综述：改进的无单元伽辽金方法进展：全面综述

《CMES - Computer Modeling in Engineering and Sciences》：Advances in the Improved Element-Free Galerkin Methods: A Comprehensive Review

本文推荐一篇关于太阳能烟囱性能预测的综述，提出了一种基于人工神经网络（ANN）的监督学习方法，用于预测单通道太阳能烟囱（SC-SoCh）的关键性能指标（ACH、FVOL、FMAS）。研究利用包含2784种配置的数据集，在墨西哥城案例中验证了ANN模型，其决定系数（R2）高达0.990，优于线性回归基线（PREG），为可持续建筑设计提供了高效的决策工具。

　　

引言

建筑是全球能源消耗的重要部分，尤其在供暖、制冷和照明方面。国际能源机构报告指出，建筑和工业部门共同占全球电力消耗的90%以上。建筑还贡献了全球三分之一的温室气体排放，是全球变暖的重要推手。因此，提高建筑能效已成为联合国可持续发展目标（SDG）的关键，特别是SDG 7（经济适用的清洁能源）、SDG 11（可持续城市和社区）和SDG 13（气候行动）。被动式系统，如太阳能烟囱（SoCh），通过低能耗设计策略提升建筑能效，成为可持续建筑的焦点。SoCh利用太阳能诱导自然通风，增强空气流通，无需机械辅助，从而改善热舒适性并降低能耗。然而，SoCh的性能受多种设计参数（如高度、宽度、材料）和环境条件（如太阳辐照度、环境温度）影响，准确预测其性能对优化设计至关重要。

单通道太阳能烟囱

单通道太阳能烟囱（SC-SoCh）以其设计简单、易于集成到建筑立面而受到关注。其性能评估依赖于全球能量平衡（GEB）模型，该模型考虑了热传导、对流和辐射等多种热传递机制。物理模型包括玻璃盖板、空气通道、吸收板（可能包含相变材料PCM）和隔热层。GEB模型通过数学方程描述各组件间的能量交换，例如玻璃盖板的能量平衡方程（Eq. (1)）涉及太阳辐射吸收、与室外空气的对流换热、与天空的辐射换热以及与吸收板之间的辐射交换。空气通道的方程（Eq. (2)）则考虑了自然对流和质量流率效应。吸收板（如PCM）的模型使用“有效”比热法（Eq. (5)）来模拟潜热和显热存储。热扩散率（α_p）是评估吸收板性能的关键参数（Eq. (6)）。与以往仅研究南向或西向的模型不同，本GEB模型适用于任何主方向，并在非稳态下评估热传递，已通过实验数据验证，偏差低于12%。

相关工作

近年来，人工智能（AI）技术，特别是人工神经网络（ANN），被广泛应用于优化SoCh性能。研究通常结合物理模拟（如计算流体动力学CFD或GEB模型）与AI，生成数据集训练ANN模型，以快速预测性能指标。例如，Mandal等人通过CFD模拟生成数据，训练ANN预测SoCh发电厂的性能。Tariq等人开发了SoCh通风系统的数字孪生模型，使用多层感知器ANN预测ACH等指标，并耦合非支配排序遗传算法II进行多目标优化，使ACH比基线设计提高71%–87%。Ali等人探索了集成加湿系统的SoCh，ANN预测ACH和室内温度的R²高达0.9566。Xiao等人将PCM与SoCh结合，ANN准确预测了墙体和屋顶温度（R²分别为0.991和0.979）。Barghi Jahromi等人开发了混合太阳能通风器，ANN预测出口风速的R²>0.96。这些研究显示，ANN在建模非线性系统、减少计算时间方面优势显著，为SoCh设计提供了高效工具。

预测太阳能烟囱性能的提议方法

本研究提出一种基于ANN的计算智能方法，用于预测SC-SoCh的性能指标（ACH、FVOL、FMAS）。ANN是一种受大脑启发的非线性计算模型，通过反向传播算法学习输入与输出间的复杂关系。方法包括四个步骤：首先，使用GEB模型计算每种SC-SoCh配置的性能指标；其次，为每个指标创建数据集；第三，构建包含12个特征（如烟囱高度、通道厚度、玻璃厚度、涂料、墙体材料、温度、辐射、相对湿度、风速、大气压力、日期和方向）的输入向量；第四，为每个指标训练一个ANN模型，输入层12个神经元，隐藏层3-4层（使用ReLU激活函数），输出层1个神经元（线性激活函数）。数据预处理包括标准化处理，以确保模型收敛。数据集源自GEB模拟和墨西哥城气象数据，涵盖2784种配置，几何参数（如高度1-4 m）、材料属性（如吸收率0.30-0.97）和气候变量均基于实际范围。相关性分析显示变量间存在中度线性关系（如T_mean与P_mean的相关系数为-0.60）。

实验分析与讨论

实验在超算中心进行，使用80-20的数据分割进行训练和测试。超参数调优采用网格搜索法，针对每个性能指标独立优化。结果显示，ACH指标的最佳ANN架构为3隐藏层（64-32-8神经元），批量大小16，500轮次，学习率0.01，Adam优化器，测试R²为0.905。FVOL指标最佳架构为3隐藏层（32-12-6），批量大小32，500轮次，学习率0.005，Adam优化器，R²为0.926。FMAS指标最佳架构为3隐藏层（32-12-2），批量大小16，1000轮次，学习率0.005，Adam优化器，R²高达0.990。与多元线性回归（PREG）基线相比，ANN在RMSE上平均提升56%（FMAS达72%），R²平均提升29%（FVOL达38%）。损失函数曲线显示ANN快速收敛且泛化能力强。ANN预测时间（如ACH训练55.4秒）远低于GEB模拟时间（如ACH需10368秒）。与实验数据验证表明，ANN预测的FMAS速率偏差小于9.5%，证实其实际适用性。

结论

本研究成功开发了ANN模型，用于预测SC-SoCh系统的性能指标。ANN模型在准确性、泛化性和鲁棒性上均优于PREG基线，能够捕捉SoCh系统中的复杂非线性关系。该方法为可持续建筑设计提供了高效工具，有助于在设计阶段优化太阳能烟囱性能。未来工作将扩展ANN模型以适应更复杂的建筑几何和气候条件，并集成优化框架以应对更多实际场景。