检索结果-南通市图书馆

作者：张唯一深圳大学

学位级别：硕士

地热能作为可再生能源,可以通过能源桩系统从能源桩周土体内提取,并为上部建筑提供能量,从而减少建筑领域的碳排放。然而,由于能源桩系统初期投资成本高、后期运维效率低等问题,地热能在建筑领域的充分利用尚且有待发展。当能源桩系统... 详细信息

地热能作为可再生能源,可以通过能源桩系统从能源桩周土体内提取,并为上部建筑提供能量,从而减少建筑领域的碳排放。然而,由于能源桩系统初期投资成本高、后期运维效率低等问题,地热能在建筑领域的充分利用尚且有待发展。当能源桩系统在实际运行时,对能源桩的换热性能进行精准预测可以辅助制定精准动态的控制策略,从而优化能源桩换热性能、减少能源桩系统的运行能耗,并缩短投资回收期。能源桩的换热性能预测是受到多种不确定性因素影响的非线性动态预测问题。人工智能中的深度学习网络模型可以挖掘数据中的隐藏信息,并找寻到各个变量之间的隐含关系,非常适用于解决能源桩换热性能预测这类非线性问题。因此,本文对深度学习网络在能源桩换热性能预测中的应用进行了研究。首先,本文基于能源桩缩尺模型实验数据,建立并验证了相应的能源桩有限元数值模型。基于该数值模型,模拟了处于不同环境(有无地下水影响,地质体分层)、不同工况(持续运行,间歇运行)及不同材料(普通混凝土能源桩、相变混凝土能源桩)的能源桩运行过程,并获得相应的监测数据,从而构建神经网络模型训练所需要的数据集。考虑到能源桩换热性能受到桩周土体温度场的高度影响,因此训练数据集中除了包括能源桩进水口温度,出水口温度之外,还包括桩周土体温度场数据。其次,本文在不同的能源桩工况下,构建了多种单一神经网络模型,包括人工神经网络(Artificial Neural Network,ANN)、卷积神经网络(Convolutional Neural Network,CNN)、递归神经网络(Recurrent Neural Network,RNN)和长短期记忆(Long–short-term Memory,LSTM)神经网络,进行了能源桩换热性能预测。同时,考虑到桩周土体温度监测数据具有强烈的时间及空间关联性,本文构建了可以提取数据集中时空特征的CNN-LSTM混合神经网络模型。并根据各网络的预测数据,对网络的预测能力进行了评估。并且,本文研究了传感器在能源桩周不同的布置方式所提取的土体温度场特征的不同对网络预测性能的影响。本文的研究结果表明,CNN-LSTM网络可以利用CNN来提取桩周温度场数据的空间特征,LSTM处理监测数据的时间特征,与其他模型相比在对能源桩换热性能的预测中具有优势性。同时,本文经过对比研究发现,在利用土体温度数据对能源桩换热性能进行预测时,应尽量使传感器布置在能源桩周相近的温度等值面内,以使数据集充分反应能源桩周土体的温度场。经过验证,本文所提出的预测方法适用于能源桩系统循环水流量发生改变和采用间歇运行策略的工况。本文的研究成果可以用来辅助指导能源桩系统的控制策略制定,具有重要的实用价值。

关键词：能源桩换热性能预测数值模型土体温度场深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

应用不同深度学习代理模型的灯笼型扰流柱通道换热性能分布预测方法比较

引用

西安交通大学学报 2024年第2期58卷 31-42页

作者：高尚鸿张韦馨杨克峰汪翔宇丰镇平西安交通大学能源与动力工程学院西安710049

为提高对灯笼型扰流柱通道端壁面的换热分布预测能力,构建并比较了几种深度学习代理模型的预测性能。应用数据驱动的思想,建立了多项式响应面模型(RSM)、径向基函数模型(RBF)、径向基神经网络模型(RBFNN)、Kriging模型和总体平均近似模... 详细信息

为提高对灯笼型扰流柱通道端壁面的换热分布预测能力,构建并比较了几种深度学习代理模型的预测性能。应用数据驱动的思想,建立了多项式响应面模型(RSM)、径向基函数模型(RBF)、径向基神经网络模型(RBFNN)、Kriging模型和总体平均近似模型(Ensemble)共5种传统代理模型以及5种基于生成对抗网络的深度学习代理模型,包括有残差网络的pix2pix模型、pix2pixHD模型、CycleGAN模型、StarGAN模型以及单一无残差网络的pix2pix模型,以扰流柱截面参数为设计变量,通过拉丁超立方抽样分别得到了样本数为50、25、12、6和3的训练集,并根据扰流柱尾迹高换热区分布特点,将训练样本数为50的数据集分为宽样本数据集和窄样本数据集,比较了不同代理模型对端壁面换热性能的预测精度、计算成本和泛化能力。结果表明:有残差网络的pix2pix模型相比于无残差网络的pix2pix模型,预测精度得到有效提高,在样本数为50的情况下,面平均值预测误差从0.68%降低到0.32%,平均相对误差从6.89%降低到6.41%,而且当训练样本数减少时,有残差网络的模型预测能力更加突出;传统代理模型的时间成本可忽略不计,但深度学习模型的单卡训练时间较长,且增加残差网络后的模型计算成本更高;当训练样本数为50时,传统代理模型和深度学习模型之间预测精度差异不大;当训练样本数逐渐减少时,深度学习代理模型展示出更高的预测精度和泛化能力;Kriging模型虽然泛化能力强,但是预测结果趋同;RSM模型、RBF模型和Ensemble模型泛化能力最差,训练样本数较少时,预测结果严重失真。可见在换热性能预测方面,深度学习模型在预测精度与泛化能力上均有显著优势,尤其适合于小样本问题,对提高灯笼型扰流柱截面设计效率具有参考价值。

关键词：燃气轮机代理模型深度学习扰流柱换热性能预测

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：