網(wǎng)格數(shù)量的變化不再對模擬結(jié)果產(chǎn)生影響。因此選用網(wǎng)格數(shù)量為190萬的模型進行后續(xù)的數(shù)值模擬,其最小網(wǎng)格尺寸為0.05 m,網(wǎng)格增長因子為1.1,網(wǎng)格質(zhì)量系數(shù)為0.92。

1.3 CFD模型的合理性驗證

采用文獻[8]的試驗結(jié)果驗證本文中的數(shù)值計算方法的可靠性和合理性。試驗中測試房間的尺寸為x×y×z=3.7 m×2.8 m×2.6 m,采用地板送風和冷卻頂板復(fù)合系統(tǒng)。地板送風的送風口尺寸為0.25 m×0.25 m,排風口尺寸為0.84 m×0.24 m,位于側(cè)墻上方。冷卻頂板由11塊金屬輻射板組成,每塊尺寸為0.6 m×1.2 m,覆蓋率為76%。室內(nèi)熱源包括坐姿人體假人、電腦和燈。其中：坐姿假人用0.40 m×0.25 m×1.20 m的鐵箱替代,鐵箱內(nèi)裝有3個60 W燈泡,用于模擬人體散熱,燈泡的功率調(diào)節(jié)范圍為0～180 W;電腦用兩個尺寸為0.4 m×0.4 m×0.4 m的鐵箱子模擬,電腦內(nèi)放置2個100 W燈泡,其功率可調(diào)范圍為0～200 W;每個吊燈的功率為72 W,燈尺寸為0.2 m×1.2 m×0.05 m。房間內(nèi)共布置7個測桿,每個測桿沿高度方向布置6個測點,距離地面高度分別為0.1、0.6、1.1、1.3、1.7、2.5 m。試驗細節(jié)詳見文獻[8]。

所驗證的工況：輻射板溫度20 ℃,送風溫度21 ℃,送風速度0.7 m/s,室內(nèi)冷負荷430 W,外墻冷負荷430 W。圖3給出了測桿2、測桿5和測桿7的溫度和速度的模擬值與實測值對比。

注：θ=(ti-ts)/(te-ts),ti和te分別是測點溫度和排風溫度,ts為送風溫度;U=vi/vs,vi和vs分別是測點速度和送風速度;Z=z/h,z和h分別是測點高度和房間高度。圖3 實測值與模擬值對比Fig.3 Comparison of the measured and simulated values

由圖3可知,對于大多數(shù)測點的溫度和速度,本文的數(shù)值模擬結(jié)果與文獻[8]的實測結(jié)果和模擬結(jié)果基本吻合。溫度和速度的實測值與本文模擬值之間的最大相對誤差分別為0.10和0.11,均出現(xiàn)在近地面區(qū)域。出現(xiàn)這一現(xiàn)象的原因有兩方面：一是送風氣流被直接送至房間下部,導(dǎo)致近地面區(qū)域湍流強度波動明顯,而該區(qū)域的溫度和速度受湍流模型和離散格式的影響較大,從而帶來一定的計算偏差;二是速度值較小,存在一定的測量誤差。總體而言,采用本文的數(shù)值計算方法能夠得到較為準確的結(jié)果。

1.4 研究工況

選取送風溫度ts、送風速度vs、輻射板溫度tc、室內(nèi)冷負荷Qc共4個因素作為研究變量。采用4因素3水平的全面試驗設(shè)計。各設(shè)計變量位級的確定依據(jù)如下：

1)送風溫度。由于IJV將送風冷氣流直接送至人員活動區(qū),為避免出現(xiàn)吹風感,IJV所允許的最大送風溫差為4 ℃。夏季空調(diào)房間的設(shè)計溫度為26 ℃,因此送風溫度最低設(shè)定為22 ℃,每間隔1 ℃取1個位級。

2)送風速度。根據(jù)文獻[4]的推薦值,IJV送風速度的變化范圍取1～3 m/s,每間隔1 m/s為1個位級。

3)輻射頂板內(nèi)表面溫度。在夏季供冷季節(jié),冷卻頂板結(jié)露是復(fù)合空調(diào)系統(tǒng)的關(guān)鍵問題[13]。根據(jù)夏季室內(nèi)空氣露點溫度變化范圍(16～18 ℃),為防止頂板結(jié)露現(xiàn)象的發(fā)生,取頂板表面溫度的最低值為20 ℃,最高值為22 ℃,另一個位級為21 ℃。

4)房間冷負荷。根據(jù)《實用供熱空調(diào)設(shè)計手冊》[6],房間冷指標的變化范圍在90～200 W/m2。本文所涉及的IJV/RC復(fù)合空調(diào)旨在用于高負荷場所的供冷,故房間冷負荷變化范圍取120～180 W/m2,每間隔30 W/m2為1個位級。

共對34(81)個工況進行數(shù)值模擬。選取吹風感RPD、頭足溫差Δt、工作區(qū)平均溫度ta作為室內(nèi)熱舒適的評價指標,空氣交換效率eACE作為室內(nèi)空氣質(zhì)量的評價指標,具體計算方法見文獻[3]。

1.5 GA-BP預(yù)測模型的構(gòu)建

GA-BP預(yù)測模型的構(gòu)建流程如圖4所示。采用MATLAB R2020b建立GA-BP模型,并從1.4節(jié)中的81個工況中隨機選取65個(80%)進行模型訓(xùn)練,剩余16個(20%)用于測試模型。選用ts、vs、tc、Qc作為模型輸入,RPD、Δt、eACE、ta作為模型輸出。輸入層有4個神經(jīng)元,隱藏層有15個神經(jīng)元,輸出層有3個神經(jīng)元。利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值[14],各主要參數(shù)的最終設(shè)定值為最大迭代次數(shù)100次,種群大小60,交叉概率0.70,變異概率0.01,最大訓(xùn)練次數(shù)1000次,學(xué)習(xí)率10-6,期望誤差10-7。

圖4 IJV/RC運行性能優(yōu)化流程圖Fig.4 Flow chart of the optimization of IJV/RC operating performance

采用平均絕對誤差δMAE和絕對誤差標準差δSDAE對所建立的GA-BP預(yù)測模型進行可靠性和準確性驗證,計算公式為

(4)

(5)

式中：N為樣本個數(shù);Msim,i為CFD模擬值;Ppre,i為模型預(yù)測值。

1.6 改進PSO算法設(shè)計

PSO具有較快的計算速度和全局搜索能力[15],被廣泛應(yīng)用于組合優(yōu)化問題[16-17]。但傳統(tǒng)PSO的慣性因子和學(xué)習(xí)因子是固定的,易出現(xiàn)早熟收斂的情況。本文通過動態(tài)調(diào)整慣性因子和學(xué)習(xí)因子的組合來改進PSO,以平衡收斂速度。改進PSO的優(yōu)化流程如圖4所示。改進PSO通過更新粒子的速度和位置來尋找最優(yōu)解[18],其速度和位置更新公式如式(6)所示。

(6)

式中：M為粒子群中粒子的總數(shù),i=1,2,…,M;t為當前迭代次數(shù);tmax為最大迭代次數(shù);vi為粒子的速度;xi為粒子當前位置;r1,r2為(0,1)之間的隨機數(shù);pbest,i為第i代粒子群中的最佳適應(yīng)度;gbest,i為所有粒子的最佳適應(yīng)度。

優(yōu)化IJV/RC的目的是獲得較低的吹風感,較低的頭足溫差以及較高的空氣交換效率。取RPD、Δt及1/eACE之和的最小值F,作為適應(yīng)度函數(shù)代表對IJV/RC進行的一個定性的優(yōu)化趨勢,F值越小,意味著IJV/RC在該優(yōu)化方向上表現(xiàn)越佳。適應(yīng)度函數(shù)和約束條件如式(7)所示。

(7)

2 結(jié)果與分析

2.1 供冷模式下IJV/RC復(fù)合空調(diào)室內(nèi)熱環(huán)境分布特征

圖5給出了房間負荷Qc為120 W/m2時,單一IJV和IJV/RC復(fù)合空調(diào)室內(nèi)y=2 m平面上的溫度流線分布。

圖5 y=2 m平面上的流場和溫度場分布Fig.5 Distributions of the velocity and temperature on the plane of y=2 m

從圖5(a)可以看出,單一IJV即使在所允許的最大送風參數(shù)條件(ts=22 ℃,vs=3 m/s)下運行,室內(nèi)工作區(qū)溫度仍不能滿足設(shè)計要求,且房間上、下部存在明顯溫差,人體頭足溫差高達5 ℃,遠高于ASHRAE 55-2017規(guī)定的頭足溫差限值(3 ℃)。這證實了IJV不能在高負荷場所使用的結(jié)論。

圖5(b)～(c)表明,當IJV與RC結(jié)合使用時,室內(nèi)平均溫度明顯降低。這意味著IJV/RC比單一IJV具有較強的負荷處理能力。在輻射冷頂板的作用下,受室內(nèi)熱源加熱的熱羽流到達房間上部后被冷卻,因密度下降而轉(zhuǎn)為向下流動,使得室內(nèi)垂直溫度梯度大幅下降,從而提高室內(nèi)舒適度。圖5(b)～(c)中IJV/RC房間人體頭足溫差分別為1和4 ℃,相比圖5(a)中單一IJV房間的頭足溫差均有所降低。但是,當房間負荷相同時,IJV的送風參數(shù)和冷卻頂板內(nèi)表面溫度的匹配關(guān)系對室內(nèi)熱環(huán)境參數(shù)分布影響很大,若匹配不當,則室內(nèi)仍將出現(xiàn)頭足溫差過大的風險(圖5(c))。

2.2 GA-BP模型預(yù)測結(jié)果

圖6為16組測試集模型預(yù)測值與CFD模擬值的對比。由圖6可知,對于任一評價指標,測試集的模型預(yù)測值均能與CFD模擬值較好吻合。從表2可以看出,GA-BP模型預(yù)測的RPD、Δt、eACE、ta的δMAE和δSDAE值都很小,足以證實預(yù)測模型是可靠的。由此可見,本文所建立的GA-BP模型能夠?qū)崿F(xiàn)對IJV/RC復(fù)合空調(diào)運行性能的高精度預(yù)測[14]。

表2 GA-BP模型測試集的δMAE和δSDAE

圖6 GA-BP預(yù)測值與CFD模擬值對比Fig.6 Comparison of values of GA-BP prediction and CFD simulation

2.3 設(shè)計變量的顯著性分析

采用Spearman相關(guān)性分析探究各設(shè)計變量對IJV/RC復(fù)合空調(diào)系統(tǒng)運行性能的影響[19]。相關(guān)性分析結(jié)果如圖7所示。從圖7可以看出,ts、vs、tc、Qc與RPD的相關(guān)系數(shù)分別為-0.18、0.94、-0.11、-0.24,表明vs對RPD的影響最大,ts和Qc對RPD的影響相近,tc對RPD的影響最小;除vs外,其余設(shè)計變量均與RPD呈負相關(guān)。ts、vs、tc、Qc與Δt的相關(guān)系數(shù)分別為-0.05、-0.65、0.08,-0.06,表明vs對Δt的影響最大,且vs越大,Δt越小;tc、ts和Qc對Δt的影響可忽略不計。ts、vs、tc、Qc與eACE的相關(guān)系數(shù)分別為-0.12、-0.07、0.11、0.42,表明Qc對eACE的影響最大,且Qc越大,eACE越大;其次分別為ts和tc,vs的影響可忽略不計。ts、vs、tc、Qc與ta的相關(guān)系數(shù)分別為0.47,-0.66,0.15,0.49,表明vs對ta的影響最大,且vs越大,ta越小,ts和Qc對ta的影響相當,且均與ta呈正相關(guān),tc對ta的影響最小。由上述分析可知,增大vs可使室內(nèi)頭足溫差降低,但吹風感隨之增大;增大tc有助于降低頭足溫差和吹風感,但工作區(qū)平均溫度升高;為使工作區(qū)平均溫度下降,可通過降低ts來實現(xiàn),但室內(nèi)空氣質(zhì)量變差。因此,為確定合理的設(shè)計參量匹配關(guān)系,需要對運行性能進行多目標同時優(yōu)化研究。

圖7 Spearman相關(guān)系數(shù)Fig.7 Spearman’s correlation coefficient

2.4 改進PSO的優(yōu)化結(jié)果

對于已經(jīng)設(shè)計好的建筑,房間負荷是固定的,IJV/RC在運行過程中只能通過調(diào)節(jié)送風速度、送風溫度、輻射頂板溫度等設(shè)計變量來改變室內(nèi)熱環(huán)境。因此,采用改進PSO算法確定IJV/RC不同房間負荷下的最優(yōu)設(shè)計變量組合,對IJV/RC復(fù)合空調(diào)系統(tǒng)的運行性能進行優(yōu)化,優(yōu)化結(jié)果如表3所示。表3所示的結(jié)果可為在供冷模式下IJV/RC的設(shè)計變量優(yōu)化提供方向,以實現(xiàn)最佳的運行性能。

表3 不同房間負荷下的最優(yōu)設(shè)計變量組合和對應(yīng)的運行性能Table 3 Optimal combination of design variables and corresponding operating performance under different room cooling loads

2.5 驗證試驗

以Qc=140 W/m2為例進行優(yōu)化結(jié)果驗證。基于表3中該負荷條件下的最優(yōu)設(shè)計變量組合,對IJV/RC進行CFD數(shù)值模擬,計算空調(diào)系統(tǒng)運行性能的評價指標。將CFD計算結(jié)果與模型優(yōu)化結(jié)果進行對比,結(jié)果如表4所示。

表4 驗證優(yōu)化結(jié)果Table 4 Verify optimized results

由表4可知,各項指標的CFD計算結(jié)果和模型優(yōu)化結(jié)果間的誤差均較小,最大不超過10%,處于可接受范圍,并且適應(yīng)度函數(shù)的誤差僅為3.7%。驗證結(jié)果表明,本文建立的基于GA-BP的改進PSO優(yōu)化模型具有較高的可信度。

3 結(jié) 語

在對IJV/RC復(fù)合空調(diào)室內(nèi)熱環(huán)境進行數(shù)值模擬的基礎(chǔ)上,基于GA-BP神經(jīng)網(wǎng)絡(luò)建立了IJV/RC復(fù)合空調(diào)運行性能的預(yù)測模型,分析了設(shè)計變量對運行性能的影響。結(jié)果顯示,增大vs可使室內(nèi)頭足溫差降低,但吹風感隨之增大;增大tc有助于降低RPD,但ta升高;為使ta下降,可通過降低ts來實現(xiàn),但室內(nèi)空氣質(zhì)量變差。為確保IJV/RC兼顧提供良好室內(nèi)熱舒適和空氣質(zhì)量的雙重目標,采用改進PSO算法對運行性能進行多目標同時優(yōu)化,構(gòu)建了設(shè)計變量組合條件與房間負荷間的最優(yōu)匹配關(guān)系。本文的研究結(jié)果對IJV/RC運行參數(shù)的合理控制具有重要指導(dǎo)意義。