CN109521051B - 一种土壤热物性参数辨识方法 - Google Patents

Abstract

本发明涉及地源热泵设计技术领域，尤其涉及一种土壤热物性参数辨识方法，在利用该方法对待辨识土壤进行热响应实验测试时，首先获取待辨识土壤的热响应实验测试后的测量参数，再将测试后的测量参数输入到预先训练得到的神经网络中，即可获取所述待辨识土壤的热物性参数，所述预先训练得到的神经网络是采用实验条件可控的仿真实验得到的训练数据进行训练得到的。与现有的技术相比，该方法通过仿真实验平台和神经网络建立热响应测量参数和土壤热物性的映射关系，避免了使用传统的辨识模型带来的辨识误差，同时该发明中热响应实验的所需测量参数不仅仅局限于地埋管进出口水温，工程上操作更为灵活，实用性更强。

Description

一种土壤热物性参数辨识方法

技术领域

本发明涉及地源热泵设计技术领域，尤其涉及一种土壤热物性参数辨识方法。

背景技术

地源热泵系统运行效率高，具有良好的节能性和环境友好性，地埋管换热器作为地源热泵重要组成部分，其换热性能的优劣直接影响着地源热泵系统的能效、运行性能以及经济效益。土壤热物性参数是地埋管换热器设计时的重要参数，其数值影响着钻井设计数量及深度，进而影响热泵系统的初投资和运行性能，因此，如何准确获得土壤热物性参数变得十分重要。目前的土壤热物性辨识是在热响应测试的基础上，应用传热模型求解土壤热物性参数的反问题，这一过程存在以下缺陷：首先，利用现有的辨识模型(线热源模型和圆柱热源模型)进行热物性辨识时，由于模型很多方面存在理想化的建设，给辨识结果带来或多或少的误差，从而影响着辨识精度，目前改进的辨识模型虽然精度有所提高，但大大增加了复杂性，计算量较大，在实际工程中难以应用；其次，现有的热响应实验的所需测量参数仅局限于地埋管进出口水温，测量形式比较单一，因此提出一种准确性与实用性兼具的土壤热物性辨识方法具有十分重要的意义。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供了一种土壤热物性参数辨识方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案为：

该土壤热物性参数辨识方法包括：

S1、对待辨识土壤进行现场热响应实验测试，并获取待辨识土壤热物性参数辨识所需的测量参数；

S2、将待辨识土壤热物性参数辨识所需的测量参数输入到预先训练得到的神经网络中，获取所述待辨识土壤的热物性参数；

所述预先训练得到的神经网络是采用实验条件可控的仿真实验得到的训练数据进行训练得到的。

根据本发明，所述实验条件可控是指实验中采用的土壤为工程中常见的各种类型土壤，且加热功率，循环水流速可控，以确保模型的通用性和精确性。

根据本发明，所述步骤S2中的预先训练得到的神经网络是通过如下步骤获得：

1)建立高精度三维全尺度仿真实验平台；

2)通过实验条件可控的对比实验对仿真实验平台进行验证和修正；

3)建立土壤热物性辨识神经网络模型；

4)利用建立的高精度三维全尺度仿真实验平台进行热响应实验，获取训练数据库，并采用训练数据库训练建立的神经网络模型，使其达到良好的辨识精度。

根据本发明，所述步骤2)包括以下步骤：

S21：使用高精度测量方法测量出真实土壤热物性参数；

S22：将该真实土壤热物性参数分别输入到对比实验与高精度三维全尺度仿真实验平台的热响应实验中，并分别得到对比实验与仿真实验的土壤热物性参数辨识时所需的测量参数；

S23：比较对比实验与仿真实验的真实土壤热物性参数辨识时所需的测量参数，对高精度三维全尺度仿真实验平台进行验证和修正。

根据本发明，所述高精度三维全尺度仿真实验平台包括：三维全尺度数值传热模型模块，数值算法求解模块，可视化后处理模块。

根据本发明，所述待辨识土壤的热物性参数包括：土壤导热系数，容积热容参数；所述对待辨识土壤进行土壤热物性参数辨识时所需的测量参数包括：地埋管换热器进口水温，和/或，出口水温，和/或，地埋管管壁温度，和/或，钻孔壁温度，和/或，钻孔内部回填材料温度。

根据本发明，所述训练数据库包括各种常见地质条件的真实土壤热物性参数，及与该参数相对应的在高精度三维全尺度仿真实验平台进行热响应实验获得的土壤热物性参数辨识时所需的测量参数。

根据本发明，所述预先训练得到的神经网络包括输入单元，隐藏单元和输出单元，其中输入单元所在的层为输入层，隐藏单元所在的层为隐含层，输出单元所在的层为输出层。

根据本发明，土壤热物性辨识神经网络模型的训练采用训练数据库作为神经网络的训练信号和误差信号，将训练数据库中的仿真实验平台中热响应实验获得的土壤热物性参数辨识时所需的测量参数作为神经网络的输入端，训练数据库中的真实土壤热物性参数作为输出端，并确定神经网络的权值和阈值；

利用输入层中各输入单元，通过传递函数，计算隐含层各隐藏单元相应的输出；

利用隐含层的各隐藏单元的输出，计算输出层各输出单元的输入，通过传递函数，计算输出层各输出单元的相应输出；

根据训练数据库中的土壤热物性参数辨识所需时的测量参数和神经网络的实际输出，计算输出层的各单元的训练误差，利用该训练误差来修正神经网络的权值和阈值；

当神经网络的拟合误差小于所设置的阈值时，即可得到训练的神经网络。

根据本发明，在该神经网络的训练过程中采用“tansing”函数作为传递函数，采用“learngdm”函数作为学习函数，采用“traingd”函数作为训练函数，采用“mse”函数评价神经网络的性能。

(三)有益效果

与现有的技术相比，本发明的有益效果为：通过仿真实验平台和神经网络建立了热响应测试参数和土壤热物性的映射关系，避免了使用传统的辨识模型带来的辨识误差，且神经网络本身也具备一定的容错性，同时该发明中热响应实验测量参数不仅仅局限于地埋管进出口水温，还可以利用不同的热响应实验测量参数对土壤热物性进行辨识，工程上操作更为灵活，实用性更强。

附图说明

图1为本发明的流程示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本发明提出了一种土壤热物性参数辨识方法，该方法将热响应仿真实验与神经网络系统结合起来，在热响应实验参数和土壤热物性之间建立起了一种非线性映射关系，提高了土壤热物性辨识的准确性和实用性，包括如下步骤：

S1、对待辨识土壤进行现场热响应实验测试，并获取待辨识土壤热物性参数辨识所需的测量参数；

S2、将土壤热物性参数辨识时所需的测量参数输入到预先训练得到的神经网络中，获取所述待辨识土壤的热物性参数；

所述预先训练得到的神经网络是采用实验条件可控的仿真实验得到的训练数据进行训练得到的；

此处提到的实验条件可控是指实验中采用的土壤为工程中常见的各种类型土壤，且加热功率，循环水流速可控，以确保模型的通用性和精确性。

步骤S2中对神经网络进行预先训练时，首先建立了高精度三维全尺度仿真实验平台，仿真实验是在计算机上用仿真软件模拟现实的效果，该仿真实验平台通过计算机程序实现，具体包括三维全尺度数值传热模型模块、数值算法求解器模块、可视化后处理器模块；实验平台中热响应实验原理与现场热响应实验原理一致，在仿真实验平台中输入不同的土壤热物性参数，应用计算机进行模拟计算后，即可获得与输入的土壤热物性参数相对应的土壤热物性参数辨识所需的测量参数。

为了确保仿真实验平台的准确性，需通过对比实验对仿真实验平台进行验证与修正，其中，对比实验与仿真实验平台的基础参数和换热条件均保持一致，为了确保模型的通用性和精确性，保证对比实验中采用的土壤为工程中常见的各种类型土壤。

首先将真实土壤的热物性参数预先用高精度测量方法测出，然后应用到对比实验中进行热响应实验，得出验证实验进行土壤热物性参数辨识时所需要的测量参数，随后再将相同的真实土壤热物性参数输入到仿真实验平台中进行模拟计算，得出仿真实验平台进行热物性参数辨识时所需的测量参数，对比仿真实验平台得到的测量参数与对比实验得到的测量参数，确保仿真实验平台的准确性。

土壤热物性参数包括土壤导热系数、容积热容；

热响应实验的测量参数包括地埋管换热器进口水温和/或出口水温和/或地埋管管壁温度和/或钻孔壁温度和/或钻孔内部回填材料温度和/或是以上测量参数的组合。

土壤间换热过程复杂，影响因素多，因此利用热响应实验对土壤热物性参数进行辨识时，测量参数和热物性参数为非解析关系，通过一般的拟合办法很难得到准确结果，相比较下，神经网络具有很强的非线性映射能力，因此建立土壤热物性辨识神经网络模型是进行土壤热物性辨识方法中重要的一步。

在步骤S2中，还包括建立神经网络训练数据库，数据库包括真实土壤热物性参数，及在该参数相对应的在高精度三维全尺度仿真实验平台进行热响应实验获得的土壤热物性参数辨识所需的测量参数，建立过程具体为：利用高精度三维全尺度仿真实验平台，在平台中分别输入不同的真实土壤热物性参数，进行热响应实验，经过平台的模拟计算，即可得到与不同土壤热物性参数相对应的在土壤热物性辨识过程中所需的测量参数，并据此创建神经网络训练数据库。其中，输入的真实土壤热物性参数范围需覆盖各种常见的地质条件，由于仿真实验的次数能保证该辨识方法的准确性，因此仿真热响应实验次数越多，越能够保证训练数据库的准确性。

通常情况下，神经网络由输入单元，隐藏单元和输出单元组成，其中输入单元所在的层为输入层，隐藏单元所在的层为隐含层，输出单元所在的层为输出层。所有单元都和两边层里的单元连接，输入信息会首先进入左侧的输入层，然后激发中间的隐含层，最后从右侧输出层输出结果，神经网络会通过学习渐渐调整每两个单元连接的力度。

在步骤S2中，神经网络训练数据库作为神经网络的训练信号和误差信号对神经网络进行训练，训练过程中将仿真热响应实验测量参数作为神经网络的输入端，真实土壤热物性参数作为输出端，并确定神经网络的权值和阈值；

各层之间通过传递函数处理，输入层中各单元的输入，通过传递函数，计算隐含层各单元相应的输出，利用隐含层的输出，计算输出层各单元的输入，通过传递函数，计算输出层各单元的相应输出；

每个输出层单元都会得到一个误差，即仿真热响应实验的测量参数和神经网络的实际输出之差，该误差为输出层各单元的训练误差；

利用输出层各单元的训练误差来修正神经网络的权值和阈值；

当神经网络的拟合误差小于所设置的阈值时，神经网络学习结束，即可得到训练后的神经网络，该阈值可根据实际情况进行设定。

在整个神经网络训练过程中，神经网络采用“tansing”函数作为传递函数，采用“learngdm”函数作为学习函数，采用“traingd”函数作为训练函数，采用“mse”函数评价神经网络的性能。其中，训练函数包含学习函数，学习函数是属于训练函数的一部分；训练函数对权值和阈值全局调整，学习函数对权值和阈值进行局部调整；从误差上看，训练函数对整体来说误差是最小，学习函数对于单个神经单元来说误差是最小。

在完成神经网络训练后，在待辨识土壤上进行热响应实验测试，将获得的土壤热物性参数辨识过程中所需的测量参数输入到训练后的神经网络中，即得到待辨识土壤的土壤热物性参数。

通过仿真实验平台和神经网络建立起来的热响应实验的测量参数和土壤热物性参数的映射关系，避免了使用传统辨识模型带来的辨识误差，且神经网络本身也具备一定的容错性。

需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (7)

1.一种土壤热物性参数辨识方法，其特征在于，包括：

S1、对待辨识土壤进行现场热响应实验测试，并获取待辨识土壤热物性参数辨识所需的测量参数；

S2、将待辨识土壤热物性参数辨识时所需的测量参数输入到预先训练得到的神经网络中，获取所述待辨识土壤的热物性参数；

所述预先训练得到的神经网络是采用实验条件可控的仿真实验得到的训练数据进行训练得到的，具体获得步骤如下：

1)建立高精度三维全尺度仿真实验平台；

2)通过实验条件可控的对比实验对仿真实验平台进行验证和修正；

3)建立土壤热物性辨识神经网络模型；

4)利用建立的高精度三维全尺度仿真实验平台进行热响应实验，获取训练数据库，并采用训练数据库训练建立的神经网络模型，使其达到良好的辨识精度；

所述步骤2)包括以下步骤：

S2)1：使用高精度测量方法测量出真实土壤热物性参数；

S2)2：将该真实土壤热物性参数分别输入到对比实验与高精度三维全尺度仿真实验平台的热响应实验中，并分别得到对比实验与仿真实验的土壤热物性参数辨识所需的测量参数；

S2)3：比较对比实验与仿真实验的真实土壤热物性参数辨识所需的测量参数，对高精度三维全尺度仿真实验平台进行验证和修正；

所述待辨识土壤的热物性参数包括：土壤导热系数，容积热容参数；所述对待辨识土壤进行土壤热物性参数辨识时所需的测量参数包括：地埋管换热器进口水温，和/或，出口水温，和/或，地埋管管壁温度，和/或，钻孔壁温度，和/或，钻孔内部回填材料温度。

2.根据权利要求1所述的方法，其特征在于，

所述实验条件可控是指实验中采用的土壤为工程中常见的各种类型土壤，且加热功率，循环水流速可控，以确保模型的通用性和精确性。

3.根据权利要求1所述的方法，其特征在于，

所述高精度三维全尺度仿真实验平台包括：三维全尺度数值传热模型模块，数值算法求解模块，可视化后处理模块。

4.根据权利要求1所述的方法，其特征在于，

所述训练数据库包括各种常见地质条件的真实土壤热物性参数，及与该参数相对应的在高精度三维全尺度仿真实验平台进行热响应实验获得的土壤热物性参数辨识所需的测量参数。

5.根据权利要求1所述的方法，其特征在于，

所述预先训练得到的神经网络包括输入单元，隐藏单元和输出单元，其中输入单元所在的层为输入层，隐藏单元所在的层为隐含层，输出单元所在的层为输出层。

6.根据权利要求5所述的方法，其特征在于，

土壤热物性辨识神经网络模型的训练采用训练数据库作为神经网络的训练信号和误差信号，将训练数据库中的仿真实验平台中热响应实验获得的土壤热物性参数辨识时所需的测量参数作为神经网络的输入端，训练数据库中的真实土壤热物性参数作为输出端，并确定神经网络的权值和阈值；

利用输入层中各输入单元，通过传递函数，计算隐含层各隐藏单元相应的输出；

利用隐含层的各隐藏单元的输出，计算输出层各输出单元的输入，通过传递函数，计算输出层各输出单元的相应输出；

根据训练数据库中的土壤热物性参数辨识所需的测量参数和神经网络的实际输出，计算输出层的各单元的训练误差，利用该训练误差来修正神经网络的权值和阈值；

当神经网络的拟合误差小于所设置的阈值时，即可得到训练的神经网络。

7.根据权利要求6所述的方法，其特征在于，

在该神经网络的训练过程中采用“tansing”函数作为传递函数，采用“learngdm”函数作为学习函数，采用“traingd”函数作为训练函数，采用“mse”函数评价神经网络的性能。

Images