بهترین آموزش های کاربردی در شهرسازی
بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید
Thursday, 27 June , 2024
امروز : پنج شنبه, ۷ تیر , ۱۴۰۳
شناسه خبر : 23473
  پرینتخانه » مقالات تاریخ انتشار : 20 ژوئن 2024 - 3:30 | 9 بازدید | ارسال توسط :

پایداری | متن کامل رایگان | طراحی بهینه سازی تهویه محیطی داخلی در ساختمان ها بر اساس مدل بهبود یافته SVR-PSO

برای تعیین روش‌های تهویه بهتر، از دینامیک سیالات محاسباتی در مطالعه استفاده شد و یک مدل عددی سازماندهی جریان هوا و انتشار آئروسل ساخته شد. این مطالعه یک روش تهویه بهتر را از طریق ساخت یک مدل عددی تعیین کرد. برای بهینه‌سازی بیشتر روش‌های تهویه بهتر و تعیین موقعیت‌های بهتر برای هوای برگشتی و ورودی، […]

پایداری |  متن کامل رایگان |  طراحی بهینه سازی تهویه محیطی داخلی در ساختمان ها بر اساس مدل بهبود یافته SVR-PSO


برای تعیین روش‌های تهویه بهتر، از دینامیک سیالات محاسباتی در مطالعه استفاده شد و یک مدل عددی سازماندهی جریان هوا و انتشار آئروسل ساخته شد. این مطالعه یک روش تهویه بهتر را از طریق ساخت یک مدل عددی تعیین کرد. برای بهینه‌سازی بیشتر روش‌های تهویه بهتر و تعیین موقعیت‌های بهتر برای هوای برگشتی و ورودی، یک مدل ریاضی بهینه‌سازی چند محدودیتی مطالعه و ساخته شد و یک الگوریتم PSO بهبودیافته برای حل آن طراحی شد.

۲٫۱٫ ساخت مدل های عددی برای سازماندهی جریان هوا و انتشار آئروسل

برای یافتن ایمن‌ترین و راحت‌ترین روش تهویه داخلی، از روش‌های شبیه‌سازی عددی برای ساخت مدل‌های عددی برای سازماندهی جریان هوا و انتشار آئروسل استفاده شد. بر اساس سازماندهی جریان هوای داخلی و انتشار آئروسل تحت روش‌های مختلف تهویه، این مطالعه فناوری‌های تهویه داخلی را انتخاب کرد که باید در آینده بهینه شوند. چهار روش تهویه داخلی برای مطالعه انتخاب شدند، یعنی تهویه مختلط، میدان جریان “باران هوا”، تامین هوای کف، و تهویه جابجایی. برای شبیه‌سازی روش‌های مختلف تهویه، از شبیه‌سازی‌های دینامیک سیالات محاسباتی (CFD) در این مطالعه استفاده شد. شبیه‌سازی CFD می‌تواند تأثیر عوامل غیرقابل کنترل را از بین ببرد، موقعیت‌های متعدد را در زمان کوتاهی شبیه‌سازی کند، و اصلاح پارامتر نیز بسیار راحت است. [۱۶]. برای معادله کنترل پایه فاز پیوسته، فرضیه بوسینسک برای رسیدگی به شناوری ناشی از اختلاف دما در مطالعه اتخاذ شد. بیان کلی معادله کنترل فاز پیوسته در رابطه (۱) نشان داده شده است. [۱۷].

اس فی = r g فی تی + × ( r g فی U g سی فی درجه فی )

در معادله (۱) فی نشان دهنده متغیر کلی است، نشان دهنده اپراتور همیلتونی است، سی فی یعنی ضریب انتشار تعمیم یافته، اس فی به اصطلاح منبع تعمیم یافته اشاره دارد، r به معنی چگالی سیال، تی نشان دهنده زمان است، U g ترکیب گاز را نشان می دهد، g شتاب گرانشی است، محاسبه مشتقات جزئی است، r g چگالی گرانش است و درجه سیستم درصدی است. ویژگی های جریان هوای داخل خانه، جریان آشفته است. برای شبیه‌سازی عددی جریان آشفته، از روش میانگین‌گیری رینولدز که یک روش شبیه‌سازی عددی غیرمستقیم است، در مطالعه استفاده شد. مدل‌های k-ε و k-ω در مدل ویسکوزیته گردابی متوسط ​​رینولدز، مدل‌های آشفتگی رایج هستند. [۱۸]. برای شبیه‌سازی بهتر جریان آشفته، این مطالعه مدل تنش برشی k-ε را اتخاذ کرد که مزایای مدل‌های k-ε و k-ω را ترکیب می‌کند. فرآیند انتشار همرفتی ذرات میکروبی در میدان‌های جریان داخلی را می‌توان به عنوان یک جریان دو فازی گاز-جامد در نظر گرفت. برای حل مشکل جریان دو فازی، این مطالعه از روش ردیابی ذرات برای شبیه‌سازی عددی استفاده کرد که یک مدل ذرات پراکنده گسسته است. معادله مسیر حرکت یک ذره در رابطه (۲) نشان داده شده است.

د تو دبلیو د تی = اف دی ( تو تو دبلیو ) + g ( r دبلیو r ) r دبلیو + اف من

در معادله (۲) اف دی ( تو تو دبلیو ) نشان دهنده نیروی کشش سیال است که بر ذرات اثر می گذارد، g ( r دبلیو r ) r دبلیو نشان دهنده گرانش و شناوری است که بر روی ذرات اثر می گذارد، اف من نشان دهنده نیروی اضافی وارد بر ذرات است، تو دبلیو نشان دهنده سرعت حرکت ذرات است، تو به سرعت حرکت جریان هوا اشاره دارد، r دبلیو چگالی ذرات است و دبلیو نشان دهنده ذرات است، د تی عملکرد دیفرانسیل را نشان می دهد و د نماد عملکرد دیفرانسیل است. نیروی اضافی وارد بر ذرات در نشان داده شده است شکل ۱.
از جانب شکل ۱مشاهده می شود که نیروهای اضافی وارد بر ذرات عمدتاً شامل نیروی تعلیق، نیروی جرم مجازی، نیروی گرادیان فشار، نیروی شنای حرارتی، بالابر Saffman و نیروی Basset است. محاسبه نیروی تعلیق در رابطه (۳) نشان داده شده است. [۱۹].

اف ب = پی ۶ د دبلیو ۳ ( r دبلیو r ) g

در معادله (۳) د نشان دهنده قطر ذره (ساده شده به عنوان یک کره)، و اف ب نشان دهنده نیروی تعلیق است. این مدل نیاز به ترکیب شرایط مرزی فاز گسسته، از جمله شرایط مرزی بازتاب، شرایط مرزی، شرایط مرزی فرار، شرایط مرزی جت دیوار، شرایط مرزی لایه نازک دیوار، و شرایط مرزی تعریف‌شده توسط کاربر دارد. در میان آنها، شرایط مرزی انعکاس، گرفتن و گریز از همه مهمتر هستند، همانطور که در نشان داده شده است شکل ۲.
که در شکل ۲، من ۱ و من ۲ به ترتیب زوایای تابش و بازتاب را نشان می دهند. شکل ۲a-c شرایط مرزی انعکاس ذرات، جذب و گریز را به ترتیب نشان می دهد. برای شرایط مرزی انعکاس، عمدتاً لازم است اتلاف انرژی ناشی از برخورد غیرالاستیک با دیوار در نظر گرفته شود. هنگامی که محاسبه مسیر پایان می یابد، ذرات به عنوان “تسخیر شده” ثبت می شوند. هنگامی که یک ذره با یک مرز فرار مواجه می شود، “فرار” می کند و محاسبه مسیر نیز متوقف می شود. نمودار شماتیک مدل فیزیکی محاسبه عددی در نشان داده شده است شکل ۳.
از جانب شکل ۳مشاهده می شود که طول، عرض و ارتفاع مدل فیزیکی محاسبات عددی به ترتیب ۳٫۵ متر، ۲٫۴ متر و ۳ متر است. فاصله بین دو مدل انسانی ۰٫۵ متر است و یک نفر منبع عفونت است، در حالی که فرد دیگر یک فرد مستعد است. در سطح بدن، کف اتاق، سقف و میز، شرایط مرزی در مطالعه استفاده می‌شود، در حالی که در دهان انسان، خروجی هوا و خروجی اگزوز، شرایط مرزی فرار در مطالعه استفاده می‌شود.

۲٫۲٫ طراحی الگوریتم بهبود یافته SVR-PSO برای بهینه‌سازی چند هدفه روش‌های تهویه

برای شبیه سازی سازمان جریان هوا و انتشار آئروسل در داخل ساختمان، یک مدل عددی مربوطه ساخته شد. بر اساس این مدل عددی، آسایش حرارتی و انتشار آئروسل تحت روش‌های مختلف تامین هوا شبیه‌سازی شد. بر اساس نتایج شبیه‌سازی، این مطالعه میدان جریان «باران هوا» سودمندتری را برای بهینه‌سازی بیشتر انتخاب کرد. نتایج شبیه سازی خاص بعدا توسعه داده خواهد شد. میدان جریان «باران هوا» می‌تواند انتشار آلاینده‌های داخل خانه را مهار کند، اما کاستی‌هایی نیز وجود دارد، مانند نیاز به کف‌های معلق و سقف‌های معلق در سراسر خانه. با این حال، کفپوش معلق پرهزینه است و تمیز کردن آن دشوار است [۲۰]. بنابراین، این مطالعه بهینه‌سازی چند هدفه را از موقعیت‌های هوای برگشتی و هوای ورودی انجام می‌دهد. با توسعه هوش مصنوعی، الگوریتم های بیشتری برای حل مسائل دنیای واقعی توسعه می یابد. PSO دارای مزایای سادگی، دقت بالا و همگرایی سریع است و در حل مسائل عملی مزایای خوبی دارد. فرآیند اصلی الگوریتم PSO در نشان داده شده است شکل ۴ [۲۱].
از جانب شکل ۴، اولین مرحله از فرآیند الگوریتم PSO، مقداردهی اولیه سرعت و موقعیت هر ذره است و مرحله دوم، محاسبه ارزش تناسب هر ذره است. مرحله سوم محاسبه مقدار بهینه فردی برای هر ذره و مرحله چهارم محاسبه مقدار بهینه جهانی برای هر ذره است. مرحله پنجم بهینه سازی سرعت و موقعیت ذرات و مرحله ششم انجام پردازش شرایط مرزی است. مرحله هفتم تعیین اینکه آیا شرایط محدودیت برآورده شده است یا خیر. اگر مشخص شود که بله، نتیجه خروجی فرآیند را پایان می دهد. در غیر این صورت به مرحله سوم برمی گردد. با این حال، الگوریتم PSO مستعد قرار گرفتن در بهینه محلی است، بنابراین تحقیقات آن را بهینه می کند. SVR یکی از شاخه های مهم ماشین بردار پشتیبانی است که می تواند هزینه محاسباتی را تا حد زیادی کاهش دهد [۲۲]. بنابراین، این مطالعه از SVR برای بهینه سازی PSO و تشکیل الگوریتم SVR-PSO استفاده خواهد کرد. فرآیند اصلی SVR در نشان داده شده است شکل ۵.
از جانب شکل ۵، فرآیند اصلی SVR شامل توابع رگرسیون، وزن ها، توابع هسته، بردارهای پشتیبانی و نمونه های آزمایشی است. در میان آنها، ایکس ۱ ، ایکس ۲ ، ، ایکس ل ورودی است، اوه ۱ ، اوه ۲ ، ، اوه ل وزن است، ل نشان دهنده شماره سریال و ایکس نمونه آزمایشی است ک ( ایکس ل ، ایکس ) تعداد کل شماره های سریال را نشان می دهد. تابع هسته مورد استفاده در مطالعه تابع هسته گاوسی است. بیان تابع رگرسیون در رابطه (۴) نشان داده شده است.

f ( ایکس ) = اوه ایکس + ب

در معادله (۴) ب نشان دهنده آستانه است. روش جستجوی کمترین ریسک رگرسیون در SVR در رابطه (۵) نشان داده شده است.

دقیقه اوه ، ب ، g ، g ۱ ۲ اوه تی اوه + سی L = ۱ ل ( g L + g L )

در معادله (۵)، g L خطای آموزشی حد بالایی را نشان می دهد و g L خطای آموزش حد پایین را نشان می دهد. سی عبارت جریمه تنظیمی است و L هست L -ام اوه تی نشان دهنده جابجایی وزن ها است. برای به حداقل رساندن ریسک رگرسیون در SVR، همانطور که در رابطه (۶) نشان داده شده است، باید محدودیت ها رعایت شوند.

س . تی . { y L ( اوه ، ایکس + ب ) ه + g L ( اوه ، ایکس + ب ) y L ه + g L g L ، g L ۰

در معادله (۶) ه نشان دهنده تابع از دست دادن غیر حساس، و y L دومین ورودی در تابع هسته است. بیان کلی تابع هسته در رابطه (۷) نشان داده شده است.

ک ( ایکس ، y ) = انقضا ( پ ایکس y ۲ )

در معادله (۷) پ پارامتر هسته تابع هسته را نشان می دهد و ایکس و y هر دو متغیر ورودی تابع هسته هستند. تابع رگرسیون نهایی در رابطه (۸) نشان داده شده است.

f ( ایکس ) = L = ل ل ( آ L آ L ) ک ( ایکس L ، ایکس j ) + ب

در معادله (۸) آ L و آ L هر دو ضرایب لاگرانژی هستند و مقادیر آنها ≥ ۰ است. ک ( ایکس L ، ایکس j ) تابع هسته است. ایکس L و ایکس j مقادیر ورودی در تابع هسته هستند، جایی که j ترتیبی است. برای استفاده بهتر از عملکرد الگوریتم SVR-PSO، تحقیقات آن را برای تشکیل الگوریتم نهایی PSO-SVR-PSO بهینه کرد. رویکرد بهینه‌سازی خاص این است که ابتدا از الگوریتم SVR-PSO برای ساخت یک مدل پیش‌بینی برای داده‌های CFD استفاده می‌شود و پس از آن محاسبه تکراری PSO برای انجام بهینه‌سازی چند هدفه در حالت تهویه انجام می‌شود. فرآیند بهینه سازی الگوریتم PSO-SVR-PSO در نشان داده شده است شکل ۶.
از جانب شکل ۶، بهینه سازی الگوریتم PSO-SVR-PSO عمدتاً به دو بخش تقسیم می شود. بخش اول تولید داده های CFD و بخش دوم فرآیند خاص الگوریتم است. اولین مرحله در تولید داده‌های CFD، وارد کردن داده‌ها است و مرحله دوم، حل معادله کنترل برای محاسبه میدان جریان فاز پیوسته است. مرحله سوم محاسبه مسیر ترم گسسته و مرحله چهارم به روز رسانی میدان جریان فاز پیوسته از طریق کوپلینگ دو فاز است. مرحله پنجم تعیین همگرا بودن محاسبات است. اگر همگرا شود، پارامترهای میدان جریان را محاسبه می کند. در غیر این صورت به مرحله اول برمی گردد. اولین مرحله در فرآیند خاص الگوریتم PSO-SVR-PSO، وارد کردن داده‌های CFD است و مرحله دوم، پیش پردازش داده‌ها است. مرحله سوم، تقسیم داده ها به داده های آموزشی و داده های آزمایشی است. مرحله چهارم مقداردهی اولیه پارامترهای SVR است. مرحله پنجم آموزش مدل SVR است و مرحله ششم ترکیب داده های تست برای تعیین همگرایی مدل است. اگر همگرایی رخ دهد، مدل پیش‌بینی SVR را خروجی می‌دهد، سپس اندازه دامنه PSO را کاهش می‌دهد و پارامترها را برای PSO بهینه می‌کند. در غیر این صورت، پارامترهای بهینه سازی PSO به طور مستقیم انجام می شود. گام هفتم این است که تعیین کنید آیا شرایط کاری بهینه است یا خیر. اگر مشخص شود که شرایط کاری بهینه است، شرایط کار بهینه را خروجی می دهد. در غیر این صورت به مرحله چهارم برمی گردد. برای بهینه‌سازی چند محدودیتی روش‌های تهویه، معیارهای ارزیابی مورد استفاده در مطالعه شامل احتمال آلودگی، آسایش حرارتی، ضریب استفاده از انرژی و ضریب غیریکنواختی سرعت است. اندازه‌گیری‌های راحتی گرمایی از شاخص‌های میانگین رای پیش‌بینی‌شده و شاخص‌های درصد ناراضی پیش‌بینی‌شده (PMV-PPD) استفاده کردند. راه حل پیش بینی میانگین رای پ م V در رابطه (۹) نشان داده شده است.

پ م V = [ ۰٫۳۰۳ exp ( ۰٫۰۳۶ M ) + ۰٫۰۲۸ ] پ

در معادله (۹) م نشان دهنده میزان متابولیسم بدن انسان است و پ نشان دهنده مخفف فرمول است. گسترش خاص از پ در رابطه (۱۰) نشان داده شده است.

پ = م { ۳٫۹۶ × ۱۰ ۸ f سی را [ ( T C η + ۲۷۳٫۱۵ ) ۴ ( T r + ۲۷۳٫۱۵ ) ۴ ] + f سی را ساعت سی ( تی سی را تی ) + ۳٫۰۵ × ۱۰ ۳ [ ۵۷۳۳ ۶٫۹۹ ( M ) Q α ] + ۰٫۴۲ ( م ۵۸٫۱۵ ) + ۱٫۷ × ۱۰ ۵ م ( ۵۸۶۶۷ س آ ) + ۰٫۰۰۱۴ م ( ۳۴ تی ) }

در معادله (۱۰) کار مکانیکی انجام شده توسط بدن انسان را نشان می دهد و f سی را نشان دهنده ارتباط بین ضریب سطح پوشش بدن انسان و مقاومت حرارتی لباس است. تی سی را دمای سطح لباس انسان را نشان می دهد، در حالی که تی r میانگین دمای تابش را نشان می دهد. ساعت سی نشان دهنده ضریب انتقال حرارت سطحی بین هوای داخل ساختمان و لباس انسان است و تی نشان دهنده دمای هوا در محدوده فعالیت انسان است. س آ فشار جزئی بخار آب در مجاورت بدن انسان است. سی نشان دهنده لباس انسان است و سی را نمایانگر ظاهر لباس انسان است. محاسبه از f سی را در معادله (۱۱) نشان داده شده است.

f سی را = { ۱٫۲۹ من سی را + ۱ ، من f من سی را < ۰٫۰۷۸ ۰٫۶۴۵ من سی را + ۱٫۰۵ ، o تی ساعت ه r w من س ه من سی را ۰٫۰۷۸

در معادله (۱۱) من سی را نشان دهنده مقاومت حرارتی لباس انسان است. محاسبه از تی سی را در معادله (۱۲) نشان داده شده است.

تی سی را = ۳۵٫۷ ۰٫۰۲۸ ( م پ ) من سی را { ۳٫۹۶ × ۱۰ ۸ f سی را [ ( T C η + ۲۷۳٫۱۵ ) ۴ ( T r + ۲۷۳٫۱۵ ) ۴ ] + f سی را ساعت سی ( تی سی را تی ) }

علاوه بر این، محاسبه از ساعت سی در رابطه (۱۳) نشان داده شده است.

ساعت سی = { ۱۲٫۱ تو ¯ ۰٫۵ ، من f ۲٫۳۸ ( تی سی را تی ) ۰٫۲۵ < ۱۲٫۱ تو ¯ ۰٫۵ ۲٫۳۸ ( تی سی را تی ) ۰٫۲۵ ، o تی ساعت ه r w من س ه ۲٫۳۸ ( تی سی را تی ) ۰٫۲۵ ۱۲٫۱ تو ¯ ۰٫۵

در معادله (۱۳) تو ¯ نشان دهنده سرعت جریان هوای داخلی است. محاسبه ضریب مصرف انرژی در معادله (۱۴) نشان داده شده است.

= اچ ب اچ س اچ n اچ س

در معادله (۱۴) اچ ب دمای اگزوز را نشان می دهد، اچ n نشان دهنده میانگین دمای منطقه فعالیت انسان در محیط داخلی است و اچ س دمای هوای عرضه را نشان می دهد. این مطالعه چهار معیار ارزیابی مختلف را نرمال و وزن کرد. بیان مدل ریاضی بهینه سازی چند محدودیتی E الگوریتم PSO-SVR-PSO در معادله (۱۵) نشان داده شده است.

E = ۰٫۳ × | اف ۱ | + ۰٫۳ × اف ۲ ۰٫۲۵ × اف ۳ + ۰٫۱۵ × اف ۴

در معادله (۱۵)، اف ۱ ، اف ۲ ، اف ۳ ، و اف ۴ به ترتیب نشان دهنده توابع هدف شاخص آسایش حرارتی PMV-PPD، احتمال آلودگی، ضریب استفاده از انرژی و ضریب غیر یکنواختی سرعت است.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | طراحی بهینه سازی تهویه محیطی داخلی در ساختمان ها بر اساس مدل بهبود یافته SVR-PSO
,۲۰۲۴-۰۶-۲۰ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/12/5256

به اشتراک بگذارید
تعداد دیدگاه : 0
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.