英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
数据驱动下的客舱热舒适预测:利用机器学习和高保真度仿真结果
摘要：汽车客舱高度不对称动态热环境下的热舒适预测对开发高效节能暖通空调系统至关重要。在该项研究中，我们将高保真计算流体动力学(CFD)模拟与机器学习算法相结合，以预测在任何窗户表面，环境条件和HVAC设置（流速和出风温度）的任何玻璃组合的情况下，车辆乘员的热舒适性。本文采用经气候风洞实验结果验证的汽车客舱CFD模型，系统地生成了影响乘客热舒适的整个边界条件范围内的训练数据。而后，基于模拟数据，采用随机梯度下降的线性回归、随机森林和人工神经网络三种机器学习算法预测每位乘客的等效均匀温度(EHT)和客舱平均空气温度。部分未用于模型训练的模拟数据被用来测试训练后的机器学习模型。我们最好的机器学习模型对EHT和机舱空气温度的预测能够实现小于5%的误差。预测的EHT还可以得到热舒适指标，如预测平均评价(PMV)和预计不满意者的百分率(PPD)，这可以解释不同的乘客情(代谢率和服装水平)。本文开发的机器学习模型能够实时进行任何边界条件组合的热舒适预测，而不必依赖成本高昂的计算流体动力学模拟。
- 介绍
高效节能的采暖、通风和空调(HVAC)系统对于维持或改善电动汽车(EV)的续航里程至关重要。最新研究表明，与在24℃的环境温度下进行的测试相比，-7℃环境温度下使用汽车空调，会导致续航里程（城市道路 高速路）下降41%，35℃环境温度下续航里程下降17%。
汽车空调系统的主要目标是在各种车辆运行条件下为乘客提供热舒适环境。在汽舱高度不对称的瞬态环境中，温度只是影响热舒适性的诸多关键环境因素之一。除空气温度外，汽车内壁温度(通常不等于空气温度)、乘客附近的空气流速、湿度和乘客身上的太阳直接负荷在决定乘客热舒适方面也起着同样重要的作用[2-9]
预测汽车热环境中的热感觉和热舒适性既是挑战也是机遇。由于环境和人体间以及人体内存在复杂热传递过程，维持人体热平衡（主要依靠新陈代谢）是一个巨大挑战。另一方面，它也可以被视为一个机遇，因为对任意热环境下的热感觉和热舒适性的准确和可靠的预测可以帮助暖通空调工程师设计和开发性能好、成本低、能效高的空调系统。
Kaushik-et-al和Chen-et-al建立了采用虚拟热源人体的客舱CFD模型。该模型能够提供任意热环境下人的热感觉。此外，该模型可以提供人体热感觉对各种关键参数的敏感度，如太阳能负荷、空调(A/C)出口空气流量和温度、A/C出口位置、各种HVAC模式等。模拟结果与实际实验结果很好地吻合。
Hintea-et-al探索了多种机器学习方法，希望通过遍布客舱的传感器预测人体平均温度。目的是从整个机舱的传感器估计乘员等效温度。他们通过一辆试验车收集了不同环境条件下25个点的等效温度和其他数据，并对七种不同的机器学习方法进行了实现和评估。
本文在以下几个方面与以往的研究不同。这项研究采用经气候风洞试验结果验证的汽车客舱CFD模型，系统的生成了影响乘客热舒适的整个边界条件范围内的训练数据。例如，生成的数据包括-65°C至 65°C的环境温度变化。此外，亦考虑了多种其他环境条件，如太阳位置，车辆方向，车辆速度以及每个窗户在可见光和红外光波段范围内的玻璃特性。之后，模拟数据被用于训练机器学习算法，以预测任意窗户表面属性、环境条件及暖通空调运行工况(流速和排放空气温度)在任意玻璃属性组合下的前后排乘员热舒适性。该方法能够实时预测任意边界条件组合下的热舒适性，而不必依赖计算昂贵的CFD模拟。
-
- 等效均匀温度
需要指出的是乘客“感受”的不是车舱内的空气温度，而是感受其自身的热量损失。决定人体热舒适的是那些影响人体热损失的因素。等效均匀温度(EHT)是一种公认的衡量人体总热量损失的指标，可用于评价高度不均匀的热环境。由于辐射和对流热通量的复杂相互作用，该指标在评价空间有限的车舱热舒适时特别有用。EHT的优势在于，它将各种形式的热的作用效果表达为一个单一变量，便于阐释乘客热舒适度。
EHT的定义为:“在温度均匀且空气流速为零的假想封闭空间中，人通过辐射和对流的干热换热量与处在实际非均匀环境中干热换热量相同，如图1所示。”该定义基于以下两点:
bull;人体暴露在气候不均匀与气候均匀两种不同的环境中时，假定两种环境下人体的姿势、活动程度和衣着是相同的。
bull;两种环境下来自人体的干热交换是相同的。
假想我们把某人从真实的客舱环境转移到虚拟的房间中。然后调整虚拟房间的温度，直到其感受到与真实客舱环境相同的热损失，此时虚拟室内的空气温度是等效的均匀温度。EHT是集气温、风速、平均辐射和太阳负荷对人体热损失的独立影响为一体的纯物理量。EHT与周围热环境的这种关系最能描述整个人体的热感觉[2,3]。
-
- 人体热反应评价指标（PMV）
人体对热舒适的感知是复杂的，涉及人在特定条件下的生理和心理状态。预测平均评价(PMV)指数是一个广泛认可的评价整体热舒适的参数。PMV是用来表达人体对热感觉的感知，是应用最广泛的热舒适指标。PMV指数包括与热舒适相关的因素，如代谢活动(MET)、义务隔热性(CLO)、空气温度、平均辐射温度、空气流速和湿度。该指数是通过对大量个体的统计研究而定义的。PMV为零是代表代表热中性的理想值，人体热舒适性的推荐可接受PMV范围在-1.0到 1.0之间。PMV感觉范围分为-3 ~ 3，有7个等级，如表1所示。
人体的热平衡和EHT取决于衣服的隔热性。
服装的隔热性影响着人体热量的散失，在人体热感觉的测定中起着重要作用。服装隔热值以CLO为单位。1CLO用导热系数定义为0.155 W/mk
-
- 预计不满意者的百分率(PPD)
PPD是每个PMV中的不满意人群预测百分比，直接从PMV中计算如下：
当PMV偏离中性时，如图2所示PMV增加。这种相关性是基于人体试验数据，并精确控制了热条件。5%的PPD是实际可实现的最低不满意百分比，因为为每个人提供最佳的热环境是不可能的。人体热舒适性的推荐可接受PPD范围小于10%PPD。
- 数据生成
本文中训练机器学习模型的数据来自于车舱的高保真CFD模拟结果。
-
- 车舱CFD模型
最新研究中，均使用商用CFD软件包(STAR-CCM )模拟环境与乘客舱之间、乘客舱与人体模型之间的传热。如图3所示，我们在STAR-CCM 版本13.06.010中建立了车舱模型。密闭乘客舱中每个座位均设置了具有1600万个细胞的人体模型。
该模型考虑了三种传热模式:热传导、对流传热和辐射传热。它包括人体模型与座位间的传导传热,空调系统引入客舱的空气与人体模型的对流换热,以及客舱玻璃表面与舱壁及人体模型间的辐射传热（短波与长波）。本研究中所有的模拟实验均在稳态条件下进行。
车辆空调系统在夏季工况下的气流配置如图4所示。夏季和冬季的气流分布如表2所示。夏季条件定义为大于20℃环境温度的工况。中心通风口的气流指向前面乘客胸部，其余通风口均指向乘客面部，如图5所示。
图1. 汽车舱内和均匀环境下的总热量平衡示意图
图2. PMV-PPD相关性
图3在模型中模拟物理配置 图4 空调系统空气流量配置
图5空调系统的气流速度分布
图6加热系统空气流量配置
图7客舱稳态基本能量平衡
|
太阳能负荷(W / m2) |
HVAC总流量(CFM) |
排气温度(℃) |
环境温度(°C) |
车辆速度(kph) |
|
0 |
100 |
50 |
-20 |
112 |
表3 气候风洞边界条件
图8在24°C舱内空气温度-20°C的气候风洞中测量车辆速度和整体热导率。
冬季供暖系统的气流配置如图6所示。冬季条件定义为低于20℃环境温度的工况。
进入车舱的空调空气将从减压阀（PRVs）排出。PRVs在模型中被改装为压力出口，其位置对舱室的流场分布和人体模型的对流换热起重要作用。
舱壁均施加了适当的热物理性。此外，还设定了各舱壁的热辐射特性，如发射率、反射率和透射率。由于太阳辐射在客舱内的整体热量平衡中起着重要作用，因此本研究在生成数据时考虑了车窗表面的玻璃性能，将这些壁面的外对流边界条件重新定义为传热系数和环境空气温度，以反映车辆速度。
人体模型的表面被分成16个部分，均覆盖了以CLO为单位的恒定绝缘服装材料。例如，轻夏季服装的平均整体绝缘值为0.6CLO。由于较高的热阻，较高的衣服等级对周围热环境的敏感性较低。将人体模型的皮肤温度设置为34°C以计算人体净热流。根据Han和Kaushik等人的概述，本文利用CFD模拟中的乘客热通量数据计算每位乘客的总体EHT。
-
- 客舱模型验证
利用气候风洞实测数据验证了车舱CFD模型的有效性。稳态下的客舱基本能量平衡为:
其中，m˙是条件空气进入机舱的质量比率，cp是空气的比热容，Toutlet为HVAC排放空气温度，Tair是舱内空气温度，Tambient是环境温度，QSolar是进入车舱的净太阳辐射，UA是车舱外壳的总传热系数。
式(2)的右侧为车舱的环境热负荷，左侧为车辆系统提供的冷热功率。如图7所示，为了保持理想的舱室空气温度，需对给定的环境温度和太阳能负荷提供正确的HVAC功率，从而得到热舒适环境。车舱内环境热负荷(式(2)中的第二项)有两项，第一项是车舱与环境间的总热交换，车舱内部与环境空气间的温度差与车舱外壳的热导率成正比。第二项是进入车舱的净太阳辐射。
车舱的整体热导率(UA)是基于气候风洞数据，在极冷环境温度(例如-20°C)且无太阳能负荷的情况下，通过车辆速度的函数计算得出。其值主要取决于车辆结构和车速。基于气候风洞试验所得的整车热导率如图8所示。CFD模型在表3所给的与风洞测试相同的边界条件下运行。CFD模型计算所得的车舱平均空气温度与隧道试验测得的目标车舱空气温度24℃相匹配，UA值为35W/mK(与风洞数据相同)，如图8所示。
在典型夏季条件下，我们用试验车辆的数据进行额外验证。结果表明在相同边界条件下，CFD模型计算所得的舱室平均空气温度与实验测量值在plusmn;1℃范围内相吻合。
-
- 模拟数据集
针对车辆的任意窗户表面、环境边界条件和空调设置(排气温度和流量)，设计了可见光谱和红外(IR)光谱的玻璃性能实验矩阵，共生成37个特征值，如表4所示。并将可见光和红外光谱中的玻璃性质(吸收率和透射率)在DOE矩阵中进行修正，以考虑窗户表面的反射率，如下所示:
其中alpha;是吸收率，tau;是窗户表面可见的透射率和红外光谱。由于反射率为吸收率和透射率的决定变量，所以将其从DOE矩阵中排除。
CFD模拟在DOE矩阵的每个设计点上进行。采用CFD模拟得到的乘客热通量数据计算DOE矩阵中任意情况下乘客的总EHT。另外60个案例涵盖了典型的夏季和冬季条件以及天窗的不同玻璃特性，以运行生成测试数据集，用于对机器学习模型的训练和验证。测试数据集仅用于检查不可见数据下优化后的机器学习模型性能。
- 机器学习模型
三种机器学习算法:线性回归、随机森林和人工神经网络，根据上文阐述输入训练数据来预测每个乘客的总体EHT和客舱平均气温。
-
- 线性回归随随机梯度下降
本研究通过Python的机器学习库Scikitlearn建立了使用随机梯度下降的线性回归模型。采用每个目标对应一个回归变量的多目标回归，是扩展原本不支持多目标回归的回归量的简单策略。所有输入要素均以零为中心，利用
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239043]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
