热通道玻璃幕墙内部气流组织的研究.pdf

附件详情

【学位年度】 2007 【摘要】 本文主要包括两部分，第一部分是利用有限元分析软件ANSYS对热通道玻璃幕墙内部气流组织进行模拟和分析，研究热通道玻璃幕墙在夏季能否实现“热烟囱效应”。首先是建立上海第一人民医院松江新院区热通道玻璃幕墙的数学模型，以上海夏季常见气候条件作为本模型的边界条件，经过模拟和分析发现在上海常见气候条件下，该热通道玻璃幕墙根本就不能实现“热烟囱效应”－即不能把热通道内部的热量带出，这就说明该玻璃幕墙不能实现节能。此时本文就考虑对该热通道玻璃幕墙使用强制通风。本文分别对下通风口处加载风速为2.0、2.5、3.0、3.5、4.0、4.5、5.0m/s的情况进行研究，通过综合分析，最后确定在下通风口加载风速为4.5m/s时的情况较好。通过计算确定强制通风时风机电动机的功率861W和节约的能量84％。本文对幕墙间距分别为0.2m、0.4m、0.6、0.8m、1.0m、1.2m、1.4m、1.6m、1.8m、2.0m、2.2m、2.5m和风口尺寸分别0.1m、0.15m、0.2m、0.25m、0.3m、0.35m、0.4m、0.45m、0.5m等108种不同情况进行了模拟和分析，并对部分常见尺寸（h=420mm、h=380mm、h=2900mm、L分别为0.2m、0.4m、0.6m）的热通道玻璃幕墙进行了模拟和分析，最后对比较有代表性的幕墙(0.6m（L）×3.5 m（h）、h=0.35m、h=0.35m）进行的经济性计算，计算节能30％。 为了考察本文建立的模型正确与否，本文引用了公开发表文献中的实验数据进行验证。把文献中实验的边界条件加载到本文建立的模型上，再用ANSYS模拟，把模拟值和实验值对比，最大的绝对平均误差为6.81％。证明了本文建立的模型和研究方法均是正确的。 本文模拟时流体的模型均采用标准的 湍流模型，流体为不可压缩流体。 本文第二部分是利用神经网络拟合热通道玻璃幕墙尺寸与出风口平均速度和出风口平均温度之间具体数字关系。首先建立热通道玻璃幕墙的神经网络（ANN）模型。在本文中，模型采用三层感知器神经网络也就是BP神经网络作为万能函数逼近器。ANN的训练数据来自于本文的模拟数据，经过大量的分析比较以及网络泛化能力分析，确定三层前向神经网络的结构，采用log-sig和Pure linear 组合作为隐层和输出层的传递函数。预测值和模拟值相比，热通道玻璃幕墙出风口平均速度ANN模型的平均误差、绝对平均误差、标准差分别为0.3312％、4.526％、7.4654％，同时100％的数据点的误差在±15％之内，82.5％的数据点的误差在±10％之内。热通道玻璃幕墙出风口平均温度ANN模型的平均误差、绝对平均误差、标准差分别为0.00018％、0.1023％、0.13987％，同时100％的数据点的误差在±5％之内。最后得到了出风口平均温度和出风口平均速度的神经网络关联式，利用该关联式，我们只要输入幕墙间距和风口尺寸，可以直接得出出风口平均速度和出风口平均温度。 本文建立的热通道玻璃幕墙的模型具有较高的精度，具有较好的通用性。 共80页