引言

在空調工程領域,空調負荷的計算是一項非常重要的工作,從某種角度來說,合理的空調負荷直接影響一個項目的順利推進。正因為該項工作很重要,因此有必要探討如何高效準確地計算空調負荷。在工程實踐中,空調負荷的計算常采用兩類方法:一是詳細計算法,通常采用冷負荷系數法和諧波反應法,按每一個圍護結構進行計算,并考慮人體、照明、設備等產生的負荷,對于夏季冷負荷,還需要逐時計算,工作量非常大;還有一個是估算法,通常利用面積指標進行估算。這兩種方法各有優(yōu)缺點,前者較準確,但效率不高;后者比較快捷,但面積指標往往沒能考慮地域的影響,在一定程度上會影響精度。鑒于此,有必要探討一種兼顧效率和精度的計算方法。

針對上述分析,本文嘗試用人工智能技術建立了該問題的算法模型。由于空調負荷計算是一個實踐性很強的工作,工程實踐中有大量的既有數據可供參考,因此,可以發(fā)揮人工智能技術的學習功能,只要用于學習的初始數據足夠多,學習模型和學習時間合理,是能夠得到較理想的計算模型的。本文以成熟的BP人工神經網絡為基礎,利用一定數量的工程數據,對算法模型進行了學習訓練,最終得到了較為合理的網絡計算模型,并對該模型進行了仿真驗證,結果表明,該模型對現有數據具有較高的擬合度,可以用來估算相關空調工程負荷。

1人工智能模型

人工智能技術是近幾年發(fā)展起來的一種機器學習技術,其利用足夠的原始數據,對機器進行反復訓練,讓機器具有一定的智能。這里以經典的BP人工神經網絡為基礎,建立算法模型。

1.1人工神經網絡

人工神經網絡是由大量處理單元互聯組成的非線性、自適應信息處理系統(tǒng)。它是在現代神經科學的基礎上提出的,試圖通過模擬大腦的工作方式進行信息處理。BP神經網絡模型拓撲結構包括輸入層、隱層和輸出層,中間層可以是單層或多層。圖1為一個典型的BP人工神經網絡拓撲結構圖,通過將已有數據代入該結構中進行學習訓練,可得到滿足一定精度要求的神經網絡模型。訓練完成后的人工神經網絡可以用來擬合已知輸入和輸出的關系,也可以預測新數據的輸出值。

針對空調負荷計算的特點,這里的輸入層參數取3個,分別為熱工分區(qū)、建筑類型和建筑面積,隱層取1層,輸出層參數取1個,為空調最大冷負荷(熱負荷的計算原理與此相同)。

1.2樣本數據

本文選用了一些來自工程實踐的數據作為網絡訓練原始數據,對相關數據做如下說明:

(1)熱工分區(qū):按照《民用建筑熱工設計規(guī)范》(GB50176一2016),我國各類建筑按熱工特性分為5個區(qū),這里分別用數字代替,1對應嚴寒地區(qū),2對應寒冷地區(qū),3對應夏熱冬冷地區(qū),4對應夏熱冬暖地區(qū),5對應溫和地區(qū)。

(2)建筑類型:用不同數字表示建筑類型,如1對應普通住宅,2對應辦公樓,3對應醫(yī)院病房,4對應教學樓等。

(3)建筑面積:可以是單體建筑,也可以是整個建筑群,用來反映項目的規(guī)模。

部分樣本數據如表1所示。

1.3訓練學習

BP人工神經網絡的訓練學習效果和隱層的確定有一定的關系,隱層的個數及每個隱層節(jié)點的個數往往通過反復試訓練確定。本文經過試訓練,確定了隱層數為1個,隱層節(jié)點選4個。

圖2~圖4為訓練學習的效果圖。

從圖2~圖4可以看出,隨著訓練次數的增多,神經網絡的誤差越來越小。本文以網絡訓練2000次的網絡結構數據作為最終計算模型。該模型的基本參數如表2所示。

1.4仿真驗證

以表1中的樣本數據為對象進行仿真驗證,為了體現出仿真效果,仿真計算長度及誤差的數據均精確到小數點后四位,結果如表3所示。

從表3可以看出,經充分訓練學習的神經網絡計算模型具有較高的精確度,可以用來計算空調系統(tǒng)的最大冷負荷。

2工程應用

上述人工神經網絡模型可以用來快速準確計算空調工程最大冷負荷,該模型還可以用在空調建設工程的許多環(huán)節(jié)。比如在項目前期,擬在某二線城市建設一個綜合樓,已知該地區(qū)位于夏熱冬暖地區(qū),建筑性質為辦公樓,擬實施的建筑面積為15000m2,要求對項目的空調冷負荷進行預測,以便于估算空調造價。這是一個典型的空調負荷計算問題,可以利用前面介紹的訓練好的人工神經網絡模型得到預測結果,如表4所示。

3結語

空調負荷的計算,直接影響項目進度和建設效果。由于工程實踐中影響空調負荷的因素有很多,很難找到一個通用簡潔的數學公式。本文介紹的人工神經網絡模型,可以針對已有的樣本數據進行訓練學習,能夠得到較高的仿真及預測精度,可以廣泛應用在相關工程實踐中。