人们大约 90% 的生命时间在室内度过 [1,2]，这使得建立健康、舒适的室内热环境成为公共健康和福祉的关键优先事项。由于活动水平、年龄以及生理和心理状态的差异，个体的热舒适需求存在显著差异 [[3], [4], [5], [6]]。这种差异性突显了在共享室内空间中对差异化热环境的迫切需求。传统的均匀热环境控制策略优先考虑总放热率，而忽视了单个热源的位置和强度，后者对不同的室内子区域产生不同影响 [[7], [8], [9], [10]]。因此，准确表征每个热源的位置和强度是实现非均匀室内热环境的基础步骤。
大量研究致力于识别室内污染物源，计算流体动力学 (CFD) 被广泛用于正演求解 Navier–Stokes 方程和组分输运方程以预测污染物扩散 [[11], [12], [13]]。包括拟可逆性 (QR) [14]、伪可逆性 (PR) [15]、概率伴随 [16,17]、贝叶斯概率 [18] 和基于神经网络 (NN) 的方法 [[19], [20], [21], [22]] 在内的逆向识别方法已经发展起来，但受限于高计算成本、适用性有限或无法量化释放强度。Huang 等人 [23] 比较了四种机器学习算法，用于同时识别污染物源位置和强度，发现人工神经网络 (ANN) 能产生最鲁棒的性能。然而，现有的热源识别研究主要集中在固体介质中的热传导 [[24], [25], [26], [27]]，即使对流热源在空调空间中无处不在且与非均匀热环境设计密切相关，但对室内空气环境中对流热源的关注有限。Lei 等人 [28] 采用室内气候贡献率 (CRI) 指标 [[29], [30], [31]] 来识别墙源的热传递率，并展示了初步识别结果。在稳定的室内空气流条件下，基于线性叠加原理推导出了污染物浓度表达式 [7,8]，能够实现最少的先验模拟或实验下的快速预测。Cai 等人 [32,33] 和 Shao 等人 [34] 将这种方法扩展到多个污染物源的识别，展示了快速、免数据库的性能。鉴于传热和传质传输机制的相似性，这种方法在识别非均匀分布热源方面具有潜力。然而，在实际场景中，热源不仅包括墙源，还包括分布在房间内不同局部位置的各种热源。在热浮力作用下，每个热源的位置分布、总数和放热强度的变化会导致空气流场发生变化，从而影响识别精度。传感器的位置、数量和噪声也会影响热源识别结果。对上述因素进行系统评估是有价值的。
在本研究中，通过数值方法系统评估了基于线性叠加原理的热源识别模型的鲁棒性，特别关注了源特性（数量、位置和强度）和传感器部署（噪声、数量和布局）在显著浮力驱动流下的影响。本研究为在每个子区域实施个性化热环境调节提供了支持，同时有助于减少空调系统的能耗。
