节能减排是当代制冷空调技术发展的主题在面对新制冷剂.doc

【研究意义】节能减排是当代制冷空调技术发展的主题。在面对新制冷剂、不断提高的能耗标准、以及不断涌现的新技术时，制冷空调产品的“经验+实验”的传统设计方法正受到前所未有的挑战，这直接促进了计算机技术被越来越多地应用于制冷空调系统的研发与设计之中。制冷剂热物性计算是制冷系统研究计算机化的基础，特别是制冷空调系统仿真、优化和控制的实现需要大量计算物性。面对日趋复杂的制冷空调系统设计和在线实时控制，需要发展函数形式简单、快速、准确、稳健的热物性计算方法。【国内外研究现状综述】制冷剂热物性的计算方法一直是相关领域的研究热点。从制冷空调系统仿真、优化和控制的应用角度来讲，制冷剂热物性的计算方法主要有以下几种。第一种是状态方程法。这是最常用的一种方法，其原理在相关教材1,2中有广泛而深入的介绍。这种方法的优点是计算精度高、参数范围广。缺点是计算速度慢（特别是对于混合工质）、计算稳定性一般（由迭代计算造成），并不适合直接用于系统仿真、优化或控制。美国标准与技术局（NIST）提供的REFPROP软件3是这种方法的典型代表，已成为国际通用的制冷剂标准数据库。其它的计算方法大都以REFPROP提供的制冷剂热物性数据为基准，从不同的途径建立快速、稳定的简化模型。第二种是多项式类简化模型法。在相对较窄的参数范围内，基于REFPROP提供的数据，采用多项式或者类多项式等比较简单的经验方程进行近似计算。这类方法的优点是计算速度快、计算稳健性高。缺点是参数范围较窄、计算精度有不同程度的下降，且对于不同的热力性质，为了提高精度，往往采用不同函数形式的经验方程，通用性一般。Cleland提出的类多项式模型4-6、张春路和丁国良等提出的隐式多项式模型7-12是这类方法中的典型代表。其中，隐式多项式模型采用隐式低阶多项式在同等阶数下获得更多的回归系数，大大提高了回归精度；然后通过求根公式获得物性的显示计算公式。但是，经常会出现一种物性计算模型由多个根分段复合而成的情况，根与根之间在分叉点上不连续。因此，往往需要花费大量时间反复尝试将根的分叉点移出回归的参数范围。此外，除了饱和线之外，物性参数在其它的分区之间的边界线上的连续性问题尚未解决。第三种是表格插值法。通过REFPROP按一定顺序生成数据表格，采用某种搜索和插值方法（通常是线性或双线性插值）完成估算。这类方法的优点是计算速度较快、计算稳健性较高、通用性好。缺点是为了保证计算精度需要存储比较密集的数据，导致数据文件很大，普通的数据文件读取方法会比较耗时。此外，线性/双线性插值方法会导致一阶（偏）导数不连续，影响导数相关模型计算的稳健性。第四种方法是人工神经网络。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型13。人工神经网络近年来开始被应用于制冷剂热物性计算14-19。由于人工神经网络可以作为任意连续非线性函数的通用逼近器，其在制冷剂热物性计算中的应用前景被看好。但是，当人工神经网络结构比较复杂时，其本身就是一个非常复杂的非线性函数，人工神经网络的训练与验证也是一个复杂的过程。第五种方法是数据挖掘。数据挖掘(Data Mining)，就是从存放在数据库，数据仓库或其他信息库中的大量的数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程20。最近，Kucuksille等人21,22基于数据挖掘技术对制冷剂的部分饱和热物性进行了研究，得到了含有冗余变量的一阶线性模型，在 -5050C饱和温度范围内，模型最大误差仅0.5%左右。尽量Kucuksille等人并未真正认识到冗余变量的作用，更未深入阐明其中的热力学机理，但是冗余变量的加入使用计算模型变得异常简单，这对于制冷空调系统仿真与优化、特别是在线实时控制非常有价值。通过增加冗余变量实现模型降阶的思路在其它研究领域早有出现23，但是由于其反常规的思路（一般都是通过消除冗余变量来实现模型降阶或降维），相关的研究至今仍是很少见。综上所述，研究者们试图通过各种方法来简化制冷剂热物性的计算。其中，在同等精度下，通过数据挖掘技术获得的带有冗余变量的热物性简单线性模型最为简单。由于冗余变量的引入具有一定的偶然性、且异于常规思路，这种偶然性带来的简化效果、以及其背后的热力学机理，尚未受到重视。申请人拟从此入手，深入研究其热力学机理，建立完整的制冷剂热物性计算的冗余变量法，并应用于常用制冷剂。【项目创新之处】与目前常用的制冷剂热物性快速计算方法不同，提出一种基于冗余变量的制冷剂热物性快速计算新方法，通过增加某些冗余变量，将热物性参数之间的复杂非线性函数关系转换为近似的低阶、甚至一阶线性函数关系，比目前的制冷剂热物性快速计算模型更为简单、且计算精度很高。本课题的研究在理论上探索了制冷剂热物性模型的一种新的构造方法，丰富了制冷剂热物性计算理论；在应用上为制冷空调系统的快速仿真和实时控制提供了一种简单高效的制冷剂热物性计算方法。【主要参考文献】1 苏长荪. 高等工程热力学M. 北京: 高等教育出版社, 1987.2 童景山. 流体热物性学基本理论与计算M. 北京: 中国石化出版社, 2010. 3 Lemmon E W, Huber M L, McLinden M O. NIST reference fluid thermodynamic and transport properties REFPROP 9.0. NIST standard reference database 23, 2010, 4 Cleland A C. Computer subroutines for rapid evaluation of refrigerant thermodynamic properties J. International Journal of Refrigeration, 1986, 9(6): 346-351.5 Cleland A C. Polynomial curve-fits for refrigerant thermodynamic properties: extension to include R134a J. International Journal of Refrigeration, 1994, 17(4): 245-249.6 张春路, 于兵, 冯寅山, 等. 碳氢制冷剂热力性质的快速计算J. 流体机械, 1997, 25(11): 57-60.7 张春路, 丁国良, 李灏. 制冷剂饱和热力性质的隐式拟合方法J. 工程热物理学报, 1999, 20(6): 673-676.8 张春路, 丁国良, 李灏. 制冷剂过热气体热力性质的隐式拟合方法J. 工程热物理学报, 2000, 21(5): 533-536.9 Ding G L, Wu Z G, Liu J, et al. An implicit curve-fitting method for fast calculation of thermal properties of pure and mixed refrigerants J. International Journal of Refrigeration, 2005, 28(6): 921-932.10 Ding G L, Wu Z G, Wang K, et al. Extension of the applicable range of the implicit curve-fitting method for refrigerant thermodynamic properties to critical pressure J. International Journal of Refrigeration, 2007, 30: 418-432.11 Ding G L, Han W, Zhao D, et al. Extension of the implicit curve-fitting method for fast calculation of thermodynamic properties of subcooled refrigerants J. HVAC&R Research, 2009, 15: 875-888.12 Zhao D, Ding G L, Wu Z G. Extension of the implicit curve-fitting method for fast calculation of thermodynamic properties of refrigerants in supercritical region J. International Journal of Refrigeration, 2009, 32: 1615-1625.13 百度百科: 人工神经网络. /view/19743.htm.14 Laugier S, Richon D. Use of artificial neural networks for calculating derived thermodynamic quantities from volumetric property data J. Fluid Phase Equilibria, 2003, 210: 247-255.15 陈红, 何祖威, 陈秀环. 基于改进BP 神经网络的制冷剂状态参数计算模型J. 重庆大学学报(自然科学版), 2005, 28(2): 43-46.16 Sozen A, Ozalp M, Arcaklioglu E. Calculation for the thermodynamic properties of an alternative refrigerant (R508b) using artificial neural network J. Applied Thermal Engineering, 2007, 27: 551-559.17 Sozen A, Arcaklioglu E. Determination of thermodynamic properties of an alternative refrigerant (R407c) using artificial neural network J. Expert Systems with Applications, 2009, 36: 4346-4356.18 Mohebbi A, Taheri M, Soltani A. A neural network for predicting saturated liquid density using genetic algorithm for pure and mixed refrigerants J. International Journal of Refrigeration, 2008, 31: 1317-1327.19 Sencan A, Kose I I, Selbas R. Prediction of thermophysical properties of mixed refrigerants using artificial neural network J. Energy Conversion and Management, 2011, 52: 958-974.20 百度百科: 数据挖掘. /view/7893.htm.21 Kucuksille E U, Selbas R, Sencan A. Data mining techniques for thermophysical properties of refrigerants J. Energy Conversion