基于GALM神经网络的建筑能耗短期预测

为改进以往神经网络对建筑能耗预测的不足,提出应用遗传算法结合Levenberg-Marquardt算法(GALM)改进神经网络对建筑能耗进行预测。首先,利用遗传算法优化神经网络的权值和阈值;其次,利用Levenberg-Marquardt算法优化神经网络训练,针对影响建筑能耗的主要因素建立GALM神经网络的建筑能耗预测模型。通过建立建筑能耗监测平台采集某公共建筑1个月的能耗数据,对该模型进行训练和测试。实验结果表明,该模型可以准确且高效地对建筑能耗进行短期预测。     

气候变化下建筑能耗模拟气象数据研究

气象参数是建筑能耗模拟的基础,随着全球气候异常变暖,必将对建筑采暖和空调能耗产生重要影响。进行未来气候条件下的建筑能耗模拟,必须首先开展未来模拟气象参数的研究。根据TMY2模拟气象参数模式提出了节能分析气象年(AEEMY)模拟气象参数模式。使用了3个气候模型预测了中国建筑热工分区代表城市未来2021-2050的30 a气象参数。使用AEEMY模式得到了1971-2000年和2021-2050年代表城市的建筑能耗模拟气象参数。应用DOE2模拟软件对中国各气候区的居住建筑在2种气候条件下进行了建筑能耗模拟。验     

基于GA—BP神经网络的大型公共建筑能耗预测研究

针对大型公共建筑高能耗问题,将影响能耗的因素进行定量与定性分析,提出了遗传算法和神经网络相结合的大型公共建筑能耗预测模型。采用GA算法优化BP神经网络的权值和阈值的方法对大型公建能耗预测模型进行分析,并结合实例验证了该模型的有效性。结果表明：较传统的BP神经网络,该模型能更准确地预测大型公共建筑能耗,并且为其确保用能定额和节能工作的开展提供了科学依据。     

建筑能耗模拟用气象数据研究

研究典型气象年是为了准确地服务于建筑能耗模拟分析,为室外设计条件提供气象数据支持的基础工作。典型气象年的研究立足于详实的历史气象数据和科学处理方法以及在建筑能耗模拟中的验证。介绍了国内外建筑能耗模拟用典型气象年的研究进展。针对我国特有的气候特点和建筑行业能耗模拟的实际要求,梳理了建筑能耗模拟用典型气象年的生成方法及对建筑能耗的影响,以及适应我国建筑设计的气象参数的逐时化分析方法。指出了下一步研究工作的重点是不同气象参数逐时化、精细化模型及针对极端气候条件和用能高峰期的基础气象数据处理方法研究。     

气象参数对成都地区办公建筑能耗的影响及预测

气象参数是影响建筑热环境和供暖空调能耗的主要因素之一。基于成都地区1971—2000年共30a的历史观测数据,生成了建筑能耗模拟软件EnergyPlus所需要的逐时气象数据文件。比较分析了该地区30a干球温度、太阳辐射等各气象参数月均值的变化,模拟分析了该地区建筑的采暖、制冷及总能耗,利用多元回归建立了建筑能耗与气象参数之间的关系式,并检验了该关系式的准确性。结果表明:成都地区办公建筑能耗变化与各气象参数没有呈现明显的规律性;建筑月总能耗与各气象参数呈纯二次多项式关系,月采暖能耗、月制冷能耗与各气象参数呈交叉二项式关系;建筑月能耗回归模型能够较准确地预测建筑月能耗与各气象参数的关系,且月采暖能耗和月制冷能耗回归模型预测的准确性优于月总能耗模型。     

基于灰色神经网络模型的区域供热负荷预测研究

通过灰色关联分析法对区域供热负荷影响因素进行了评价,并将灰色预测与BP神经网络算法相结合,建立了灰色神经网络结构,能够对影响供热负荷的因素进行筛选,并对供热负荷进行预测。对某区域供热负荷进行了供热负荷预测与验证,通过对比筛选不同影响因素灰色神经网络的预测结果与误差,表明灰色神经网络模型在热负荷预测中能够选择合适的影响因素,排除关联度低的影响因素,可提高供热负荷预测的准确性,为区域供热负荷的预测提供理论依据。     

一种面向大规模建筑群能耗预测的BP神经网络模型配置方法

针对大规模建筑群的能耗预测问题,提出了一种基于BP神经网络的模型配置方法。该方法将复杂的建筑能耗预测相关的影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离,实现任意预测模型的可配置化创建,有效地降低了建筑能耗预测系统的开发和维护成本,使得大规模建筑群的能耗预测系统易于实现。目前,可配置化的建筑能耗预测系统已被应用于多栋建筑的能耗预测,有效地降低了能源浪费。     

基于神经网络的建筑能耗预测

由于目前只有很少一部分建筑师能掌握复杂的建筑能耗分析,因此本文利用MATLAB建立BP神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,并与DeST-h模拟计算得到的结果比较,发现相对误差在3.5%以内,验证了该网络模型的可行性.该方法使建筑师在设计阶段能够简单且准确地获得设计建筑的能耗.     

居住建筑能耗预测分析方法的研究

本文通过正交实验设计、DeST建筑能耗软件模拟及多元线性回归方法,研究了影响居住建筑能耗的主要建筑设计因素,得到了重庆市居住建筑冷、热负荷及全年负荷的预测方程,并进行了误差分析。通过预测方程和模拟软件分别计算所得结果的对比分析,验证了该方程的可靠性,为重庆市居住建筑能耗预测分析提供了一种简便适用的方法。利用可靠的预测方程,可以快速而简单地评价分析不同设计方法和围护结构方式对建筑能耗的影响。     

基于BP神经网络的建筑能耗预测

利用MATLAB建立BP神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,与D eST-h模拟计算得到的结果比较,发现相对误差在3.5%以内,并通过实例验证了该网络模型的准确性。该方法使建筑人员在设计阶段就能快速且准确地获得设计建筑的能耗。     

基于灰色神经网络模型的基坑开挖引发周边地面沉降预测分析

在城市地下工程建设中,深基坑开挖引起的周围地表土沉降问题越来越受到人们的重视。地表沉降将引起邻近建、构筑物破坏,从而造成经济损失。因此,预测基坑周围土体未来一段时间的沉降,对及时采取治理措施具有重要意义。文章针对GM(1,1)模型地面沉降预测精度较低的问题,利用神经网络对灰色预测模型进行组合,生成灰色神经网络模型,并进行预测分析,结果表明,利用灰色神经网络模型预测的沉降值,比单独的灰色GM(1,1)模型预测的沉降值具有更高的精度。     

基于混合模型的中央空调冷源系统运行能耗优化

为优化中央空调冷源系统运行能耗,本文分别建立了中央空调冷源系统运行能耗预测灰箱模型和BP神经网络模型,对比分析了灰箱模型与BP神经网络模型的能耗预测性能,并基于K-means聚类算法提出了将灰箱模型和BP神经网络模型相结合的能耗预测混合模型。结合中央空调冷源系统能耗预测混合模型,以模型可控输入变量为优化变量,对中央空调冷源系统进行节能优化。结果表明:对比单独使用灰箱模型或BP神经网络模型,中央空调冷源系统混合模型能耗预测精度提升了27.7%和33.85%。对比冷源系统优化前能耗,优化后的中央空调冷源系统运行能耗平均降低了8.2%。     

改进BP神经网络在软土地基沉降量中的应用

利用神经网络强大的非线性映射能力,提出了一种基于BP神经网络模型的软土地基沉降量的预测方法,对不同情况下软土路基沉降量进行合理地预测,实例检验证明,该方法收敛速度快,预测的可靠性高。     

耦合台风天气预报模式和实测数据的神经网络风速预测

基于准定常假定,风荷载与风速平方成正比.为了实现对结构的台风动力效应进行分析预测,建立了耦合数值天气预报(weather research and forecast,WRF)模式和现场实测数据的风速预测神经网络模型,开展台风短期风速的高精度预测.利用该模型对2017年"泰利"和2018年"康妮"的台风风场进行模拟和预测...     

Estimation of air losses in compressed air tunneling using neural network

This paper explores the capabilities of neural networks to predict the air losses in compressed air tunneling. Field data from the Feldmoching tunnel in Munich were used in this study. In this project, compressed air was used to retain the groundwater and shotcrete was used as temporary support. The final permanent lining was installed in free air. The tunnel passed through variable ground conditions ranging from coarse gravel to sand and clay. Grouting, an additional layer of shotcrete and a layer of mortar were occasionally used to control the air losses. A back-propagation feed forward neural network was trained and used to predict the air losses from the Feldmoching tunnel. The results of the prediction of the air losses from the tunnel using a neural network were compared with the field measurements. Data from different tunnel lengths were used for training. In each case, the trained network was used to predict the air losses during the excavation of the rest of the tunnel. It is shown that, not only can a neural network learn the relationship between appropriate soil and tunnel parameters and air losses, it can also generalize the learning to predict air losses for very different geological and geometric conditions. It is also shown that data from a very short length (50 m in one case) of the tunnel (five data point only, in this case) may contain enough information for the neural network to learn and predict the air losses in the remaining (585 m) length of the tunnel with a good degree of accuracy. This can be of considerable value to tunnel engineers in control of tunneling operations and help them in preparation for possible changes in air losses with tunnel advance, with changes in ground conditions and tunnel geometry and with time.     

预测学在火灾科学中的应用

通过对火灾预测的发展过程和火灾预测可行性的讨论，介绍了火灾预测的基本原理，分析了定性预测法、灰色预测法、人工神经网络预测法、数理统计法、回归预测法等在火灾预测和统计中的应用。     

开挖降水条件下基坑周围建筑物沉降预测研究

利用Gompertz曲线模型、灰色理论模型和BP神经网络模型等单一预测模型对基坑周围建筑物沉降进行预测,之后将结果与三者优化组合模型的预测结果进行比较分析,结果表明：单一模型预测结果的精度比三者优化组合模型的精度较低,而其中通过最优加权法组合的模型预测精度最高。     

Integrating neural network models with computational fluid dynamics (CFD) for site-specific wind condition

Most building energy simulations tend to neglect microclimates in building and system design, concentrating instead on building and system efficiency. Energy simulations utilize various outdoor variables from weather data, typically from the average weather record of the nearest weather station that is located in an open field, near airports and parks. The weather data may not accurately represent the physical microclimate of the site, and may therefore reduce the accuracy of simulation results. For this reason, this paper investigates utilizing computational fluid dynamics (CFD) with neural network (NN) model to predict site-specific wind parameters for energy simulation. The CFD simulation is used to find selected samples of site-specific wind conditions. Findings from CFD simulation are used as training data for NN. A trained NN predicts site-specific hourly wind conditions for a typical year. The outcome of the site-specific wind condition from the neural network is used as wind condition input for the energy simulation. The results of energy simulation using typical weather station data and site-specific weather data are compared in this paper, in order to find the possibility of using site-specific weather condition by NN with CFD to yield more realistic and robust ES results.     

利用径向基函数网络预测钢筋混凝土结构剩余使用寿命

总结分析了一般混凝土结构剩余使用寿命预测方法,在吸取等维灰色递补 GM(1,1)模型的优点之后,提出了利用 RBF 神经网络对既有钢筋混凝土结构的剩余使用寿命进行预测的方法。通过理论分析及应用,证明了其可行性。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。