CN111191316B - 一种基于响应面的建筑自然通风性能优化模型及优化方法 - Google Patents
一种基于响应面的建筑自然通风性能优化模型及优化方法 Download PDFInfo
- Publication number
- CN111191316B CN111191316B CN202010011130.0A CN202010011130A CN111191316B CN 111191316 B CN111191316 B CN 111191316B CN 202010011130 A CN202010011130 A CN 202010011130A CN 111191316 B CN111191316 B CN 111191316B
- Authority
- CN
- China
- Prior art keywords
- optimization
- response surface
- model
- geometric parameters
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
- Ventilation (AREA)
Abstract
本发明涉及建筑技术领域,提供了一种基于响应面的建筑自然通风性能优化模型及优化方法。包括:参数化建模模块,CFD数值模拟模块,通过调用所述参数化建模模块进行批量模拟计算;敏感性分析模块,通过相关性分析确定各所述几何参数的敏感性指标,筛选关键的所述几何参数;响应面建构模块,通过读取所述参数管理器的数据,选择相应的实验设计方法和响应面算法对关键的所述几何参数展开响应面模型建构和精度验证;多目标优化模块,通过选择优化算法调用所述响应面模型的数据展开迭代寻优,获得优化候选方案。本发明的有益效果在于:整合了参数化建模技术、CFD数值模拟技术、响应面方法、遗传优化搜索技术,实现了建筑自然通风性能的快速优化。
Description
技术领域
本发明涉及建筑技术领域,更具体地说,是涉及一种基于响应面的建筑自然通风性能优化模型及优化方法。
背景技术
方案阶段是自然通风设计的基础和关键环节,有关空间形态因子的设计决策将会对自然通风性能产生根本性的影响。近年来,随着CFD数值模拟技术与人工智能的发展,既有研究开始在方案设计阶段对二者耦合并展开迭代计算,实现自然通风性能引导下建筑形态的自动寻优。以上自然通风性能优化流程均遵循如下步骤:首先在设计空间中生成一定数量的样本,通过CFD平台进行自然通风性能的批量模拟,然后利用优化算法调用模拟结果进行分析和比较,以比较的结果作为指导,再获取下一批更好的样本,如此循环往复直至“优化”的目标达成。整个优化进程由优化算法进行驱动,无需人力参与,实现了自然通风性能引导下空间形态的“自动生成”。然而在优化进程中,利用优化算法评价的基础是对大量样本自然通风性能的批量模拟,而每一次CFD数值模拟都需要建模-网格-模拟-后处理等一系列复杂流程,动辄需要几十分钟到几小时甚至更长时间,巨大的计算成本难以对方案阶段的快速决策进行有效支持。
针对上述问题,既有研究尝试搭建满足建筑初期设计需求的可视化物理风洞,替代计算耗时的CFD数值模拟,进行建筑风环境的模拟、数据测量及性能反馈。利用风洞试验可以快速获得流场数据,通过优化算法驱动机械装置的运动,实现建筑形态的自动优化与生成。以上基于风洞试验的优化方法,可以解决计算周期和精度的问题,但限于实验成本和建造难度,难以在方案设计阶段广泛应用。
发明内容
本发明的目的在于提供一种基于响应面的建筑自然通风性能优化模型及优化方法,以解决现有技术中存在的技术问题。
为实现上述目的,本发明提供的技术方案是:一种基于响应面的建筑自然通风性能优化模型,包括:参数化建模模块,通过内置的参数管理器编译参数间的函数表达式,建立起各几何参数间的耦合关系;CFD数值模拟模块,通过调用所述参数化建模模块,对自然通风性能指标展开批量计算,计算后的数据导入参数管理器;敏感性分析模块,可读取所述参数管理器的数据,通过相关性分析确定各所述几何参数的敏感性指标,筛选关键的所述几何参数;响应面建构模块,通过读取所述参数管理器的数据,选择相应的实验设计方法和响应面算法对关键的所述几何参数展开响应面模型建构和精度验证;多目标优化模块,通过选择优化算法调用所述响应面模型的数据展开迭代寻优,获得优化候选方案。
另一方面,本发明提供的另一技术方案是:一种基于响应面的建筑自然通风性能优化方法,包括:步骤(1),提取建筑空间模型的几何参数,确定自然通风性能的评价指标,并采用参数化建模模块进行建模;步骤(2),采用敏感性分析模块计算各所述几何参数的敏感性指标,筛选关键几何参数;步骤(3),通过实验设计对所述关键几何参数的组合进行抽样,形成一定数量的均匀分布样本,利用CFD数值模拟模块调用参数化模型进行批量计算,获得所述均匀分布样本的输出数据;步骤(4),以所述实验设计的输出数据为基础,采用相应的算法进行数据的拟合与插值,构建响应面模型;同时对所述响应面模型的预测精度进行验证,满足精度要求则进入优化环节,否则进行新的所述实验设计。
可选实施例中,步骤(5):利用优化算法调用所述响应面模型进行迭代寻优,直至优化目标达成。
可选实施例中,基于空气流经建筑的次序,所述步骤(1)中的所述几何参数分为四个层级,分别为进风口层级、交界面层级、腔体层级和出风口层级。
可选实施例中,所述进风口层级的几何参数包括进风口个数、进风口宽度、进风口距地距离和进风口高度;所述交界面层级的几何参数包括交界面开口个数、交界面开口宽度缩放系数、交界面开口距地距离和交界面开口高度;所述腔体层级的几何参数包括腔体截面边长、腔体高度;所述出风口层级的几何参数包括出风口边长缩放系数。
可选实施例中,所述步骤(1)中的自然通风性能的评价指标主要为空气龄、温度和风速。
可选实施例中,所述步骤(2)中的所述关键几何参数为所述进风口个数、进风口宽度、进风口距地距离、进风口高度、交界面开口个数、交界面开口宽度缩放系数、交界面开口距地距离、腔体截面边长和出风口边长缩放系数。
可选实施例中,所述步骤(3)中,所述均匀分布样本的数据为300组,提取所述空气龄值、温度平均值和风速平均值,采用二阶多项式、神经网络或Kriging法构建所述步骤(4)中的所述响应面模型。
可选实施例中,所述响应面模型为多维的超曲面数学模型,可建立输入参数与输出参数之间的映射关系。
可选实施例中,所述步骤(5)中,采用多目标遗传算法调用所述步骤(4)中的所述响应面模型的数据进行快速寻优,获得的所述优化目标包括优化候选方案以及所述几何参数的优化区间。
本发明的有益效果在于:
(1)本发明提出了响应面的建筑自然通风性能优化模型及优化方法,包括参数敏感性分析、实验设计、响应面模型建构、多目标优化等过程,实现了自然通风性能引导下的建筑形态的快速生成,为方案阶段自然通风优化设计提供了有效支持。
(2)本发明提出了响应面的建筑自然通风性能优化模型及优化方法,整合了参数化建模技术、CFD数值模拟技术、响应面方法、遗传优化搜索技术,实现了建筑自然通风性能的快速优化。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一实施例提供的基于响应面的建筑自然通风性能优化方法的流程示意图。
图2为本发明一实施例提供的基于响应面的建筑自然通风性能优化模型平台示意图。
图3为本发明一实施例提供的基于响应面的建筑自然通风性能优化模型中的典型模型示意图。
图4为本发明一实施例提供的基于响应面的建筑自然通风性能优化模型中的典型模型内部的气流组织示意图。
图5为本发明一实施例提供的基于响应面的建筑自然通风性能优化方法中的11个几何参数的敏感性分析示意图。
图6为本发明一实施例提供的基于响应面的建筑自然通风性能优化模型中的响应面模型示意图。
图7为本发明一实施例提供的基于响应面的建筑自然通风性能优化模型中的响应面模型精度验证示意图。
图8为本发明一实施例提供的基于响应面的建筑自然通风性能优化方法中的迭代次数示意图。
图9为本发明一实施例提供的基于响应面的建筑自然通风性能优化方法中的帕累托前沿示意图。
图10为本发明一实施例提供的基于响应面的建筑自然通风性能优化方法中的非支配解中的优化方案示意图。
图11为本发明一实施例提供的基于响应面的建筑自然通风性能优化方法中的优化方案的参数区间分布示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,当部件被称为“固定于”或“设置于”另一个部件,它可以直接或者间接位于该另一个部件上。当一个部件被称为“连接于”另一个部件,它可以是直接或者间接连接至该另一个部件上。术语“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置为基于附图所示的方位或位置,仅是为了便于描述,不能理解为对本技术方案的限制。术语“第一”、“第二”仅用于便于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明技术特征的数量。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本实施例的目的在于提供了一种基于响应面的建筑自然通风性能优化模型。采用ANSYS17.0搭建优化平台,ANSYS Workbench提供了与优化流程相对应的多个功能模块和各模块协同工作的环境,模块相互之间数据可以自由读取与调用。与优化流程相对应,优化平台包含以下五个模块:参数化建模模块、CFD数值模拟模块、敏感性分析模块、响应面建构模块、多目标优化模块,如附图1所示。Design Modeler为参数化建模模块,通过内置的参数管理器编译参数间的函数表达式,建立起各参数间的耦合关系。Fluent为CFD数值模拟模块,通过调用参数化模型,对自然通风性能指标展开批量计算,计算后的数据导入参数管理器(Parameter Set)。Parameter Correlation为敏感性分析模块,可读取参数管理器数据,通过相关性分析确定各几何参数敏感性指标,筛选关键参数。Response Surface为响应面建构模块,通过读取参数管理器数据,选择合理的实验设计方法和响应面算法对关键参数展开响应面模型建构和精度验证。Response Surface Optimization为多目标优化模块,可选择适宜优化算法调用响应面模型数据展开迭代寻优,获得优化候选方案。
具体地,基于上述模型,本发明另一实施例中还提供了一种基于响应面的建筑自然通风性能优化方法,如附图2所示,首先提取空间模型的几何参数,确定自然通风评价指标,并采用参数化建模技术进行建模。采用敏感性分析方法计算各几何参数的敏感性指标,利用有限数量的样本点拟合一个连续的响应面来模拟真实极限状态曲面,以此构建输入变量和筛选关键几何参数。通过实验设计对关键参数组合进行抽样,形成一定数量均匀分布的样本,利用CFD数值模拟程序调用参数化模型进行批量计算,获得样本的输出数据。以实验设计环节的离散数据为基础,采用相应算法进行数据的拟合与插值,构建响应面模型。同时对其预测精度进行验证,若满足精度要求则进入优化环节,反之则进行新一轮的实验设计。最后,利用优化算法调用响应面模型进行迭代寻优,直至优化优化目标达成。实现了自然通风性能引导下的建筑形态的快速生成,为方案阶段自然通风优化设计提供了有效支持。
表1几何参数及其值域
可选实施例中,对50座典型全民健身中心提取典型空间模型,如附图3所示,两层多功能运动厅竖向层叠,周围四层附属空间L型围合。每层运动厅平面尺寸为40mX60m,高度为12m,可容纳1块手球场、3块篮球场、3块网球场、4块排球场、12块羽毛球场、24块羽毛球场,根据不同的运动需求可进行场地的灵活转换与组合。为形成气流运动的连续路径,需在建筑纵深部位植入竖向腔体构建自然通风***。在各类腔体中,通风竖井平面尺寸小,周边布置的方式保证了大空间运动的完整性,具有广泛的应用潜力,因此本研究采取周边竖井的腔体植入方式。按照空气流经建筑的次序,将影响自然通风的形态因子分为四个层级:进风口、交界面、腔体、出风口,如附图4所示。提取4个层级形态因子的11个几何参数,结合调研数据确定值域,如表1所示。从空气品质、热舒适性和体育运动的工艺要求三方面出发,采用空气龄、温度和风速三个指标对自然通风性能进行评价。在CFD数值模拟中,分别提取一、二层1.5m高处参考平面的空气龄值、温度值和平均风速值,并计算各指标一、二层的平均值作为输出结果。
具体地,建构响应面所需样本数量会随着输入参数的数量显著增长,从而大幅增加计算成本。因此,首先对参数进行敏感性分析,筛选关键参数。采用随机抽样方法获得200组输入参数数据,利用参数化模型调用CFD数值模拟软件Fluent17.0对模型的空气龄、温度和风速进行计算。在Parameter Correlation敏感性分析模块中采用spearman等级相关性系数法对计算结果进行分析。各几何输入参数敏感性指标如附图5所示,其中参数P7(交界面开口距地距离)和P10(腔体高度)对自然通风性能的各项指标均不敏感,因此选取P1、P2、P3、P4、P5、P6、P8、P9P11共9个参数作为输入参数,进入实验设计环节。
本实施例中,实验设计(Design ofExperiments,DOE)是指对输入参数的组合进行有限次的抽样,使其尽可能反映整个设计空间的特征。其目的是利用尽可能少的CFD仿真次数,获取尽可能多的关于输入参数与输出参数之间的映射关系。DOE是构造响应面模型的基础,直接影响响应面模型的预测精度,进而影响后续优化的准确性。在各种DOE方法中,拉丁超立方设计是一种广泛采用的均匀抽样方法,所有输入参数的设计空间都被均匀划分为数目相同的分区,所有水平随机组合在一起,每个输入参数的每个水平只被抽样一次,可以使有限个样本点均匀填充整个设计空间。由于拉丁超立方抽样具有效率高,均匀性好的特点,可在抽样较少的情况下获得较高的计算精度,本实施例选用该方法进行抽样。选取该方法对9个输入参数组合抽样300次。采用Fluent 17.0对300个抽样样本展开批量模拟计算,提取空气龄值、平均温度值、平均风速值建构响应面模型。
本实施例中,响应面模型的构造方法包括二阶多项式、神经网络、Kriging法等,不同类型的算法适用于解决不同的问题。
选用Kriging算法构造响应面,Kriging算法由南非地质学者DanieKrige提出,早期用来预测矿产储量的分布,后引入优化领域。Kriging是一项多维插值技术,结合了标准二阶多项式的全局算法和局部偏差测定,函数表达式如下(式1)。
y(x)=PT(x)·a+Z(x) (1)
式中,y(x)为响应面的输出参数。PT(x)·a为类似标准响应面的多项式模型;Z(x)是一个特殊随机过程。PT(x)·a是y(x)中的确定性回归部分,提供近似模型的全局逼近,Z(x)提供对模型局部偏差的近似。由于兼具局部和全局估计的特点,Kriging算法在解决高度非线性问题时可获得理想的拟合效果。在Response Surface模块中选择Kriging算法,对DOE中300个样本进行数据拟合与插值,建构响应面模型。
响应面实质是多维的超曲面,为方便表达,以任意两个输入参数作为横坐标,以输出参数作为纵坐标绘制三维曲面,如附图6所示。以输入参数P2和P4为例,分别绘制三个输出参数的三维响应面图。由于响应面是数学模型,无需复杂的物理求解过程,对于一组输入参数的组合,可以快速获得相应的输出参数,对于需要大量迭代的优化过程可进行有效支持。
响应面模型是一种近似的预测模型,输入与输出参数的映射关系是建立在数值拟合与插值的基础之上,因此对其精度的验证至关重要。响应面模型建构完成之后,选择测试样本利用复相关系数R2对预测数据和模拟值进行相关性分析(式2)。
式中,yi为测试样本实际模拟值,为响应面预测值,Ntest为测试样本数量,是测试样本的平均值。经计算,空气龄、温度、风速的目标值与预测值的接近程度为0.93736、0.92105、0.95552,如附图7所示。说明响应面模型达到了较高的预测精度,可以替代CFD数值模拟进入优化环节。
优化过程中的输入变量为去除P7和P10后的9个关键几何形态参数;三个目标函数为:Z1(X)—平均空气龄、Z2(X)—平均温度、Z3(X)—平均风速,且三者数值越低越好(式3~6):
MinZ1(X)=Air Age(X) (3)
MinZ2(X)=Temperature(X) (4)
MinZ3(X)=Velocity(X) (5)
式中,Air Age——平均空气龄,Temperature——平均温度,Velocity——平均风速;
X=(P1,P2,P3,P4,P5,P6,P8,P9,P11) (6)
采用多目标遗传算法(Multi-Objective GeneticAlgorithm,MOGA)调用响应面模型进行迭代寻优。为保持优化解集样本的多样性,并防止优化提前收敛,初始样本种群设为2000个,每次迭代计算500个,最大迭代100代。当帕累托百分比达到80%时,优化进程收敛。首先,几何参数信息传递至Response Surface Optimization多目标优化模块,由遗传算法随机生成2000个初始样本。随后2000个样本的输入参数传递至响应面模型,快速计算输出参数,计算结果反馈至遗传算法。遗传算法根据目标函数对2000个样本的输出数据执行选择、交叉与变异操作,形成新一代500个样本,输入参数再次传递至响应面,计算结果由遗传算法判断是否满足优化终止条件,若满足,则终止优化进程,输出优化结果,否则进入新一轮迭代,直至优化目标达成。遵循上述流程,本次优化迭代计算11次后优化进程收敛,如附图8所示,共调用响应面模型计算6141次,而实际的CFD模拟计算仅需300次,显著降低计算成本。
由于三个目标函数彼此之间的变化趋势是相互矛盾的(如风速的提升引起室内气流的加快,必然导致温度和空气龄的下降),某一性能指标的提升,必然会引起其他指标的下降。因此,多目标优化的结果并非是一个最优方案,而是一系列“非支配解”的集合——帕累托前沿,如附图9所示。非支配解均是权衡各项指标计算得出的优化方案,不同的是非支配解对各项性能的倾斜程度不同,如有的风速值较好,但其他指标相对较差。可以结合不同的设计要求对非支配解集进行选择(如可倾向于某一目标函数),本实施例中围绕“综合平衡三个目标函数、使各项性能均较为均衡”的原则展开筛选。
表2几何参数及其值域
可选实施例中,首先确定风速限值,取0.5m/s为优化方案中风速的上限值。随着风速降低如附图9所示,非支配解的温度和空气龄均呈上升趋势,因此应在临近0.5m/s的区域选择,以保证温度和空气龄值不至过高。非支配解的温度值随着风速降低呈均匀上升趋势;非支配解的空气龄在风速0.3—0.5m/s范围内保持不变,风速降低0.3m/s以下,空气龄迅速增加,如附图10所示。因此,风速0.3—0.5m/s的范围为优化方案分布区域,此范围内50个方案的参数空间分布如附图11所示,各参数优化区间的取值见表2。在优化方案分布区域内,ABCDEF六个非支配解的风速值和空气龄相比于其他方案更具优势,因此作为最终优化备选方案(表3)。其中非支配解E的温度值和风速值与其他非支配解十分接近,但空气龄最低,所以最终选择非支配解E为优化方案。
表3优化备选方案
值得指出的是,本实施例中提出了响应面的建筑自然通风性能优化方法,整合了参数化建模技术、CFD数值模拟技术、响应面方法、遗传优化搜索技术,实现了建筑自然通风性能的快速优化。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于响应面的建筑自然通风性能优化模型的优化方法,包括:
参数化建模模块,通过内置的参数管理器编译参数间的函数表达式,建立起各几何参数间的耦合关系;
CFD数值模拟模块,通过调用所述参数化建模模块,对自然通风性能指标展开批量计算,计算后的数据导入参数管理器;
敏感性分析模块,可读取所述参数管理器的数据,通过相关性分析确定各所述几何参数的敏感性指标,筛选关键的所述几何参数;
响应面建构模块,通过读取所述参数管理器的数据,选择相应的实验设计方法和响应面算法对关键的所述几何参数展开响应面模型建构和精度验证;
多目标优化模块,通过选择优化算法调用所述响应面模型的数据展开迭代寻优,获得优化候选方案;
所述方法包括:
步骤(1),提取建筑空间模型的几何参数,确定自然通风性能的评价指标,并采用参数化建模模块进行建模;
步骤(2),采用敏感性分析模块计算各所述几何参数的敏感性指标,筛选关键几何参数;
步骤(3),通过实验设计对所述关键几何参数的组合进行抽样,形成一定数量的均匀分布样本,利用CFD数值模拟模块调用参数化模型进行批量计算,获得所述均匀分布样本的输出数据;
步骤(4),以所述实验设计的输出数据为基础,采用相应的算法进行数据的拟合与插值,构建响应面模型;同时对所述响应面模型的预测精度进行验证,满足精度要求则进入优化环节,否则进行新的所述实验设计;
步骤(5):利用优化算法调用所述响应面模型进行迭代寻优,直至优化目标达成;
其特征在于:所述步骤(1)中的所述几何参数分为四个层级,分别为进风口层级、交界面层级、腔体层级和出风口层级。
2.如权利要求1所述的基于响应面的建筑自然通风性能优化模型的优化方法,其特征在于,所述进风口层级的几何参数包括进风口个数、进风口宽度、进风口距地距离和进风口高度;所述交界面层级的几何参数包括交界面开口个数、交界面开口宽度缩放系数、交界面开口距地距离和交界面开口高度;所述腔体层级的几何参数包括腔体截面边长、腔体高度;所述出风口层级的几何参数包括出风口边长缩放系数。
3.如权利要求2所述的基于响应面的建筑自然通风性能优化模型的优化方法,其特征在于,所述步骤(1)中的自然通风性能的评价指标为空气龄、温度和风速。
4.如权利要求3所述的基于响应面的建筑自然通风性能优化模型的优化方法,其特征在于,所述步骤(2)中的所述关键几何参数为所述进风口个数、进风口宽度、进风口距地距离、进风口高度、交界面开口个数、交界面开口宽度缩放系数、交界面开口距地距离、腔体截面边长和出风口边长缩放系数。
5.如权利要求4所述的基于响应面的建筑自然通风性能优化模型的优化方法,其特征在于,所述步骤(3)中,所述均匀分布样本的数据为300组,提取所述空气龄的值、温度的平均值和风速的平均值,采用二阶多项式、神经网络或Kriging法构建所述步骤(4)中的所述响应面模型。
6.如权利要求5所述的基于响应面的建筑自然通风性能优化模型的优化方法,其特征在于,所述响应面模型为多维的超曲面数学模型,建立输入参数与输出参数之间的映射关系。
7.如权利要求6所述的基于响应面的建筑自然通风性能优化模型的优化方法,其特征在于,所述步骤(5)中,采用多目标遗传算法调用所述步骤(4)中的所述响应面模型的数据进行快速寻优,获得的所述优化目标包括优化候选方案以及所述几何参数的优化区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011130.0A CN111191316B (zh) | 2020-01-06 | 2020-01-06 | 一种基于响应面的建筑自然通风性能优化模型及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011130.0A CN111191316B (zh) | 2020-01-06 | 2020-01-06 | 一种基于响应面的建筑自然通风性能优化模型及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191316A CN111191316A (zh) | 2020-05-22 |
CN111191316B true CN111191316B (zh) | 2020-09-29 |
Family
ID=70708751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010011130.0A Active CN111191316B (zh) | 2020-01-06 | 2020-01-06 | 一种基于响应面的建筑自然通风性能优化模型及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191316B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651846B (zh) * | 2020-06-02 | 2023-02-03 | 四川长虹空调有限公司 | 一种制冷设备管路设计自动优化方法 |
CN111898190B (zh) * | 2020-08-03 | 2024-02-06 | 西安建筑科技大学 | 一种自然通风设计室外计算参数确定方法及设备 |
CN112149364B (zh) * | 2020-09-04 | 2022-11-29 | 同济大学 | 一种智慧人居环境气流组织优化方法 |
CN112307537B (zh) * | 2020-10-12 | 2022-05-20 | 南京大学 | 多目标优化算法的天然光视觉与非视觉效应耦合优化方法 |
CN112628905A (zh) * | 2020-12-15 | 2021-04-09 | 同济大学 | 一种节能舒适并适用于大型公共建筑的热压通风方法 |
CN112560345B (zh) * | 2020-12-16 | 2022-12-06 | 中国电建集团河北省电力勘测设计研究院有限公司 | 一种地下电力空间通风***设计方法 |
CN112947080B (zh) * | 2021-02-04 | 2023-04-14 | 中国运载火箭技术研究院 | 一种基于场景参数变换的智能决策模型性能评估*** |
CN113158593B (zh) * | 2021-04-13 | 2023-02-07 | 中南建筑设计院股份有限公司 | 一种基于人工智能的医院病房通风***智能设计方法 |
CN113378357A (zh) * | 2021-05-20 | 2021-09-10 | 湖北工业大学 | 基于气候适应性的自然通风参数化设计与动态分析方法 |
CN113609738A (zh) * | 2021-08-11 | 2021-11-05 | 上海交通大学 | 导弹箱体轻量化设计方法 |
CN113642214B (zh) * | 2021-08-15 | 2024-01-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 防振锤谐振频率优化分析方法 |
CN114626252B (zh) * | 2022-05-17 | 2022-08-26 | 长城汽车股份有限公司 | 风阻及热管理多目标优化方法、装置、电子设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649942A (zh) * | 2016-09-29 | 2017-05-10 | 上海理工大学 | 利用建筑结构系数来修正建筑自然通风量的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965951B (zh) * | 2015-07-13 | 2018-04-27 | 华中科技大学 | 一种支持响应面估值与更新的优化流程建模方法 |
US20170300599A1 (en) * | 2016-04-18 | 2017-10-19 | University Of Southern California | System and method for calibrating multi-level building energy simulation |
CN110532687B (zh) * | 2019-08-29 | 2021-01-05 | 哈尔滨工业大学 | 一种寒地体育馆建筑自然通风参数化设计方法 |
-
2020
- 2020-01-06 CN CN202010011130.0A patent/CN111191316B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649942A (zh) * | 2016-09-29 | 2017-05-10 | 上海理工大学 | 利用建筑结构系数来修正建筑自然通风量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111191316A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191316B (zh) | 一种基于响应面的建筑自然通风性能优化模型及优化方法 | |
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
US20040167721A1 (en) | Optimal fitting parameter determining method and device, and optimal fitting parameter determining program | |
CN113656879A (zh) | 基于bim的幕墙工程精细化施工方法、***、终端、介质 | |
US20150227650A1 (en) | Method for modeling etching yield and etching surface evolution simulation method | |
CN111144055A (zh) | 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 | |
CN114036861B (zh) | 基于infoGAN的三维温度场预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN112347705B (zh) | 一种建立变电站厂界噪声模型的方法和*** | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN114064453A (zh) | 基于聚类和进化算法的软件测试用例自动生成方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN112069656A (zh) | 基于lssvm-nsgaii耐久性混凝土配合比多目标优化的方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
Li et al. | A study on urban block design strategies for improving pedestrian-level wind conditions: CFD-based optimization and generative adversarial networks | |
KR102480382B1 (ko) | 인공지능 기반 풍하중 산정 시스템 | |
CN115293056B (zh) | 一种面向Modelica模型的多目标优化方法 | |
CN115907178B (zh) | 一种净生态***co2交换量的预测方法 | |
CN116204956A (zh) | 竖缝式鱼道池室隔板结构优化方法和装置 | |
CN114706751A (zh) | 一种基于改进smote的软件缺陷预测方法 | |
US8271518B2 (en) | Nearest neighbor search method | |
CN112241811A (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 | |
CN114336696B (zh) | 一种兆瓦级氢储能电站容量配置方法及*** | |
CN116910956A (zh) | 一种大型建筑内部球形风口位置确定方法、介质及*** | |
CN113642258B (zh) | 一种基于神经网络的cfd模型种类选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |