空调用填料表面传热传质性能的预测分析

摘要：由于空调用填料表面传热传质过程的非线性、时变性和复杂性，难以用精确的数学模型来描述。本文借助人工神经网络强大的预测非线性功能，采用的策略是撇开了具体的空气-水在填料中的复杂传热传质过程，把它看作是一个“黑箱”，试图直接从输入到输出之间建立起描述空调用金属填料表面传热传质性能与其影响因素间关系的神经网络模型，再根据此模型来预测影响因素变化引起的金属填料表面传热传质的性能变化。利用反向传播机制对于实验数据样本进行训练和检验，检验其预测的准确性。结果表明：网络模型输出结果与实验数据比较吻合，相对误差大多在6%以内，具有较高的精度，可以实现对空调用填料表面的传热传质性能的预测。

1 引言

蒸发型空调技术虽然研究了近百年的历史，但由于传热传质过程同时存在热交换和质交换，被研究对象极其复杂，其复杂性表现为输入/输出呈现高度的非线性、时变性，复杂的信息结构等；所以至今某些理论或观点尚未为人们所共识，甚至存在争议[1～3]。这些复杂性都难以用精确的数学模型（如微分方程或差分方程）来描述，还有许多方面需要进一步研究[4,5]。

近年来，已有许多将人工神经网络方法成功地应用于实际问题预测的成功实例，特别是人工神经网络具有预测非线性系统未来行为的巨大潜力，更显示出其广阔的应用前景。蒸发型空调用的填料表面传热传质性能[6]预测是蒸发型空调研究工作的一个重要方面，又是蒸发型空调系统性能优化的前提。本文借助人工神经网络理论，建立起描述空调用填料表面传热传质性能与其影响因素间关系的神经网络模型，研究和探讨蒸发型空调系统运行参数对运行性能的影响特性，为蒸发型空调系统的预测、设计、优化和控制提供必要参考依据。

2 神经网络的概述

人工神经网络ANN是由大量处理单元（神经元）通过具有一定权重的连接通道进行许多不同的连接，而组成的非线性、自组织、自适应系统。ANN 即使在具体物理模型与数学表达式均未知的情况下，也能通过网络自身的训练，自动调节各神经元之间连接通道的权值，直到得到的实际输出与期望输出在一定误差范围内相符为止。利用这样经过训练的神经网络，可以实现对于新的输入变量信息的输出结果的预测。

基于BP算法的多层神经网络模型[7](简称BP网络)是应用较多的人工神经网络模型之一.BP算法由两部分组成:信息的正向传播与误差的反向传播.在正向传播过程中,输入信息从输入层经隐层逐层计算传向输出层. 每一层神经元的状态只影响到下一层神经元的状态。如果在输出层未得到期望的输出,则计算输出层的误差变化值,然后转向反向传播,通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值,逐次向输入层传播进行计算,再经过正向传播过程,这两个传播过程反复运用,使误差信号达到期望目标值。

此过程见图1.设输入为P，输入神经元个数为r个，隐层内有S1个神经元，激活函数为F1,输出层内有S2个神经元，对应的激活函数为F2，输出为A，目标矢量为T。隐含层中第i个神经元的输出为：

（１）

式中： 为第j个输入神经元； 为第j个输入神经元，第i个隐层神经元之间的权值， 为第i个隐层神经元的阙值。

输出层第k个神经元的输出为

（2）

式中： 为第k个输出神经元，第i个隐层神经元之间的权值， 为第k个输出神经元的阙值。

定义误差函数为

（3）

图1 BP神经网络结构示意图

3 金属填料传热传质性能的预测模型

3.1 金属填料传热传质的性能参数

金属填料型空调系统正常高效节能运行中，我们最关心的莫过于它的输入/输出性能参数，因为这些运行参数的高低从一定角度反映出空调系统运行性能的优劣。主要有：空气质量流率 （kg/s）,进口空气干球温度 （℃），进口空气相对湿度 （％），出口空气干球温度 （℃），出口空气相对湿度 （％），淋水进口温度 （℃），淋水出口温度 （℃），淋水质量流速 （kg/s）和填料两侧空气的气压差 (pa)。从空气参数特性可知：空气干球温度、湿球温度、相对湿度、焓值这四个参数中，只要知道其中两个，空气性能参数就决定了。我们采用金属填料传热传质过程的空气出口参数：出口空气干球温度 （℃）和出口空气相对湿度 （％）来描述空调系统的运行工况的优劣。

用函数关系式表达如下：

出口空气干球温度tao（℃）

（4）

出口空气相对湿度φao（％）

（5）

3.2 建立基于BP网络的预测模型

我们以x1，x2，……xn表示前向反馈（BP）神经网络的输入，用y1，y2，……y3表示输出，并且假设L个输出神经元，用F(t)表示隐层神经元的激活函数，用W1nl表示输入层神经元与隐层神经元之间的连接权值，用 表示隐层神经元与输出层神经元之间的连接权值，用 表示第1个隐层神经元的激活阀值，这样可建立BP神经网络的输入输出之间的关系式如下：

(6)

这里有K个N元函数，采用向量的记法，可记为y＝g（x，w），其中y＝（y1，y2，……yk），x＝(x1，x2，……xN)，w表示所有连接权值和激活阀值所组成的向量。

本文在金属填料传热传质性能实验中需测试的量有入口干球温度及湿球温度、出口的干球温度及湿球温度、入口水温、出口水温、淋水量、空气流速、空气流经填料的压降等9 个独立变量。通过试验不同的 （空气质量流率，kg/s）和 （淋水质量流率，kg/s）的组合，在各种 、 （空气的入口、出口干球温度，℃）、 、 （水的入口、出口温度，℃）和 （空气的入口相对湿度，％）条件下的试验数据作为学习样本，采用如下建模策略，建立神经网络模型：

取输出单元数K＝2，并记：

----出口空气干球温度（℃）， －---出口空气相对湿度（％）

取输入单元数N=8，并记 =进口空气流速 （m/s）, =进口空气干球温度 (℃)， =进口空气相对湿度 （％）， =淋水进水温度 （℃）， 淋水出水温度 （℃）， 淋水质量流速L(kg/m2s)， =出口空气干球温度 （℃）， 出口空气相对湿度 （％）

取隐层单元数L=12

由上述建模方法论述，以及为了方便起见，取θ1＝0，由此可得蒸发型空调的前馈神经网络模型的数学表达式为：

（7）

选取激活函数 ，依据参考文献[8]，可选择西格蒙德（Sigmoid）函数即：

（8）

4 预测模型的验证

本文作者在实验室，对于不同的比表面积、不同几何尺寸的金属孔板斜波纹填料的除湿冷却、加热加湿和直接蒸发冷却过程进行传热传质性能实验研究[9]。其中采用400×550×800这块填料的35组实验数据作为训练样本，其余的作为测试样本，采用BP算法对网络进行训练，通过训练得到隐含层和输出层的隐含值W和权值b矩阵。把填料块700×350×800的测试结果数值分别代入已训练的神经网络预测模型，得出填料相对应的神经网络输出值，并与相对应的测试结果比较得出其绝对误差和相对误差图表，如表1和图2所示可知，其中干球温度的最大绝对误差为0.36℃,相对湿度的最大绝对误差为1.67%，预测干球温度最大相对误差1.37%，预测相对湿度最大相对误差1.87%。总之，由神经网络模型的预测输出值与实测值的比较分析得知，预测值与实测值产生偏差很小，除个别数据外，均在允许误差范围之内。表明了该神经网络模型对填料表面传热传质性能预测的可行性和可信性。

表1 神经网络模型预测输出值与实测值的比较分析

图2 700×350×800预测值与实测值的比较

5 结论

本文从空调用填料表面传热传质性能计算和结构参数优化的难点分析开始，借助人工神经网络强大的预测非线性功能，建立了基于BP 神经网络的空调用填料表面传热传质性能的预测模型；利用反向传播机制对于实验数据样本进行训练和检验，结果表明神经网络模型的预测输出值与实测值的相对误差大多在6%以内，具有较高的精度，证实基于神经网络的模型预测影响因素变化引起的金属填料表面传热传质的性能变化的可行性和可信性，为金属填料传热传质性能的研究分析提供了新方法和新思路。

参考文献：

杨强生编.对流传热与传质.北京:高等教育出版社,1985

艾•汉佩[东德]，冷却塔（胡贤章等译），北京：电力工业出版社，1980

孙泽强.金属孔板波纹填料用于蒸发冷却空调的研究：[硕士学位论文]，天津,天津大学，1996

焦李成编著.神经网络计算.西安：西安电子科技大学出版社，1996 ，221－318

王士同等.问题求解的人工智能与神经网络方法.气象出版社，1995，148－178

Khan, Arshad Y., et al., Modelling and parametric analysis of heat and mass transfer performance of a hybrid liquid desiccant absorber[J], Energy Conversion and Management, Vol.39,(10), July, 1998, 1095－1112

嵇赟喆,涂光备，王晓杰.人工神经网络在热舒适实验研究中的应用.天津大学学报, 2004, 37(4): 332-335.

焦李成编著.神经网络的应用与实现.西安：西安电子科技大学出版，1996，307－329

由世俊，吕灿仁等.金属填料表面热质传递实验研究，制冷学报.2000(4). 35－39

作者简介：

由世俊，男，1955年出生，教授，博士生导师

联系方式：

通讯地址：天津大学 环境科学与工程学院 由世俊收

E-mail:[email protected];

Tel:

手机：