基于GA-BP神经网络的土壤-空气换热器换热量预测分析

　　摘要：文章对位于太原市一个日光温室内的土壤-空气换热器进行夏季工况试验，获得了不同运行工况下换热管内空气的温度和湿度的分布数据。试验结果表明：土壤-空气换热器具有一定的除湿效果;当换热管长度为17.2m，换热管内空气流速为2m/s时，土壤-空气换热器潜热换热量占全热换热量的31.37%，且潜热换热量在全热换热量中的占比随着换热管长度的增加而逐渐降低。文章将得到的试验数据分为训练样本和测试样本，同时，分别基于BP神经网络和GA-BP神经网络建立了土壤-空气换热器换热量的预测模型，并对模拟结果进行对比。模拟结果表明：GA算法对BP神经网络具有较好的优化作用;与基于BP神经网络建立的土壤空气换热器换热量预测模型相比，基于GA-BP神经网络建立的土壤-空气换热器换热量预测模型的预测精度较高，收敛所需的迭代次数也较少。

　　关键词：日光温室;土壤-空气换热器;GA-BP神经网络;换热量;预测

　　0引言

　　日光温室是我国应用比较广泛的设施农业建筑形式之一。日光温室内温度过高或过低都会严重影响农作物的品质和产量，而调节日光温室热湿环境须要消耗巨大的能源[1]。浅层地热能是一种分布比较广泛的可再生能源，且具有无污染、储量丰富的优点。土壤-空气换热器是一种利用浅层地热能的节能装置，该换热器不仅可以在冬季对换热管内的空气进行加温，还可以在夏季对换热管内的空气进行降温[2]。

　　文献[3]，[4]通过分析发现，将土壤-空气换热器用于处理温室热湿环境，具有良好的使用效果和经济效益。国内外学者对土壤-空气换热器的换热特性和经济性进行了大量研究。OzgenerO和OzgenerL对土耳其一个温室中的土壤-空气换热器进行了经济性分析发现，土壤-空气换热器系统的能量损失主要发生在风机和换热管处，制热时，土壤空气换热器系统的平均COP为10.51;制冷时，土壤-空气换热器系统的平均COP为10.09[5]，[6]。

　　范毅通过建立数值模型，分析了换热管进风口空气流速不同时，土壤-空气换热器的换热性能变化规律，并得到当换热管进风口空气流速为5.5m/s时，土壤-空气换热器的换热量和COP达到最大值[7]。Niu建立了一维稳态数学模型，并基于数值模拟结果拟合了用于预测土壤-空气换热器制冷量的二次回归方程[8]。陈红兵利用土壤水分迁移的一维土壤热湿传递数学模型，分析了土壤源热泵蓄热过程中土壤温度场、湿度场的变化规律[9]。

　　Wang利用热响应面法，建立了土壤-空气换热器预测系统数学模型，得到换热管进风口空气与土壤温度之间的差值，分析了换热管直径、长度和换热管内空气流速这4个因素对土壤-空气换热器系统中换热管进、出风口空气温差和显热换热能力的影响[10]。本文对日光温室中土壤-空气换热器的换热性能进行试验研究，分析了土壤-空气换热器在不同运行工况下的换热性能，同时，基于GA-BP神经网络建立了土壤-空气换热器换热量的预测模型，该模型为设计、优化土壤-空气换热器提供依据。

　　1试验简介

　　本文试验所用的日光温室位于太原市小店区，日光温室朝向为正南，长度为63m，宽度为9.7m;北墙高度为3.1m，厚度为1.04m;南墙高度为0.4m，厚度为0.18m;东、西墙厚度分别为1.0，0.65m。北墙和东、西墙均为石灰浆砌实心黏土红砖，中间加有聚苯板保温层和空心层，空心层以炉渣和土填充，屋面覆盖塑料薄膜为聚乙烯流滴性PVC膜，该膜的最高点距离地面4.1m。

　　编号为1，2，3，4的换热管的第一层埋深均为1m，第二层埋深均为2m，换热管管径均为110mm;编号为5，6，7，8的换热管的第一层埋深均为1m，第二层埋深均为2m，换热管管径均为90mm。6号换热管第一层埋管为测试管。为了便于通过水泵将换热管内冷凝水集中排出，本文将换热管按i=0.01的坡度布置，西南角为最低点。

　　2试验数据分析

　　2.1换热管内空气温度和焓值分析

　　换热管出风口空气温度随时间的变化情况。换热管进风口(L=0)处，当换热管内空气流速分别为2，4，6m/s时，换热管进风口空气温度分别为30.3～36.5，30.8～36.4，27.7～37.2℃。在换热管长度为17.2m的情况下，当换热管内空气流速分别为2，4，6m/s时，换热管出风口空气温度分别为25.0～25.9，25.4～26.5，25.6～28.0℃。综上可知，在换热管长度不变的情况下，换热管内空气流速越小，换热管出风口空气温度越低，且波动幅度也越小;在换热管内空气流速不变的情况下，换热管长度越大，换热管出风口空气温度越低，且波动幅度也越小。

　　换热管内空气流速不同时，换热管内空气平均温降随换热管长度的变化情况。换热管内空气焓降和换热管内空气温降具有类似的规律，在换热管前段，随着换热管长度的增加，换热管内空气的焓降增加得较快。当换热管长度增加到一定值时，换热管内空气焓降的增加趋势趋于稳定。换热管末端6.4m处，当换热管内空气流速分别为2，4，6m/s时，换热管单位长度空气焓降(干空气)分别为0.37，0.32，0.096kJ/kg。综上可知，换热管内空气流速越大，换热管长度对土壤-空气换热器的换热性能的影响越低。

　　当换热管长度为1.4m，换热管内空气流速分别为2，4，6m/s时，土壤-空气换热器显热换热量在全热换热量中的占比分别为53.68%，45.08%，63.51%;当换热管长度为10.8m，换热管内空气流速分别为2，4，6m/s时，土壤空气换热器显热换热量在全热换热量中的占比分别为68.89%，71.70%，78.13%;当换热管长度为17.2m，换热管内空气流速分别为2，4，6m/s时，土壤-空气换热器显热换热量在全热换热量中的占比分别为68.63%，76.83%，88.37%。

　　综上可知，随着换热管长度逐渐增加，土壤空气换热器显热换热量在全热换热量中的占比逐步变大，这是由于随着换热管长度逐渐增加，空气在换热管内发生冷凝，换热管内空气的水蒸气分压力逐渐降低，冷凝驱动力逐渐减小，潜热换热量逐渐减小，且在换热管内有水蒸气凝结，导致附着在换热管管壁的水膜逐渐变厚，使得土壤与空气换热过程中的热阻逐渐增大，换热管传热系数逐渐减小，从而导致换热管换热效果逐渐变差。

　　因此，在土壤-空气换热器使用过程中，应及时排出冷凝水。此外，当换热管内空气流速为6m/s时，换热管后段出现了潜热换热量逐渐下降的情况，这是由于换热管内冷凝水积存在管道后段造成的。

　　在换热管长度为17.2m的情况下，当换热管内空气流速为6m/s时，土壤-空气换热器全热换热量较大，为283.94W;当换热管内空气流速为4m/s时，土壤-空气换热器全热换热量为272.39W;换热管内空气流速为2m/s时，土壤-空气换热器全热换热量较小，为170.79W。

　　综上可知，随着换热管内空气流速增大，土壤-空气换热器全热换热量逐渐增大。这是由于换热管内空气流速越大，传热系数越大，可同时处理的空气更多，因此，换热量也随之增大。此外，随着换热管内空气流速增大，空气在换热管内换热时间减少，空气温降变小，减弱了传热效果，导致土壤-空气换热器全热换热量增幅趋于稳定。因此，当换热管内空气流速为6m/s时，土壤-空气换热器全热换热量仅比流速为4m/s时增加了4.24%。

　　3GA-BP神经网络模型

　　3.1BP神经网络BP(BackPropagation)神经网络是一种采用误差反向传播算法进行学习的多层前馈网络，该网络可以实现复杂的非线性映射函数，计算结果具有较高的精度。与其他预测方法相比，BP神经网络具有简单易行、对数据有较高容错性等特点，因此，是目前使用频率较多且技术较成熟的神经网络模型之一[11]，[12]。BP神经网络的拓扑结构包括输入层、隐含层和输出层。输入层和输出层的节点数由输入、输出变量的维数决定;隐含层节点数根据经验公式和试凑法确定。

　　4仿真预测分析

　　4.1建立模型

　　为了了解遗传算法对BP神经网络的优化效果，本文分别基于BP神经网络和GA-BP神经网络建立了土壤-空气换热器换热量的预测模型。该模型以换热管进风口空气的温度、相对湿度、换热管长度和换热管内空气流速作为输入变量，以土壤-空气换热器全热换热量作为输出变量，网络结构采用4-8-1结构，学习函数采用learngdm函数，训练函数采用Levenberg-Marquardt算法的trainlm函数，隐含层节点转移函数采用tansig函数，输出层节点转移函数采用purelin函数，学习速率设为0.01，最大迭代次数设为100。

　　在遗传算法的优化过程中，各参数对最终预测结果有着重要影响，因此，须要将各参数取值设置在合理的范围内，以达到理想的优化效果。遗传算法各参数设置为种群规模为50，进化次数为20，交叉率为0.5，变异率为0.04。

　　5结论

　　①在日光温室内，土壤-空气换热器的潜热换热量不应被忽视，应采用土壤-空气换热器全热换热量综合考量土壤-空气换热器的换热性能。②换热管内空气流速一定时，随着换热管长度的增加，土壤-空气换热器的换热量的增加趋势逐渐下降。当换热管内空气流速分别为2，4和6m/s时，若换热管长度从10.8m增加到17.2m，则换热管末端6.4m处，换热管单位长度空气焓降分别为0.37，0.32，0.096kJ/kg。

　　土壤论文范例：土壤环境质量新标准评价应用误区探讨

　　③换热管内空气流速与土壤-空气换热器换热量呈正相关，当换热管内空气流速逐渐增大时，土壤-空气换热器全热换热量的增量逐渐减小。相比于比换热管长度为17.2m，换热管内空气流速为4m/s的工况，当换热管长度为17.2m，换热管内空气流速为6m/s时，土壤-空气换热器全热换热量仅增加了4.24%。④基于BP神经网络和GA-BP神经网络的换热量预测模型均能够对土壤-空气换热器换热量进行预测。⑤基于GA-BP神经网络的换热量预测模型计算结果的平均相对误差为0.0797，预测结果精度优于基于BP神经网络的换热量预测模型。

　　参考文献：

　　[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：董江涛，杜震宇

转载请注明来自发表学术论文网：http://www.fbxslw.com/nylw/26203.html