融合改进理想气体定律与神经网络实现气承式膜结构内部压力实时预测及智能开环控制

《Engineering Applications of Artificial Intelligence》：Real-time internal pressure prediction in air-supported membrane structures using a modified ideal gas law and neural networks

本研究提出一种结合改进理想气体定律（引入压力依赖型体积映射）与前馈神经网络（FNN）的混合代理框架，用于气承式膜结构内部压力的实时高精度预测。该模型通过时间步进算法实现开环控制，显著提升结构安全性与能效，实验验证其预测误差低于3.64%，充气时间缩减三分之二且无超调现象，为智能建筑系统提供了可扩展的计算高效路径。

　　

Highlight

Uncertainty analysis

实验所用测量设备存在固有不确定性，分析中已予以考虑。各测量参数的不确定性列于表3，源于仪器精度和分辨率（由制造商指定）。

对于衍生参数（如气体摩尔数），其不确定性通过误差传递方法（公式(1)）计算。选择内部压力和温度在典型波动范围内的最大值进行不确定性量化，确保评估的保守性。

Conclusion

本研究提出了一种实时精准预测气承式膜结构内部压力的新方法，填补了当前方法缺陷与先进控制系统需求之间的空白。通过采用改进的理想气体定律（纳入压力依赖型体积变化）并结合前馈神经网络（FNN）预测流出速率，该方法成功模拟了不同操作条件下内部压力的动态行为。数值与实验结果表明，该框架在精度和可靠性方面表现卓越。充气过程中，内部压力在127秒时达到峰值（高于目标值21.6 Pa），并在200秒左右趋于稳定。出口风速与压力（250–450 Pa）呈正相关，但在450–550 Pa区间下降且波动加剧。FNN预测出口风速的均方根误差（RMSE）为0.645，平均绝对百分比误差（MAPE）为3.55%。内部压力的最大误差为14.09 Pa，最大绝对百分比误差为3.64%。关键的是，将该模型集成至开环控制方案中，可使充气时间较传统闭环调节缩短三分之二，并完全消除超调——彰显了其在实时控制中的实际优势。除数值性能外，该框架为膜结构的智能开环调控提供了一条可扩展且计算高效的路径。本研究为动态环境条件下自适应结构控制的未来发展奠定了基础，对智能建筑系统具有广泛意义。