人工神经网络与CFD技术交互的建筑直供水改造中增压优化设计
随着计算机技术的发展,CFD[1,2]技术与人工神经网络模型[3,4]在给水排水的优化设计、工况预测方面已经具有较好的研究成果,并在实践过程中得到了应用。人工神经网络模型具有自学习、联想存储功能为市政设计中数据缺乏或者工程条件复杂情况下的设计、优化提供了很好的辅助条件[5~7]。但是人工神经网络所需的数据样本量巨大,CFD需要大量的计算时间成本。
本文以某高校学生宿舍楼5号楼为案例,将CFD与人工神经网络相结合,联合CFD的大数据量与人工神经网络的快速计算的特点,进行学生寝室的供水改造中增压泵的选型压力计算以克服管网增压改造压力资料不足的局限。
1 供水现状及存在问题
学生宿舍具有人员居住密度大、用水时间集中等特点,按照《建筑给水排水设计规范》(GB 50015-2003,2009版)的设计要求小时变化系数为3.0~3.5,一般低层部分利用市政水压直接供水,但是实际使用中仍然会出现学生宿舍供水不足甚至无法供水的情况出现。5号楼供水管网按市政供水压力0.40 MPa进行设计施工,但是根据调查夜间10:00点前后仍会出现供水不足,顶层区域尤为严重,需要进行改造。
结合该楼供水管路,采用CFD软件对楼栋供水管网进行概化后,再结合人工神经网络模型进行计算,借鉴现有中低层建筑的市政管网直接供水经验[8],对学生宿舍改造中供水水泵的运行工况进行设计。
2 方案计算
在动态供水情况下,根据主干管进口所需水压差值参照设计用水量进行水泵选型设计。该方案包括计算机仿真、人工神经网络仿真和工况优化3步。
2.1 计算机仿真
2.1.1 Pro-Engineer三维建模
模型采用Pra Engineer(pro-e)软件建模(见图1),结合已有CAD管网资料,对5号楼学生宿舍给水管网进行1∶1三维管网建模。与以往的经验计算相比,更好地反映了管网弯折处对水头损失的衰减,降低了管路配件资料缺失带来的局部水头损失等人为估算误差,减少了管网水头损失计算工作量。
2.1.2 ICEM网格划分
网格划分中最大网格定义为0.03m,在狭长管路中,考虑了更好贴合管壁的同时,又需要减少网格数目以节约计算时间提高计算效率,故不采用贴体网格,全体采用均布正四面体网格划分。网格生成方法采用八叉树方法,避免枝状管网连接处的大量修补工作。
研究中总共生成网格775 414个,基于ICEM的网格质量评级中全体网格网格质量均大于0.4(最优为1,通常要求大于0.3)。由细部图(见图2)也可以看出网格密度合理,分布均匀,连接顺畅,网格质量较优。
2.1.3 边界设定
边界设定采用CFX软件,采用有限体积法,以不可压缩流体为前提,对管网进行基础设定。管路流体设置为25℃纯水。进口边界条件设置为压力进口,管网边壁绝对粗糙系数设置为0.01mm。编号各楼层管路出口,并设置为零压力出口。
为了解决应对大压差水力启动条件下CFD的收敛问题,在设定中采用非稳态计算,并使用k-ε双参数湍流方程运算,运算步长设置为0.04s,运算时间10s,收敛条件为方差小于10-5。
2.1.4 计算结果
为便于下一步进行人工神经网络的计算,结合实际情况分别计算2组训练组。第一组,分别以0.20 MPa为最小值,0.35 MPa为最大值,每0.01 MPa为一个分度,计算管网出口全压;第二组,分别计算0.40 MPa、0.80 MPa情况下的管网各出口全压。
由进口压强下CFX运算均方根误差随时间变换(见图3)可知,管网在前10步之内实现了快速收敛,在达到10-5的目标精度之后,精度随时间震荡向前,并在200~250步之间已经实现步间收敛,稳定向前。运算在250步时达到10s的目标运算时间,运算误差稳定,运算精度可靠。
2.2 人工神经网络仿真
2.2.1 输入、输出矩阵设计及定量化
从右侧上部第一竖管开始逆时针从1到32进行编号命名(见图1),对楼层进行从1到5编号,使用[竖管编号-楼层编号],对管网进行定位。结合输入压力,构造输入矩阵为[Pin,Side,Height],其中,Pin为输入压力,Side为竖管编号,Height为层高。构造输出矩阵为[Pout],Pout为对应输入位置下的压力。
2.2.2 人工神经网络设计及网络训练
采用BP人工神经网络。由输入-输出矩阵,设计函数隐藏层为双层隐藏层,第一隐藏层神经节点数目为5,与输入楼层相对应;第二隐藏层神经节点数目为32,与竖管数目相对应。
网格训练采用Matlab神经网络工具箱,最大试错次数为48次,最大迭代次数为10 000次,目标误差为10。将0.20~0.35 MPa的各工况输入、输出数据导入人工神经网络工具箱,开始进行网格训练,训练结果见图4。
训练费样本由函数随机抽取的70%数据组成,另外随机抽取15%数据用于人工神经网络率定,剩下15%数据用于函数校验。训练迭代次数为2 422次,费时1min 57s。训练终止条件为48次下降向量试算过程中无误差下降,即认定为训练已经到达误差最优点,无法继续降低,此时均方根误差为56.66Pa,在实际工程中为可接受范围。
根据图5可得训练误差较小,绝大多数数据误差集中在2.811Pa左右,并基本以0为中心呈正态分布,训练误差为随机误差,不存在系统性偏差。同时绝大部分误差分布在±80Pa之间,误差百分比在±1%以内,训练数据基本与实际数据相吻合。
2.2.3 人工神经网络外插校验
采用训练后的人工神经网络,结合增大压力输入条件下的CFD数据,对人工神经网络进行测试。
从图6可知实测数据与计算数据拟合斜率接近1,虽然随着外插距离(输入压力与训练压力的差值)的增大,人工神经网络计算质量有所下降,但是均超过0.95的拟合度证明了人工神经网络外插的鲁棒性,截距为50Pa、80Pa在实际工程中为可忽略误差,数据校验完备,人工神经网络具有较强的外插稳定性。
2.3 工况优选
结合计算机仿真技术,在抽取结果的同时,使用人工神经网络对多情况入口压力条件进行简化计算,对叠压目标压力进行优化设计。按照设计要求,管网工作时最不利供水点水压应不低于0.07MPa,故以该数值为目标,结合人工神经网络进行进口压强寻得。
绘制水力最不利点压力如图7所示。
取最不利点压力为0.07MPa,得到进口压力值为1.09MPa。取进口数值1.10MPa,插入CFX软件中进行校验。得到水力最不利点位为水力最远点,该点在进口压力值为1.10 MPa的情况下,出口压力为70 462.73 Pa,略大于0.07 MPa的设计要求。
压力符合实际情况,根据以后管网输入压强,故增压量为0.70 MPa,在改造中宜采用分区增压设计,分区增压单泵增压量为0.35 MPa。
3 结论
以低层建筑供水系统为例,在缺乏实测数据的前提下,针对设计资料结合CFD计算中输入信息量要求小、输出数据量大的特点,以及人工智能领域人工神经网络运算的鲁棒性好、自动学习、快速运算等特点,进行了5号宿舍楼进口水压的CFD计算和人工神经网络优化,得出最不利点位置,快速推演出所需的进口水压,为水泵的合理选型奠定基础,为现有供水管网改造和新建楼宇管网设计提供较好的技术支撑。
[1]陈雪宇,黄晓家,谢水波,等.计算流体动力学(CFD)在建筑排水系统中的应用.给水排水,2009,36,(11):204~208
[2]宁国鹏,王旭敏,徐彪,等.大型淋雨设备管内流动的CFD模拟与分析.给水排水,2011,37(增刊):365~367
[3]朱东海,张土乔,任爱珠,等.BP人工神经网络用于给水管网模拟试验时的构造参数设计.给水排水,2001,28(2):10~13
[4]李适宇,厉红梅,林亲铁.深圳市供水量BP人工神经网络预测.给水排水,2004,31(12):105~108
[5]赵英,南军,崔福义,等.人工神经网络技术在水处理工艺建模中的应用.给水排水,2007,34(10):110~114
[6]章征宝,陈朝东,张一刚.人工人工神经网络在城市用水量预测中的应用进展.给水排水,2007,34(增刊):110~115
[7]张志果,桂萍.复杂水沙条件河流城市取水口水质模拟研究.给水排水,2014,40(11):156~160
[8]张东波,徐海燕,肖敏杰.某高校给水管网改造工程方案设计.给水排水,2014,40:94~96