基于GA-BP神經網絡的土壤-空氣換熱器換熱量預測分析

所屬分類：農業論文閱讀次時間：2021-03-22 10:40

本文摘要：摘要：文章對位于太原市一個日光溫室內的土壤-空氣換熱器進行夏季工況試驗，獲得了不同運行工況下換熱管內空氣的溫度和濕度的分布數據。試驗結果表明：土壤-空氣換熱器具有一定的除濕效果;當換熱管長度為17.2m，換熱管內空氣流速為2m/s時，土壤-空氣換熱器潛

　　摘要：文章對位于太原市一個日光溫室內的土壤-空氣換熱器進行夏季工況試驗，獲得了不同運行工況下換熱管內空氣的溫度和濕度的分布數據。試驗結果表明：土壤-空氣換熱器具有一定的除濕效果;當換熱管長度為17.2m，換熱管內空氣流速為2m/s時，土壤-空氣換熱器潛熱換熱量占全熱換熱量的31.37%，且潛熱換熱量在全熱換熱量中的占比隨著換熱管長度的增加而逐漸降低。文章將得到的試驗數據分為訓練樣本和測試樣本，同時，分別基于BP神經網絡和GA-BP神經網絡建立了土壤-空氣換熱器換熱量的預測模型，并對模擬結果進行對比。模擬結果表明：GA算法對BP神經網絡具有較好的優化作用;與基于BP神經網絡建立的土壤空氣換熱器換熱量預測模型相比，基于GA-BP神經網絡建立的土壤-空氣換熱器換熱量預測模型的預測精度較高，收斂所需的迭代次數也較少。

　　關鍵詞：日光溫室;土壤-空氣換熱器;GA-BP神經網絡;換熱量;預測

土壤學報

　　0引言

　　日光溫室是我國應用比較廣泛的設施農業建筑形式之一。日光溫室內溫度過高或過低都會嚴重影響農作物的品質和產量，而調節日光溫室熱濕環境須要消耗巨大的能源[1]。淺層地熱能是一種分布比較廣泛的可再生能源，且具有無污染、儲量豐富的優點。土壤-空氣換熱器是一種利用淺層地熱能的節能裝置，該換熱器不僅可以在冬季對換熱管內的空氣進行加溫，還可以在夏季對換熱管內的空氣進行降溫[2]。

　　文獻[3]，[4]通過分析發現，將土壤-空氣換熱器用于處理溫室熱濕環境，具有良好的使用效果和經濟效益。國內外學者對土壤-空氣換熱器的換熱特性和經濟性進行了大量研究。OzgenerO和OzgenerL對土耳其一個溫室中的土壤-空氣換熱器進行了經濟性分析發現，土壤-空氣換熱器系統的能量損失主要發生在風機和換熱管處，制熱時，土壤空氣換熱器系統的平均COP為10.51;制冷時，土壤-空氣換熱器系統的平均COP為10.09[5]，[6]。

　　范毅通過建立數值模型，分析了換熱管進風口空氣流速不同時，土壤-空氣換熱器的換熱性能變化規律，并得到當換熱管進風口空氣流速為5.5m/s時，土壤-空氣換熱器的換熱量和COP達到最大值[7]。Niu建立了一維穩態數學模型，并基于數值模擬結果擬合了用于預測土壤-空氣換熱器制冷量的二次回歸方程[8]。陳紅兵利用土壤水分遷移的一維土壤熱濕傳遞數學模型，分析了土壤源熱泵蓄熱過程中土壤溫度場、濕度場的變化規律[9]。

　　Wang利用熱響應面法，建立了土壤-空氣換熱器預測系統數學模型，得到換熱管進風口空氣與土壤溫度之間的差值，分析了換熱管直徑、長度和換熱管內空氣流速這4個因素對土壤-空氣換熱器系統中換熱管進、出風口空氣溫差和顯熱換熱能力的影響[10]。本文對日光溫室中土壤-空氣換熱器的換熱性能進行試驗研究，分析了土壤-空氣換熱器在不同運行工況下的換熱性能，同時，基于GA-BP神經網絡建立了土壤-空氣換熱器換熱量的預測模型，該模型為設計、優化土壤-空氣換熱器提供依據。

　　1試驗簡介

　　本文試驗所用的日光溫室位于太原市小店區，日光溫室朝向為正南，長度為63m，寬度為9.7m;北墻高度為3.1m，厚度為1.04m;南墻高度為0.4m，厚度為0.18m;東、西墻厚度分別為1.0，0.65m。北墻和東、西墻均為石灰漿砌實心黏土紅磚，中間加有聚苯板保溫層和空心層，空心層以爐渣和土填充，屋面覆蓋塑料薄膜為聚乙烯流滴性PVC膜，該膜的最高點距離地面4.1m。

　　編號為1，2，3，4的換熱管的第一層埋深均為1m，第二層埋深均為2m，換熱管管徑均為110mm;編號為5，6，7，8的換熱管的第一層埋深均為1m，第二層埋深均為2m，換熱管管徑均為90mm。6號換熱管第一層埋管為測試管。為了便于通過水泵將換熱管內冷凝水集中排出，本文將換熱管按i=0.01的坡度布置，西南角為最低點。

　　2試驗數據分析

　　2.1換熱管內空氣溫度和焓值分析

　　換熱管出風口空氣溫度隨時間的變化情況。換熱管進風口(L=0)處，當換熱管內空氣流速分別為2，4，6m/s時，換熱管進風口空氣溫度分別為30.3～36.5，30.8～36.4，27.7～37.2℃。在換熱管長度為17.2m的情況下，當換熱管內空氣流速分別為2，4，6m/s時，換熱管出風口空氣溫度分別為25.0～25.9，25.4～26.5，25.6～28.0℃。綜上可知，在換熱管長度不變的情況下，換熱管內空氣流速越小，換熱管出風口空氣溫度越低，且波動幅度也越小;在換熱管內空氣流速不變的情況下，換熱管長度越大，換熱管出風口空氣溫度越低，且波動幅度也越小。

　　換熱管內空氣流速不同時，換熱管內空氣平均溫降隨換熱管長度的變化情況。換熱管內空氣焓降和換熱管內空氣溫降具有類似的規律，在換熱管前段，隨著換熱管長度的增加，換熱管內空氣的焓降增加得較快。當換熱管長度增加到一定值時，換熱管內空氣焓降的增加趨勢趨于穩定。換熱管末端6.4m處，當換熱管內空氣流速分別為2，4，6m/s時，換熱管單位長度空氣焓降(干空氣)分別為0.37，0.32，0.096kJ/kg。綜上可知，換熱管內空氣流速越大，換熱管長度對土壤-空氣換熱器的換熱性能的影響越低。

　　當換熱管長度為1.4m，換熱管內空氣流速分別為2，4，6m/s時，土壤-空氣換熱器顯熱換熱量在全熱換熱量中的占比分別為53.68%，45.08%，63.51%;當換熱管長度為10.8m，換熱管內空氣流速分別為2，4，6m/s時，土壤空氣換熱器顯熱換熱量在全熱換熱量中的占比分別為68.89%，71.70%，78.13%;當換熱管長度為17.2m，換熱管內空氣流速分別為2，4，6m/s時，土壤-空氣換熱器顯熱換熱量在全熱換熱量中的占比分別為68.63%，76.83%，88.37%。

　　綜上可知，隨著換熱管長度逐漸增加，土壤空氣換熱器顯熱換熱量在全熱換熱量中的占比逐步變大，這是由于隨著換熱管長度逐漸增加，空氣在換熱管內發生冷凝，換熱管內空氣的水蒸氣分壓力逐漸降低，冷凝驅動力逐漸減小，潛熱換熱量逐漸減小，且在換熱管內有水蒸氣凝結，導致附著在換熱管管壁的水膜逐漸變厚，使得土壤與空氣換熱過程中的熱阻逐漸增大，換熱管傳熱系數逐漸減小，從而導致換熱管換熱效果逐漸變差。

　　因此，在土壤-空氣換熱器使用過程中，應及時排出冷凝水。此外，當換熱管內空氣流速為6m/s時，換熱管后段出現了潛熱換熱量逐漸下降的情況，這是由于換熱管內冷凝水積存在管道后段造成的。

　　在換熱管長度為17.2m的情況下，當換熱管內空氣流速為6m/s時，土壤-空氣換熱器全熱換熱量較大，為283.94W;當換熱管內空氣流速為4m/s時，土壤-空氣換熱器全熱換熱量為272.39W;換熱管內空氣流速為2m/s時，土壤-空氣換熱器全熱換熱量較小，為170.79W。

　　綜上可知，隨著換熱管內空氣流速增大，土壤-空氣換熱器全熱換熱量逐漸增大。這是由于換熱管內空氣流速越大，傳熱系數越大，可同時處理的空氣更多，因此，換熱量也隨之增大。此外，隨著換熱管內空氣流速增大，空氣在換熱管內換熱時間減少，空氣溫降變小，減弱了傳熱效果，導致土壤-空氣換熱器全熱換熱量增幅趨于穩定。因此，當換熱管內空氣流速為6m/s時，土壤-空氣換熱器全熱換熱量僅比流速為4m/s時增加了4.24%。

　　3GA-BP神經網絡模型

　　3.1BP神經網絡BP(BackPropagation)神經網絡是一種采用誤差反向傳播算法進行學習的多層前饋網絡，該網絡可以實現復雜的非線性映射函數，計算結果具有較高的精度。與其他預測方法相比，BP神經網絡具有簡單易行、對數據有較高容錯性等特點，因此，是目前使用頻率較多且技術較成熟的神經網絡模型之一[11]，[12]。BP神經網絡的拓撲結構包括輸入層、隱含層和輸出層。輸入層和輸出層的節點數由輸入、輸出變量的維數決定;隱含層節點數根據經驗公式和試湊法確定。

　　4仿真預測分析

　　4.1建立模型

　　為了了解遺傳算法對BP神經網絡的優化效果，本文分別基于BP神經網絡和GA-BP神經網絡建立了土壤-空氣換熱器換熱量的預測模型。該模型以換熱管進風口空氣的溫度、相對濕度、換熱管長度和換熱管內空氣流速作為輸入變量，以土壤-空氣換熱器全熱換熱量作為輸出變量，網絡結構采用4-8-1結構，學習函數采用learngdm函數，訓練函數采用Levenberg-Marquardt算法的trainlm函數，隱含層節點轉移函數采用tansig函數，輸出層節點轉移函數采用purelin函數，學習速率設為0.01，最大迭代次數設為100。

　　在遺傳算法的優化過程中，各參數對最終預測結果有著重要影響，因此，須要將各參數取值設置在合理的范圍內，以達到理想的優化效果。遺傳算法各參數設置為種群規模為50，進化次數為20，交叉率為0.5，變異率為0.04。

　　5結論

　　①在日光溫室內，土壤-空氣換熱器的潛熱換熱量不應被忽視，應采用土壤-空氣換熱器全熱換熱量綜合考量土壤-空氣換熱器的換熱性能。②換熱管內空氣流速一定時，隨著換熱管長度的增加，土壤-空氣換熱器的換熱量的增加趨勢逐漸下降。當換熱管內空氣流速分別為2，4和6m/s時，若換熱管長度從10.8m增加到17.2m，則換熱管末端6.4m處，換熱管單位長度空氣焓降分別為0.37，0.32，0.096kJ/kg。

　　土壤論文范例：土壤環境質量新標準評價應用誤區探討

　　③換熱管內空氣流速與土壤-空氣換熱器換熱量呈正相關，當換熱管內空氣流速逐漸增大時，土壤-空氣換熱器全熱換熱量的增量逐漸減小。相比于比換熱管長度為17.2m，換熱管內空氣流速為4m/s的工況，當換熱管長度為17.2m，換熱管內空氣流速為6m/s時，土壤-空氣換熱器全熱換熱量僅增加了4.24%。④基于BP神經網絡和GA-BP神經網絡的換熱量預測模型均能夠對土壤-空氣換熱器換熱量進行預測。⑤基于GA-BP神經網絡的換熱量預測模型計算結果的平均相對誤差為0.0797，預測結果精度優于基于BP神經網絡的換熱量預測模型。

　　參考文獻：

　　[1]CaourisY，KittasC，SantamourisM.Regionalmonthlyestimationofgreenhouseenergyconsumption-applicationtogreece[J].Solar&WindTechnology，1989，6(3)：225-233.

　　[2]SantamourisM，MihalakakouG，ArgiriouA，etal.Ontheperformanceofbuildingscoupledwithearthtoairheatexchangers[J].SolarEnergy，1995，54(6)：375-380.

　　[3]SantamourisM，MihalakakouG，BalarasC，etal.Useofburiedpipesforenergyconservationincoolingofagriculturalgreenhouses[J].SolarEnergy，1995，55(2)：111-124.

　　[4]SantamourisM，MihalakakouG，BalarasC，etal.Energyconservationingreenhouseswithburiedpipes[J].Energy，1996，21(5)：353-360.

　　[5]OzgenerO，OzgenerL.Determiningtheoptimaldesignofaclosedloopearthtoairheatexchangerforgreenhouseheatingbyusingexergoeconomics[J].EnergyandBuildings，2011，43(4)：960-965.

　　作者：董江濤，杜震宇