使用集成CFD-数据驱动框架确定冲击射流通风与被动式冷梁组合系统的可行设计参数域

《Building and Environment》：Determining feasible design parameter domains of impinging jet ventilation and passive chilled beam combined systems using an integrated CFD-data-driven framework

　　

•基于CFD数据的框架确定了射流通风与被动式冷冻束结合（IPC）系统的可行运行域。•在高冷负荷条件下揭示了可行域的非线性迁移规律。•通过Sobol分析量化了控制IPC性能的关键参数交互效应。•BPNN代理模型准确预测了八项IPC性能指标。•最优解在热舒适、室内空气质量与能效之间取得平衡。引言

随着大型公共建筑的持续扩张，建筑运行相关的能耗大幅增加[1,2]。在满负荷运行时，通常依赖集中式空调与通风系统提供所需的热舒适水平和室内空气质量[3]。人员数量的变化会引起冷负荷的快速波动，导致系统运行工况偏离设计工况。传统的通风与冷却策略无法及时响应此类动态变化，可能导致局部热不适、温度分布不均匀以及能效降低[4]。因此，合理确定送风参数以适应与人员相关的冷负荷变化，并实现热环境、室内空气质量与能耗的协调优化，是高人员密度公共建筑通风控制中的关键问题。

射流通风（IJV）是一种新型空气分配策略，从房间低处送入经过处理的空气。送风射流撞击地面后形成贴壁扩散气流，并与室内热源产生的上升热羽流相互作用，从而形成稳定的热分层环境[5]。在热分层条件下，人员活动区可以维持舒适的平均温度，同时实现可观的节能潜力和通风效率[6,7]。以往研究表明，室内热分层的稳定性受冷负荷的强烈影响[8]。随着冷负荷的增加，同时满足热舒适、能效和污染物去除要求的送风参数可行范围显著缩小[8]。例如，在低于50 W/m2的低到中等冷负荷条件下，IJV系统的送风参数可以在推荐范围内灵活选取。然而，在超过100 W/m2的高冷负荷工况下，通常需要更高的送风动量或更低的送风温度来满足瞬时冷却需求，这可能导致局部风速增大，并使吹风感超出可接受的热舒适阈值[9]。因此，单纯提高送风量或降低送风温度无法同时实现热舒适和高系统效率。

为增强IJV系统在苛刻高冷负荷条件下的适用性，将IJV与被动式冷冻束（PCB）结合形成射流通风与被动式冷冻束结合（IPC）系统逐渐成为一种有效的解决方案[10]。在IPC系统中，经处理的fresh air（新风）与回风混合后由IJV系统送入人员活动区，而其余显冷负荷则通过PCB以对流换热方式移除[10,11]。以往研究表明，IPC系统可以保持IJV的高通风效率，同时减小垂直温度梯度并拓宽送风参数的可行运行范围。此外，在改善室内热环境和降低能耗方面也显示出可观潜力[[10], [11], [12], [13]]。正如先前研究[13]所报道，在不同高冷负荷条件下给出了PCB冷却比（η）的大致推荐范围。例如，当室内冷负荷为150 W/m2（q* = 5.00）时，η的推荐范围为0.4–0.5。然而，该范围相对较宽且以离散方式给出。在进一步研究中，发现此类离散的参数范围不足以满足IPC系统的实际设计要求。此外，IPC系统中引入了多个设计变量，包括送风参数、冷负荷分配和运行工况等，而控制系统性能的复杂耦合机制仍未得到充分了解。

IPC系统的最新进展凸显了送风条件和气流特征在决定热分层和系统性能中的重要性。Yang等人[14]表明，送风参数会改变射流的发展行为，进而影响热分层的形成和人员舒适度。Shan和Rim[15]发现，增加PCB承担的冷负荷比例可以减小垂直温差，但可能削弱分层结构并加剧吹风感。Hu等人[16]进一步报道，热分层高度主要由送风参数控制，而室内热环境则受冷负荷分配和送风温度的共同影响。这些研究表明，IPC系统的性能由多个设计参数的耦合效应决定，并表现出显著的非线性特征。然而，现有研究主要集中于单个参数或有限的参数组合，难以揭示整体性能特征。因此，建立IPC系统的可行设计参数域对于系统性能评价和优化设计至关重要。

尽管CFD方法能够准确揭示IPC系统的气流与传热机制，但其应用通常需要大量工况和高精度网格计算，导致计算成本较高[[17], [18], [19]]。此外，CFD模拟通常在离散的工况条件下进行，这限制了系统设计参数与性能响应之间连续映射关系的建立，尤其是在高维设计空间中[20]。数据驱动方法通过在设计变量与性能响应之间构建快速代理模型，提供了一种有效的解决方案，从而显著降低了使用传统CFD方法进行大规模参数分析的计算负担[21]。因此，数据驱动方法已逐渐成为建筑环境和暖通空调系统性能预测与优化的重要工具。

数据驱动代理模型已成为建筑环境系统优化的有效策略，能够在避免计算密集型数值模拟的同时提供快速的性能预测。支持向量回归（SVR）、人工神经网络（ANN）和反向传播神经网络（BPNN）等机器学习方法已被广泛应用于建筑能耗预测[20,22,23]。在这些方法中，BPNN具有较强的非线性逼近能力和自适应学习能力，能够有效地捕捉工程系统中性能指标与设计参数之间复杂的非线性关系。因此，BPNN已被广泛应用于复杂系统建模和性能预测[24,25]。通过建立基于BPNN的IPC系统代理模型，可以在各种设计参数组合下实现快速的性能预测，为后续优化提供高效的评估工具。

然而，仅依靠代理模型只能提供系统性能的快速预测，无法直接识别满足多目标性能要求的最优设计参数组合。因此，还需要进一步优化算法来探索设计空间并确定合适的解。多目标优化方法已成为室内热环境和暖通空调系统设计的有效工具，能够实现热舒适、能耗等相互冲突目标的同步优化[[26], [27], [28]]。在这些方法中，结合代理模型的NSGA算法能够以较低的计算成本高效搜索广泛的可行解，并在多性能约束下获得帕累托最优解集[[29], [30], [31]]。由于帕累托前沿通常包含多个非支配解，因此需要进一步使用多准则决策方法进行筛选。熵权TOPSIS法提供了客观的加权与综合评价方法，可用于对备选方案进行排序，并在复杂工程优化问题中表现出良好的适用性[32,33]。因此，将代理模型、多目标优化算法与决策方法相结合，能够高效探索IPC系统的设计参数空间并识别最优运行策略。

本研究基于全因子设计方法建立了CFD模拟数据库，系统研究了不同冷负荷条件下各设计参数对IPC系统性能的影响。随后，建立了BPNN代理模型以实现系统性能的快速预测，并通过结合多目标优化与熵权TOPSIS方法确定了最优设计参数组合。最后，识别了不同冷负荷条件下IPC系统的可行设计参数域。研究成果为高冷负荷环境下机械通风系统的数据驱动设计与优化提供了有价值的参考。

分节摘要

IPC模型介绍

图1给出了射流通风与被动式冷冻束结合（IPC）系统的数值模型，该模型代表了公共建筑中典型的人员占用场景。建立了一个尺寸为6.0 m（x）× 6.0 m（y）× 3.6 m（z）的矩形计算域。房间内布置了四个PCB单元，每个单元的尺寸为0.4 m（x）× 2.0 m（y）× 0.2 m（z）。PCB单元安装在水平高度z = 3.0 m处，单元之间的垂直间距为0.4 m，顶部...

室内气流组织与热环境特征

图7展示了在相同冷负荷比（η = 0.4）下，不同室内冷负荷等级（q）时IPC系统在垂直截面（y = 1.8 m）上温度场与流线分布的变化情况。如图7所示，当q = 100和150 W/m2时，室内平均温度保持相对较低。PCB单元诱导的下沉冷射流保持了清晰稳定的轨迹，平滑地穿过房间中部区域并与...

结论

通过CFD模拟、Sobol全局敏感性分析和BPNN-NSGA-III优化框架，对射流通风与被动式冷冻束结合（IPC）系统的物理热特性和最优运行策略进行了研究。主要结论如下：

（1）IPC系统的气流组织受冷负荷强度的阈值效应显著调控。当冷负荷q从100增加到250 W/m2时...

CRediT作者贡献声明

Tao Ren（任涛）：撰写—初稿、验证、调查。Meiyu Sun（孙美瑜）：调查、数据管理。Shentong Mo（莫神通）：软件、方法论。Yuqian Gu（顾钰芊）：资源、形式分析。Jin Cheng（程瑾）：可视化、数据管理。Jun Hu（胡俊）：撰写—审稿与编辑、监督、项目管理、资金获取。Yanming Kang（康艳明）：撰写—审稿与编辑、资金获取。Ke Zhong（钟克）：资金获取、概念化。

Tao Ren | Meiyu Sun | Shentong Mo | Yuqian Gu | Jin Cheng | Jun Hu | Yanming Kang | Ke Zhong