節(jié)能減排是當(dāng)代制冷空調(diào)技術(shù)發(fā)展的主題在面對(duì)新制冷劑.doc

【研究意義】節(jié)能減排是當(dāng)代制冷空調(diào)技術(shù)發(fā)展的主題。在面對(duì)新制冷劑、不斷提高的能耗標(biāo)準(zhǔn)、以及不斷涌現(xiàn)的新技術(shù)時(shí)，制冷空調(diào)產(chǎn)品的“經(jīng)驗(yàn)+實(shí)驗(yàn)”的傳統(tǒng)設(shè)計(jì)方法正受到前所未有的挑戰(zhàn)，這直接促進(jìn)了計(jì)算機(jī)技術(shù)被越來越多地應(yīng)用于制冷空調(diào)系統(tǒng)的研發(fā)與設(shè)計(jì)之中。制冷劑熱物性計(jì)算是制冷系統(tǒng)研究計(jì)算機(jī)化的基礎(chǔ)，特別是制冷空調(diào)系統(tǒng)仿真、優(yōu)化和控制的實(shí)現(xiàn)需要大量計(jì)算物性。面對(duì)日趨復(fù)雜的制冷空調(diào)系統(tǒng)設(shè)計(jì)和在線實(shí)時(shí)控制，需要發(fā)展函數(shù)形式簡(jiǎn)單、快速、準(zhǔn)確、穩(wěn)健的熱物性計(jì)算方法。【國內(nèi)外研究現(xiàn)狀綜述】制冷劑熱物性的計(jì)算方法一直是相關(guān)領(lǐng)域的研究熱點(diǎn)。從制冷空調(diào)系統(tǒng)仿真、優(yōu)化和控制的應(yīng)用角度來講，制冷劑熱物性的計(jì)算方法主要有以下幾種。第一種是狀態(tài)方程法。這是最常用的一種方法，其原理在相關(guān)教材1,2中有廣泛而深入的介紹。這種方法的優(yōu)點(diǎn)是計(jì)算精度高、參數(shù)范圍廣。缺點(diǎn)是計(jì)算速度慢（特別是對(duì)于混合工質(zhì)）、計(jì)算穩(wěn)定性一般（由迭代計(jì)算造成），并不適合直接用于系統(tǒng)仿真、優(yōu)化或控制。美國標(biāo)準(zhǔn)與技術(shù)局（NIST）提供的REFPROP軟件3是這種方法的典型代表，已成為國際通用的制冷劑標(biāo)準(zhǔn)數(shù)據(jù)庫。其它的計(jì)算方法大都以REFPROP提供的制冷劑熱物性數(shù)據(jù)為基準(zhǔn)，從不同的途徑建立快速、穩(wěn)定的簡(jiǎn)化模型。第二種是多項(xiàng)式類簡(jiǎn)化模型法。在相對(duì)較窄的參數(shù)范圍內(nèi)，基于REFPROP提供的數(shù)據(jù)，采用多項(xiàng)式或者類多項(xiàng)式等比較簡(jiǎn)單的經(jīng)驗(yàn)方程進(jìn)行近似計(jì)算。這類方法的優(yōu)點(diǎn)是計(jì)算速度快、計(jì)算穩(wěn)健性高。缺點(diǎn)是參數(shù)范圍較窄、計(jì)算精度有不同程度的下降，且對(duì)于不同的熱力性質(zhì)，為了提高精度，往往采用不同函數(shù)形式的經(jīng)驗(yàn)方程，通用性一般。Cleland提出的類多項(xiàng)式模型4-6、張春路和丁國良等提出的隱式多項(xiàng)式模型7-12是這類方法中的典型代表。其中，隱式多項(xiàng)式模型采用隱式低階多項(xiàng)式在同等階數(shù)下獲得更多的回歸系數(shù)，大大提高了回歸精度；然后通過求根公式獲得物性的顯示計(jì)算公式。但是，經(jīng)常會(huì)出現(xiàn)一種物性計(jì)算模型由多個(gè)根分段復(fù)合而成的情況，根與根之間在分叉點(diǎn)上不連續(xù)。因此，往往需要花費(fèi)大量時(shí)間反復(fù)嘗試將根的分叉點(diǎn)移出回歸的參數(shù)范圍。此外，除了飽和線之外，物性參數(shù)在其它的分區(qū)之間的邊界線上的連續(xù)性問題尚未解決。第三種是表格插值法。通過REFPROP按一定順序生成數(shù)據(jù)表格，采用某種搜索和插值方法（通常是線性或雙線性插值）完成估算。這類方法的優(yōu)點(diǎn)是計(jì)算速度較快、計(jì)算穩(wěn)健性較高、通用性好。缺點(diǎn)是為了保證計(jì)算精度需要存儲(chǔ)比較密集的數(shù)據(jù)，導(dǎo)致數(shù)據(jù)文件很大，普通的數(shù)據(jù)文件讀取方法會(huì)比較耗時(shí)。此外，線性/雙線性插值方法會(huì)導(dǎo)致一階（偏）導(dǎo)數(shù)不連續(xù)，影響導(dǎo)數(shù)相關(guān)模型計(jì)算的穩(wěn)健性。第四種方法是人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型13。人工神經(jīng)網(wǎng)絡(luò)近年來開始被應(yīng)用于制冷劑熱物性計(jì)算14-19。由于人工神經(jīng)網(wǎng)絡(luò)可以作為任意連續(xù)非線性函數(shù)的通用逼近器，其在制冷劑熱物性計(jì)算中的應(yīng)用前景被看好。但是，當(dāng)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜時(shí)，其本身就是一個(gè)非常復(fù)雜的非線性函數(shù)，人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與驗(yàn)證也是一個(gè)復(fù)雜的過程。第五種方法是數(shù)據(jù)挖掘。數(shù)據(jù)挖掘(Data Mining)，就是從存放在數(shù)據(jù)庫，數(shù)據(jù)倉庫或其他信息庫中的大量的數(shù)據(jù)中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程20。最近，Kucuksille等人21,22基于數(shù)據(jù)挖掘技術(shù)對(duì)制冷劑的部分飽和熱物性進(jìn)行了研究，得到了含有冗余變量的一階線性模型，在 -5050C飽和溫度范圍內(nèi)，模型最大誤差僅0.5%左右。盡量Kucuksille等人并未真正認(rèn)識(shí)到冗余變量的作用，更未深入闡明其中的熱力學(xué)機(jī)理，但是冗余變量的加入使用計(jì)算模型變得異常簡(jiǎn)單，這對(duì)于制冷空調(diào)系統(tǒng)仿真與優(yōu)化、特別是在線實(shí)時(shí)控制非常有價(jià)值。通過增加冗余變量實(shí)現(xiàn)模型降階的思路在其它研究領(lǐng)域早有出現(xiàn)23，但是由于其反常規(guī)的思路（一般都是通過消除冗余變量來實(shí)現(xiàn)模型降階或降維），相關(guān)的研究至今仍是很少見。綜上所述，研究者們?cè)噲D通過各種方法來簡(jiǎn)化制冷劑熱物性的計(jì)算。其中，在同等精度下，通過數(shù)據(jù)挖掘技術(shù)獲得的帶有冗余變量的熱物性簡(jiǎn)單線性模型最為簡(jiǎn)單。由于冗余變量的引入具有一定的偶然性、且異于常規(guī)思路，這種偶然性帶來的簡(jiǎn)化效果、以及其背后的熱力學(xué)機(jī)理，尚未受到重視。申請(qǐng)人擬從此入手，深入研究其熱力學(xué)機(jī)理，建立完整的制冷劑熱物性計(jì)算的冗余變量法，并應(yīng)用于常用制冷劑。【項(xiàng)目創(chuàng)新之處】與目前常用的制冷劑熱物性快速計(jì)算方法不同，提出一種基于冗余變量的制冷劑熱物性快速計(jì)算新方法，通過增加某些冗余變量，將熱物性參數(shù)之間的復(fù)雜非線性函數(shù)關(guān)系轉(zhuǎn)換為近似的低階、甚至一階線性函數(shù)關(guān)系，比目前的制冷劑熱物性快速計(jì)算模型更為簡(jiǎn)單、且計(jì)算精度很高。本課題的研究在理論上探索了制冷劑熱物性模型的一種新的構(gòu)造方法，豐富了制冷劑熱物性計(jì)算理論；在應(yīng)用上為制冷空調(diào)系統(tǒng)的快速仿真和實(shí)時(shí)控制提供了一種簡(jiǎn)單高效的制冷劑熱物性計(jì)算方法。【主要參考文獻(xiàn)】1 蘇長(zhǎng)蓀. 高等工程熱力學(xué)M. 北京: 高等教育出版社, 1987.2 童景山. 流體熱物性學(xué)基本理論與計(jì)算M. 北京: 中國石化出版社, 2010. 3 Lemmon E W, Huber M L, McLinden M O. NIST reference fluid thermodynamic and transport properties REFPROP 9.0. NIST standard reference database 23, 2010, 4 Cleland A C. Computer subroutines for rapid evaluation of refrigerant thermodynamic properties J. International Journal of Refrigeration, 1986, 9(6): 346-351.5 Cleland A C. Polynomial curve-fits for refrigerant thermodynamic properties: extension to include R134a J. International Journal of Refrigeration, 1994, 17(4): 245-249.6 張春路, 于兵, 馮寅山, 等. 碳?xì)渲评鋭崃π再|(zhì)的快速計(jì)算J. 流體機(jī)械, 1997, 25(11): 57-60.7 張春路, 丁國良, 李灝. 制冷劑飽和熱力性質(zhì)的隱式擬合方法J. 工程熱物理學(xué)報(bào), 1999, 20(6): 673-676.8 張春路, 丁國良, 李灝. 制冷劑過熱氣體熱力性質(zhì)的隱式擬合方法J. 工程熱物理學(xué)報(bào), 2000, 21(5): 533-536.9 Ding G L, Wu Z G, Liu J, et al. An implicit curve-fitting method for fast calculation of thermal properties of pure and mixed refrigerants J. International Journal of Refrigeration, 2005, 28(6): 921-932.10 Ding G L, Wu Z G, Wang K, et al. Extension of the applicable range of the implicit curve-fitting method for refrigerant thermodynamic properties to critical pressure J. International Journal of Refrigeration, 2007, 30: 418-432.11 Ding G L, Han W, Zhao D, et al. Extension of the implicit curve-fitting method for fast calculation of thermodynamic properties of subcooled refrigerants J. HVAC&R Research, 2009, 15: 875-888.12 Zhao D, Ding G L, Wu Z G. Extension of the implicit curve-fitting method for fast calculation of thermodynamic properties of refrigerants in supercritical region J. International Journal of Refrigeration, 2009, 32: 1615-1625.13 百度百科: 人工神經(jīng)網(wǎng)絡(luò). /view/19743.htm.14 Laugier S, Richon D. Use of artificial neural networks for calculating derived thermodynamic quantities from volumetric property data J. Fluid Phase Equilibria, 2003, 210: 247-255.15 陳紅, 何祖威, 陳秀環(huán). 基于改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的制冷劑狀態(tài)參數(shù)計(jì)算模型J. 重慶大學(xué)學(xué)報(bào)(自然科學(xué)版), 2005, 28(2): 43-46.16 Sozen A, Ozalp M, Arcaklioglu E. Calculation for the thermodynamic properties of an alternative refrigerant (R508b) using artificial neural network J. Applied Thermal Engineering, 2007, 27: 551-559.17 Sozen A, Arcaklioglu E. Determination of thermodynamic properties of an alternative refrigerant (R407c) using artificial neural network J. Expert Systems with Applications, 2009, 36: 4346-4356.18 Mohebbi A, Taheri M, Soltani A. A neural network for predicting saturated liquid density using genetic algorithm for pure and mixed refrigerants J. International Journal of Refrigeration, 2008, 31: 1317-1327.19 Sencan A, Kose I I, Selbas R. Prediction of thermophysical properties of mixed refrigerants using artificial neural network J. Energy Conversion and Management, 2011, 52: 958-974.20 百度百科: 數(shù)據(jù)挖掘. /view/7893.htm.21 Kucuksille E U, Selbas R, Sencan A. Data mining techniques for thermophysical properties of refrigerants J. Energy Conversion