CN104132959B - 一种基于神经网络的严寒地区建筑外墙传热性能预测方法 - Google Patents

Abstract

一种基于神经网络的严寒地区建筑外墙传热性能预测方法。本发明旨在基于实测数据，应用神经网络模型分析严寒地区冬季室外气流速度对于建筑外墙传热的影响。在最冷月实地测量了哈尔滨某多层建筑周边室外风速、风向、室内外平均温度、湿度以及对应时刻通过外墙的热流密度值；以环境参数和通过建筑外墙的热流密度为输入输出参量，建立神经网络预测模型，应用实测数据组对网络模型进行训练；采用控制变量法，应用神经网络预测模型生成通过建筑外墙的热流密度随室外气流速度变化的数值曲线。

Description

一种基于神经网络的严寒地区建筑外墙传热性能预测方法

技术领域

本发明涉及一种建筑外墙传热密度的测试方法。具体涉及一种基于实测数据建构了严寒地区冬季不同室外气流速度影响下的建筑外墙传热密度测试方法。

背景技术

严寒地区建筑采暖能耗占建筑总能耗的50％-60％，且多源于建筑外墙传热损失。通过建筑外墙的热量散失主要以对流传热、固体传热和辐射传热三种方式进行。室外气流速度显著影响对流换热过程。既有数据表明风扰引起的对流传热变化占总体传热变化的20％，气流速度存在不确定性，且风扰对于对流换热过程的影响具有明显的互动性和非线性特征，传热量变化间接引起了建筑外墙表面与相邻空气团温差的变化，从而影响气流运动，而气流运动又将改变对流换热量。风扰的不确定性及对流换热过程的非线性制约了相关研究，导致多数设计者在建筑设计初期多根据主观判断来评估建筑寒风对于建筑能耗的影响或仅考虑气流对于夏季通风效果的影响而忽略了对于冬季采暖过程的作用。

国内外相关研究主要采用计算机模拟、风洞试验和实地测量三种方法。相比计算机模拟，风洞实验虽然成本较高但具有更高的精度。然而风洞实验多采用等比例缩微模型，实验边界条件与自然情况下的实际环境存在偏差，影响了研究精度。因此，全尺寸实地测量方法更适于解析室外气流速度对于建筑外墙传热情况的影响。外国学者对温带海洋性气候区的某建筑展开实测，应用线性回归方程分析测试数据。测量了某多层建筑屋顶机房周边风速与墙面传热量，通过线性回归分析指出当建筑室内外温差大于15℃时，风速对于对流换热系数的影响较大。在过渡季对空旷场地内的某单层建筑外墙传热量与周边气流进行了测量。结果表明，风速越高，对流换热系数越大，通过建筑外墙的热流密度越大。在夏季应用萘升华法对哈尔滨某建筑屋面周边气流情况进行了测量。回归分析表明，随着室外气流速度升高，对流换热系数逐渐增长。

发明内容

本发明的目的在于克服现有技术的不足，提出一种在冬季严寒地区室外风速对于建筑外墙传热性能的测试方法。研究于最冷月对某寒地建筑外墙展开实地测量，测试期间室外平均温度为-10℃至-20℃，为避免日照辐射因素影响测试结果，仅选取夜间数据进行分析；研究未直接对测试数据进行回归分析，而是先建立神经网络预测模型，再应用控制变量法来测试不同风速对于通过建筑外墙热流密度值的影响，减少了非气流因素对研究结果的影响，且神经网络模型对于非线性问题具有很强隐形关系分析能力，相比线性回归模型能够更准确地预测外界环境影响导致的建筑传热性能变化。

为了达到上述目的，本发明采取了如下技术方案：

1、一种基于神经网络的严寒地区建筑外墙传热性能预测方法，其特征在于包括如下步骤：

步骤一、理论模型分析

建筑围护结构热量散失由传热散失、对流换热散失、长波辐射散失和蒸发散失四部分构成，如式(1)，

q_total＝q_conduction+q_convection+q_longwave-out-q_longwave-in-q_{solarradiation}+q_evaporation(1)

式中q_total为通过经围护结构损失的热量，q_conduction为围护结构固体传热损失量，q_convection为通过对流换热损失的热量，q_longwave-out为建筑外墙长波辐射散失热量，q_longwave-in为建筑外墙吸收的环境长波辐射得热量，q_{solarradiation}为建筑受到的短波辐射得热量，q_evaporation为建筑蒸发散热量。

其中，传热损失可按公式(2)计算，

q_conduction＝h_cd(T_srfout-T_srfin)(2)

式中q_conduction为围护结构固体传热损失量，h_cd为建筑外墙固态传热系数，其受到围护结构材料属性，墙体构造形式，室内外温湿度等多因素影响，T_{srf out}为建筑墙体外表面温度，T_srfin为建筑墙体内表面温度。

对流换热损失可按公式(3)计算，

q_convection＝h_cv(T_srfout-T_airout)(3)

式中q_convection为通过对流换热损失的热量，h_cv为建筑墙体外表面对流换热系数，T_srfout为建筑墙体外表面温度，T_airout为室外空气团温度。

辐射传热损失由建筑外墙面长波辐射散热、日照短波辐射及环境长波辐射得热三方面内容构成，辐射传热损失量可按公式(4)计算，环境长波辐射、天空温度、建筑外墙面长波辐射散热可按公式(5)、(6)、(7)计算，

q_radiation＝q_{l。ngwave-out}-q_longwave-in-q_{solarradiation}(4)

式中q_radiation为建筑辐射散热损失，q_longwave-out为建筑外墙长波辐射散失热量，q_longwave-in为建筑外墙吸收的环境长波辐射得热量，q_{solarradiation}为建筑受到的短波辐射得热量，

q_longwave-in＝ε_groundσT_sky ⁴(5)

式中q_longwave-in为建筑外墙吸收的环境长波辐射得热量，ε_ground为地面辐射发射率，σ为斯蒂芬-波尔兹曼常数，T_sky为天空温度。

T_sky＝T_airout-6(6)

式中T_sky为天空温度，T_airout为室外空气团温度。

q_longwave-out＝ε_wallσT_srfout ⁴(7)

q_longwave-out为建筑外墙长波辐射散失热量，ε_wall为建筑墙体辐射发射率，σ为斯蒂芬-波尔兹曼常数，T_srfout为建筑墙体外表面温度。

因研究选取夜间数据进行分析，因而可以忽略日照短波辐射对于建筑围护结构耗热量的影响，结合公式(1)-(7)建筑总体传热系数可表达为公式(8)，

q_total＝h_cd(T_srfout-T_srfin)+h_cv(T_srtout-T_airout)+ε_wallσT_srfout ⁴-ε_groundσ(T_airout-6)⁴(8)

式中q_total为通过经围护结构损失的热量，h_cd为建筑外墙固态传热系数，h_cv为建筑墙体外表面对流换热系数，T_srfout为建筑墙体外表面温度，T_srfin为建筑墙体内表面温度，T_airout为室外空气团温度，ε_wall为建筑墙体辐射发射率，ε_ground为地面辐射发射率，σ为斯蒂芬-波尔兹曼常数。

由公式(8)可知通过建筑外墙的热流密度受传热系数h_cd，对流换热系数h_cv、建筑外表面温度与室外空气温度差、建筑内表面温度与建筑室内空气温度差、建筑墙体内外表面温度差、建筑外表面温度、室外空气温度以及墙体与周围环境辐射发射率ε_wall，ε_ground等参数影响，而对流换热系数又受到风向、风速、室外空气湿度等因素影响、建筑内表面温度则受到室内空气温湿度影响；同时，由于在测试中墙体与周围环境辐射系数、建筑外墙围护结构构造、材料均未发生改变，故而作为常量处理。因此，测试中影响热流密度的变量包括测试墙体内外表面温度、室外空气温湿度、室内空气温湿度、室外气流方向与速度，结合公式(1)-(8)，所需测量参量如表1，

表1研究需测量的参量

步骤二、实地测量方案与测试数据分析

选取多层建筑为测试对象，测试期间被测房间所有外窗保持密闭状态，且房间内无空调、风扇运行，室内无明显空气对流；

测试记录24小时内的日照辐射数值，室外气流速度与方向，室内外温湿度数据；沿测试墙面布置了A、B两组测试点，并对两组测点的测试数据求取平均值；A、B每组测试点包含三组测试单元，一组为安置于测试墙体外表面的温度测试电偶单元，包括了两个并列的热电偶，用于测量墙体外表面温度；另一组为布置于外墙内表面的热流计和温度热电偶测试单元，包括了两个并列的热电偶和热流计测试板，用于测量墙体内表面温度及通过墙体的热流密度；另在室内距离墙面2米处布置室内温湿度测试单元，应用温湿度自动记录仪来记录室内温湿度变化，因室内采暖器分布不均，因此A、B两组测试点获得的室内温度存在差异，取其平均值作为室内温度；

气象站测试点布置在距离测试外墙南向7米远处，气象站测试点包含风速风向记录仪、室外温湿度记录仪和日照辐射记录仪三组仪器；采用机械式风速风向记录仪，以垂直于测试墙面的方向为0°风向，室外温湿度记录仪安装于固定钢架上，距地面高度1.5米，温湿度记录仪外部设置了防辐射防风罩；日照辐射表与温湿度测试表并列布置，其南向无物体遮挡，该表测得的数据主要作为有效数据选取的依据；研究将以日照直射辐射表读数为0为基准时间，延迟一小时后的数据以及清晨时日照直射辐射表读数出现前的数据作为有效数据，应用其对神经网络模型进行训练和测试；所有测试仪器记录的初始时间相同且在受测墙体处于稳定传热状态后才开始记录，记录间隔为10分钟；

对测试获得的风向风速数据、室内外温湿度、测试墙体内外表面温度和经过墙体的热流密度等各项数据进行统计分析；

步骤三、神经网络预测模型构建

研究将应用实测数据建构并训练基于风向、风速、室内外温湿度等参数的建筑外墙传导热流密度神经网络预测模型，该预测模型为三层BP神经网络，包括输入层、隐含层和输出层三层结构。输入层包含建筑外墙内、外表面平均温度、室外空气温度与湿度、室内平均温度与湿度、室外气流方向与室外气流速度等8组参数；输出层则为测试得到的A、B测试点通过墙体的热流密度，隐含层神经元数目设定为15组；

研究设定输入层神经元与隐含层神经元之间通过tansig传递函数联系，隐含层第i个神经元的输出函数如式(9)所示；隐含层与输出层之间通过purelin传递函数连接，输出层第k个神经元的输出函数如式(10)所示，生成的网络结构如图8所示；

a_li＝tansig(∑w_lijP_j+b_li)(9)

式中a_li——隐含层第i个神经元的输出函数；w_lij——输入层与隐含层间的网络计算权重矩阵；P_j——输入参数矩阵；b_li——输入层与隐含层间的网络计算偏差矩阵；j——输入层神经元编号；i——隐含层神经元编号。

a_2k＝purelin(∑w_2kia_li+b_2k)(10)

其中a_2k——第k个神经元的输出函数；w_2ki——隐含层与输出层间的网络计算权重矩阵；b_2k——隐含层与输出层间的网络计算偏差矩阵，k——输出层神经元编号。

附图说明

图1是模型建构实测过程中的测试地点总平面图与现状照片

图2是测试仪器布置平面图

图3是不同风向下测试得出的风速分布情况

图4是不同温度下测试得到的风速分布情况

图5a是室外空气温湿度随时间变化统计情况

图5b是室内空气温度随时间变化统计情况

图5c是通过测试墙体的热流密度随时间变化统计情况

图6是不同室外风速下的平均热流密度分布统计

图7是不同风向下的平均热流密度分布统计

图8是本发明所建构的神经网络预测模型结构图

图9是本发明所建构的神经网络模型预测均方误差随训练次数的变化情况统计

图10是本发明所建构模型的神经网络预测结果回归统计图

图11是本发明所建构的神经网络模型预测值与实际测量值的比较

图1中1为测试墙体总平面图，2为测试墙体，3为气象站位置，图2中4为室内温湿度测试单元，5为内墙面温度测试单元，6为外墙面温度测试单元，7为内墙面温度测试单元，8为外墙面温度测试单元，9为室内温湿度测试单元，10为连廊屋面，11为室外气象站测试点。

具体实施方式

下面结合附图与实施例对本发明的技术方案作进一步描述：

1.对流传热理论模型分析

建筑围护结构热量散失由传热散失、对流换热散失、长波辐射散失和蒸发散失四部分构成，如式(1)，

q_total＝q_conduction+q_convection+q_longwave-out-q_longwave-in-q_{solarradiation}+q_evaporation(1)

式中q_total为通过经围护结构损失的热量，q_conduction为围护结构固体传热损失量，q_convection为通过对流换热损失的热量，q_longwave-out为建筑外墙长波辐射散失热量，q_longwave-in为建筑外墙吸收的环境长波辐射得热量，q_{solarradiation}为建筑受到的短波辐射得热量，q_evaporation为建筑蒸发散热量。

其中，传热损失可按公式(2)计算，

q_conduction＝h_cd(T_srfout-T_srfin)(2)

式中q_conduction为围护结构固体传热损失量，h_cd为建筑外墙固态传热系数，其受到围护结构材料属性，墙体构造形式，室内外温湿度等多因素影响，T_{srf out}为建筑墙体外表面温度，T_srfin为建筑墙体内表面温度。

对流换热损失可按公式(3)计算，

q_convection＝h_cv(T_srfout-T_airout)(3)

式中q_convection为通过对流换热损失的热量，h_cv为建筑墙体外表面对流换热系数，T_srfout为建筑墙体外表面温度，T_airout为室外空气团温度。

辐射传热损失由建筑外墙面长波辐射散热、日照短波辐射及环境长波辐射得热三方面内容构成，辐射传热损失量可按公式(4)计算，环境长波辐射、天空温度、建筑外墙面长波辐射散热可按公式(5)、(6)、(7)计算，

q_radiation＝q_longwave-out-q_longwave-in-q_{solarradiation}(4)

式中q_radiation为建筑辐射散热损失，q_longwave-out为建筑外墙长波辐射散失热量，q_longwave-in为建筑外墙吸收的环境长波辐射得热量，q_{solarradiation}为建筑受到的短波辐射得热量，

q_longwave-in＝ε_groundσT_sky ⁴(5)

式中q_longwave-in为建筑外墙吸收的环境长波辐射得热量，ε_ground为地面辐射发射率，σ为斯蒂芬-波尔兹曼常数，T_sky为天空温度。

T_sky＝T_airout-6(6)

式中T_sky为天空温度，T_airout为室外空气团温度。

q_{l。ngwave-out}＝ε_wallσT_srfout ⁴(7)

q_longwave-out为建筑外墙长波辐射散失热量，ε_wall为建筑墙体辐射发射率，σ为斯蒂芬-波尔兹曼常数，T_srfout为建筑墙体外表面温度。

因研究选取夜间数据进行分析，因而可以忽略日照短波辐射对于建筑围护结构耗热量的影响，结合公式(1)-(7)建筑总体传热系数可表达为公式(8)，

q_total＝h_cd(T_srfout-T_srfin)+h_cv(T_srfout-T_airout)+ε_wallσT_srfout ⁴-ε_grounaσ(T_airout-6)⁴(8)

式中q_total为通过经围护结构损失的热量，h_cd为建筑外墙固态传热系数，h_cv为建筑墙体外表面对流换热系数，T_srfout为建筑墙体外表面温度，T_srfin为建筑墙体内表面温度，T_airout为室外空气团温度，ε_wall为建筑墙体辐射发射率，ε_ground为地面辐射发射率，σ为斯蒂芬-波尔兹曼常数。

由公式(8)可知通过建筑外墙的热流密度受传热系数h_cd，对流换热系数h_cv、建筑外表面温度与室外空气温度差、建筑内表面温度与建筑室内空气温度差、建筑墙体内外表面温度差、建筑外表面温度、室外空气温度以及墙体与周围环境辐射发射率ε_wall，ε_ground等参数影响，而对流换热系数又受到风向、风速、室外空气湿度等因素影响、建筑内表面温度则受到室内空气温湿度影响；同时，由于在测试中墙体与周围环境辐射系数、建筑外墙围护结构构造、材料均未发生改变，故而作为常量处理。因此，测试中影响热流密度的变量包括测试墙体内外表面温度、室外空气温湿度、室内空气温湿度、室外气流方向与速度，结合公式(1)-(8)，所需测量参量如表1，

表1研究需测量的参量

2.实地测量方案与测试数据分析

2.1实测对象介绍

研究选取哈尔滨市中心某多层建筑为测试对象，该建筑共五层，测试墙体为其西南翼某房间的南向墙面，该墙面周边相对开阔，无高大建筑遮挡(如图1)。测试墙面4.5米高，19.7米宽，墙面中部开有一扇2.7米宽、2.1米高的外窗，墙体为红砖砌体结构，墙体厚度为620mm。墙体外表面采用涂料粉刷，根据热成像照片分析，墙体主体部分无明显热桥。测试时间为2014年1月24日至2014年2月17日，测试期间，被测房间所有外窗保持密闭状态，且房间内无空调、风扇运行，室内无明显空气对流。

2.2实测仪器与方法

测试将记录24小时内的日照辐射数值，室外气流速度与方向，室内外温湿度等数据，测试仪器布局如图2所示。由于测试墙面宽度达19.7米，且中间存在外窗，为减弱单一测试点因局部风扰引起的偶然性，并减少外窗对于测试的影响，研究沿测试墙面布置了A、B两组测试点，并对两组测点的测试数据求取平均值。A、B每组测试点包含三组测试单元，一组为安置于测试墙体外表面的温度测试电偶单元，包括了两个并列的热电偶，用于测量墙体外表面温度；另一组为布置于外墙内表面的热流计和温度热电偶测试单元，包括了两个并列的热电偶和热流计测试板，用于测量墙体内表面温度及通过墙体的热流密度；另在室内距离墙面2米处布置室内温湿度测试单元，应用温湿度自动记录仪来记录室内温湿度变化，因室内采暖器分布不均，因此A、B两组测试点获得的室内温度存在差异，研究将取其平均值作为室内温度。

气象站测试点布置在距离测试外墙南向7米远处，避免受到测试墙体辐射热影响。气象站测试点包含风速风向记录仪、室外温湿度记录仪和日照辐射记录仪三组仪器。研究采用机械式风速风向记录仪，以垂直于测试墙面的方向为0°风向。室外温湿度记录仪安装于固定钢架上，距地面高度1.5米。为避免室外气流和日照辐射影响温度记录，温湿度记录仪外部设置了防辐射防风罩。日照辐射表与温湿度测试表并列布置，其南向无物体遮挡，该表测得的数据主要作为有效数据选取的依据。研究将以日照直射辐射表读数为0为基准时间，延迟一小时后的数据以及清晨时日照直射辐射表读数出现前的数据作为有效数据，应用其对神经网络模型进行训练和测试。所有测试仪器记录的初始时间相同且在受测墙体处于稳定传热状态后才开始记录，记录间隔为10分钟。

2.3实测结果分析

对测试获得的风向风速数据、室内外温湿度、测试墙体内外表面温度和经过墙体的热流密度等各项数据进行统计分析。从不同风向下的风速分布来看，风速数值区间集中于0.0-4.0m/s，风向分布覆盖0-360°区间(如图3)。即时风速基本分布于0-3.0m/s，210°至300°的风向区间存在较高风速，有一定数量的4.0-6.0m/s风速。2分钟平均风速和10分钟平均风速一致性较高，并在不同风向上呈现出明显的风速差异。从不同温度下的风速分布情况来看，即时风速、2分钟风速、10分钟风速呈现出一定的一致性，即时风速存在较高风速值(如图4)。当室外空气温度分布于-10至-20℃时，风速多分布于0-2.5m/s区间；当室外空气温度分布于-5至-10℃时，出现部分2.5-3.0m/s的风速分布；当室外空气温度分布于0至-5℃时，即时风速、2min风速和10分钟均呈现出增大趋势。

从室外温湿度情况来看，测试期间室外温度基本处于-20℃至-10℃区间，湿度维持在40％至70％区间。由于采暖器分布差异，A、B测试点室内温度存在约2-3℃的温差，A测试点在15.5℃至17℃间存在波动，而B测试点室内温度则在12.5至15.5℃间波动。测试期间，室内外温差基本维持在30℃以上，较高的温差能够保证测试数据反映出室外风速对于围护结构传热性能的影响。热流密度测试数据与室内温度数据呈现出一定的相关性，A测试点热流密度数据也高于B测试点，且热流密度数据走势与室内温度变化情况基本一致(如图5)。

研究同时对通过测试墙体的热流密度与风速、风向之间的关系进行了分析。结果表明，相比2分钟评价风速和即时风速，10分钟评价风速与墙体热流密度的关联程度更高，这主要是由于热流密度变化具有滞后性，所以10分钟内的平均风速能够更好地代表室外气流对于建筑传热过程的影响，故研究将以10分钟评价风速值作为后续神经网络模型输入参量(如图6)。风向对于墙体热流密度有一定影响，但总体较低，没有风速对于总传热系数的影响大(如图7)。

3神经网络预测模型构建

研究将应用实测数据建构并训练基于风向、风速、室内外温湿度等参数的建筑外墙传导热流密度神经网络预测模型，该预测模型为三层BP神经网络，包括输入层、隐含层和输出层三层结构。输入层包含建筑外墙内、外表面平均温度、室外空气温度与湿度、室内平均温度与湿度、室外气流方向与室外气流速度等8组参数；输出层则为测试得到的A、B测试点通过墙体的热流密度，隐含层神经元数目设定为15组。

研究设定输入层神经元与隐含层神经元之间通过tansig传递函数联系，隐含层第i个神经元的输出函数如式(9)所示。隐含层与输出层之间通过purelin传递函数连接，输出层第k个神经元的输出函数如式(10)所示，生成的网络结构如图8所示。

a_li＝tansig(∑w_lijP_j+b_li)(9)

式中a_li——隐含层第i个神经元的输出函数；w_lij——输入层与隐含层间的网络计算权重矩阵；P_j——输入参数矩阵；b_li——输入层与隐含层间的网络计算偏差矩阵；j——输入层神经元编号；i——隐含层神经元编号。

a_2k＝purelin(∑w_2kia_li+b_2k)(10)

其中a_2k——第k个神经元的输出函数；w_2ki——隐含层与输出层间的网络计算权重矩阵；b_2k——隐含层与输出层间的网络计算偏差矩阵，k——输出层神经元编号。

研究应用实测数据对该模型进行训练，并测试网络预测精度。训练过程中均方误差随迭代计算次数的变化如图9所示。从曲线中可见网络预测均方误差在初始的5-6次迭代计算中迅速下降，在随后的6-10次计算中逐步平缓，但仍有下降趋势，而在20次迭代计算后则逐渐趋于平缓，下降幅度相比前10次计算较小，最优均方误差值为3.0％。研究选取70％的样本进行网络训练，15％的样本进行修正，另外15％的样本则用于测试。网络整体预测值与目标值的接近程度为98.65％(如图10)。

通过对神经网络预测结果与实际测量数据的比较可发现，预测数据曲线与实际测量值曲线基本重合(如图11)，说明神经网络经训练后能够较好地对不同室外风速、风向条件下的热流密度值进行预测。

Claims (1)

1.一种基于神经网络的严寒地区建筑外墙传热性能预测方法，其特征在于包括如下步骤：

步骤一、理论模型分析

建筑围护结构热量散失由传热散失、对流换热散失、长波辐射散失和蒸发散失四部分构成，如式(1)，

q_total＝q_conduction+q_convection+q_longwave-out-q_longwave-in-q_{solarradiation}+q_evaporation(1)

式中q_total为通过经围护结构损失的热量，q_conduction为围护结构固体传热损失量，q_convection为通过对流换热损失的热量，q_longwave-out为建筑外墙长波辐射散失热量，q_longwave-in为建筑外墙吸收的环境长波辐射得热量，q_{solarradiation}为建筑受到的短波辐射得热量，q_evaporation为建筑蒸发散热量；

其中，传热损失可按公式(2)计算，

q_conduction＝h_cd(T_srfout–T_srfin)(2)

式中q_conduction为围护结构固体传热损失量，h_cd为建筑外墙固态传热系数，其受到围护结构材料属性，墙体构造形式，室内外温湿度因素影响，T_srfout为建筑墙体外表面温度，T_srfin为建筑墙体内表面温度；

对流换热损失可按公式(3)计算，

q_convection＝h_cv(T_srfout-T_airout)(3)

式中q_convection为通过对流换热损失的热量，h_cv为建筑墙体外表面对流换热系数，T_{srf out}为建筑墙体外表面温度，T_airout为室外空气团温度；

辐射传热损失由建筑外墙面长波辐射散热、日照短波辐射及环境长波辐射得热三方面内容构成，辐射传热损失量可按公式(4)计算，环境长波辐射、天空温度、建筑外墙面长波辐射散热可按公式(5)、(6)、(7)计算，

q_radiation＝q_longwave-out-q_longwave-in-q_{solarradiation}(4)

式中q_radiation为建筑辐射散热损失，q_longwave-out为建筑外墙长波辐射散失热量，q_{long wave-in}为建筑外墙吸收的环境长波辐射得热量，q_{solarradiation}为建筑受到的短波辐射得热量，

q_longwave-in＝ε_groundσT_sky ⁴(5)

式中q_longwave-in为建筑外墙吸收的环境长波辐射得热量，ε_ground为地面辐射发射率，σ为斯蒂芬-波尔兹曼常数，T_sky为天空温度；

T_sky＝T_airout-6(6)

式中T_sky为天空温度，T_airout为室外空气团温度；

q_longwave-out＝ε_wallσT_srfout ⁴(7)

q_longwave-out为建筑外墙长波辐射散失热量，ε_wall为建筑墙体辐射发射率，σ为斯蒂芬-波尔兹曼常数，T_srfout为建筑墙体外表面温度；

因研究选取夜间数据进行分析，因而可以忽略日照短波辐射对于建筑围护结构耗热量的影响，结合公式(1)-(7)建筑总体传热系数可表达为公式(8),

q_total＝h_cd(T_srfout–T_srfin)+h_cv(T_srfout-T_airout)+ε_wallσT_srfout ⁴-ε_groundσ(T_airout-6)⁴(8)

式中q_total为通过经围护结构损失的热量，h_cd为建筑外墙固态传热系数，h_cv为建筑墙体外表面对流换热系数，T_srfout为建筑墙体外表面温度，T_srfin为建筑墙体内表面温度，T_airout为室外空气团温度，ε_wall为建筑墙体辐射发射率，ε_ground为地面辐射发射率，σ为斯蒂芬-波尔兹曼常数；

由公式(8)可知通过建筑外墙的热流密度受传热系数h_cd，对流换热系数h_cv、建筑外表面温度与室外空气温度差、建筑内表面温度与建筑室内空气温度差、建筑墙体内外表面温度差、建筑外表面温度、室外空气温度以及墙体与周围环境辐射发射率ε_wall，ε_ground参数影响，而对流换热系数又受到风向、风速、室外空气湿度因素影响、建筑内表面温度则受到室内空气温湿度影响；同时，由于在测试中墙体与周围环境辐射系数、建筑外墙围护结构构造、材料均未发生改变，故而作为常量处理；因此，测试中影响热流密度的变量包括测试墙体内外表面温度、室外空气温湿度、室内空气温湿度、室外气流方向与速度，结合公式(1)-(8)，所需测量参量如表1，

表1研究需测量的参量

步骤二、实地测量方案与测试数据分析

选取多层建筑为测试对象，测试期间被测房间所有外窗保持密闭状态，且房间内无空调、风扇运行，室内无明显空气对流；

测试记录24小时内的日照辐射数值，室外气流速度与方向，室内外温湿度数据；沿测试墙面布置了A、B两组测试点，并对两组测点的测试数据求取平均值；A、B每组测试点包含三组测试单元，一组为安置于测试墙体外表面的温度测试电偶单元，包括了两个并列的热电偶，用于测量墙体外表面温度；另一组为布置于外墙内表面的热流计和温度热电偶测试单元，包括了两个并列的热电偶和热流计测试板，用于测量墙体内表面温度及通过墙体的热流密度；另在室内距离墙面2米处布置室内温湿度测试单元，应用温湿度自动记录仪来记录室内温湿度变化，因室内采暖器分布不均，因此A、B两组测试点获得的室内温度存在差异，取其平均值作为室内温度；

气象站测试点布置在距离测试外墙南向7米远处，气象站测试点包含风速风向记录仪、室外温湿度记录仪和日照辐射记录仪三组仪器；采用机械式风速风向记录仪，以垂直于测试墙面的方向为0°风向，室外温湿度记录仪安装于固定钢架上，距地面高度1.5米，温湿度记录仪外部设置了防辐射防风罩；日照辐射表与温湿度测试表并列布置，其南向无物体遮挡，该表测得的数据主要作为有效数据选取的依据；研究将以日照直射辐射表读数为0为基准时间，延迟一小时后的数据以及清晨时日照直射辐射表读数出现前的数据作为有效数据，应用其对神经网络模型进行训练和测试；所有测试仪器记录的初始时间相同且在受测墙体处于稳定传热状态后才开始记录，记录间隔为10分钟；

对测试获得的风向风速数据、室内外温湿度、测试墙体内外表面温度和经过墙体的热流密度各项数据进行统计分析；

步骤三、神经网络预测模型构建

研究将应用实测数据建构并训练基于风向、风速、室内外温湿度参数的建筑外墙传导热流密度神经网络预测模型，该预测模型为三层BP神经网络，包括输入层、隐含层和输出层三层结构；输入层包含建筑外墙内、外表面平均温度、室外空气温度与湿度、室内平均温度与湿度、室外气流方向与室外气流速度8组参数；输出层则为测试得到的A、B测试点通过墙体的热流密度，隐含层神经元数目设定为15组；

研究设定输入层神经元与隐含层神经元之间通过tansig传递函数联系，隐含层第i个神经元的输出函数如式(9)所示；隐含层与输出层之间通过purelin传递函数连接，输出层第k个神经元的输出函数如式(10)所示；

a_1i＝tansig(∑w_1ijP_j+b_1i)(9)

式中a_1i——隐含层第i个神经元的输出函数；w_1ij——输入层与隐含层间的网络计算权重矩阵；P_j——输入参数矩阵；b_1i——输入层与隐含层间的网络计算偏差矩阵；j——输入层神经元编号；i——隐含层神经元编号；

a_2k＝purelin(∑w_2kia_1i+b_2k)(10)

其中a_2k——第k个神经元的输出函数；w_2ki——隐含层与输出层间的网络计算权重矩阵；b_2k——隐含层与输出层间的网络计算偏差矩阵，k——输出层神经元编号。