CN112931297B - 基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法 - Google Patents
基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法 Download PDFInfo
- Publication number
- CN112931297B CN112931297B CN202110165099.0A CN202110165099A CN112931297B CN 112931297 B CN112931297 B CN 112931297B CN 202110165099 A CN202110165099 A CN 202110165099A CN 112931297 B CN112931297 B CN 112931297B
- Authority
- CN
- China
- Prior art keywords
- brooding house
- house
- model
- brooding
- heat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005094 computer simulation Methods 0.000 title claims abstract description 25
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 59
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 4
- 241000287828 Gallus gallus Species 0.000 claims description 58
- 235000013330 chicken meat Nutrition 0.000 claims description 58
- 230000017525 heat dissipation Effects 0.000 claims description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 21
- 230000005855 radiation Effects 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000009423 ventilation Methods 0.000 claims description 15
- 238000009395 breeding Methods 0.000 claims description 8
- 230000001488 breeding effect Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000005457 Black-body radiation Effects 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 3
- 244000144987 brood Species 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 244000144992 flock Species 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 8
- 101100533306 Mus musculus Setx gene Proteins 0.000 claims 1
- 239000007788 liquid Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract 3
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K31/00—Housing birds
- A01K31/18—Chicken coops or houses for baby chicks; Brooders including auxiliary features, e.g. feeding, watering, demanuring, heating, ventilation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K31/00—Housing birds
- A01K31/18—Chicken coops or houses for baby chicks; Brooders including auxiliary features, e.g. feeding, watering, demanuring, heating, ventilation
- A01K31/20—Heating arrangements ; Ventilation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0054—Specially adapted to detect a particular component for ammonia
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- G01N33/0068—
Abstract
本发明提供了一种基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，构建育雏舍的热量变化模型、湿度质量平衡模型及氨气浓度模型，基于三个模型在Simulink模块中搭建蛋鸡育雏舍小气候模型，在模型中添加调节模块、控制器进行仿真，对比实测数据与模型仿真数据，通过控制器调整输出，输出通过多个D/A转换器来执行调节模块的启停，对育雏舍环境进行调节；将模型的仿真数据发送到客户端的数据库中保存，用于管理人员查看和分析。本发明提供的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，利用计算机仿真技术建立仿真模型，节约了实验成本，减少了实验对鸡只健康的影响，通过与实测数据对比，确定了模型的可靠性。
Description
技术领域
本发明涉及鸡舍小气候模型建立技术领域，特别是涉及一种基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法。
背景技术
随着智慧畜牧业的发展，福利化养殖也越来越受到重视，尤其是蛋鸡福利化养殖的育雏方面，由于中国地域辽阔，气候分布复杂多样，不同地区的环境差异较大，再加上育雏舍内的环境受多种因素影响，不同地区育雏舍的构建大不相同，因此人为实践实验十分不便，且成本较高。现有的技术大多采用计算机仿真技术来搭建模拟育雏舍环境气候模型，一般使用CFD技术进行环境建模，但是该技术对于气流场复杂的环境状况，很将模型建立的与实际状况一致，在使用该技术时，需要运用空气动力学、流体学等专业性强的知识，其编程难度极高，代码难以理解和修改。因此，提出一种编程简单易懂、便于修改参数的密闭式蛋鸡育雏舍小气候模型搭建方法是十分有必要的。
发明内容
本发明的目的是提供一种基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，利用计算机仿真技术建立仿真模型，节约了实验成本，减少了实验对鸡只健康的影响，通过与实测数据对比，确定了模型的可靠性。
为实现上述目的，本发明提供了如下方案：
一种基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，包括如下步骤：
步骤1，搭建蛋鸡育雏舍小气候模型：
利用一阶非线性微分方程构建育雏舍热量变化模型和湿度质量平衡模型，利用RBF神经网络函数预测氨气浓度并建立氨气浓度模型，基于三个模型在Simulink模块中搭建蛋鸡育雏舍小气候模型，在蛋鸡育雏舍小气候模型中添加调节模块，用于调节模型的温度、湿度及氨气浓度；
步骤2，仿真调试蛋鸡育雏舍小气候模型；
将控制器搭建到蛋鸡育雏舍小气候模型中，将所述传感器设置在实际鸡舍中，用于采集实测数据，将实测数据与模型仿真数据相对比，控制器根据控制策略来调整输出，输出通过多个D/A转换器来执行调节模块的启停，从而实现对育雏舍环境的调节；
步骤3，保存模型环境参数至数据库：
将蛋鸡育雏舍小气候模型的仿真数据发送到客户端的数据库中保存，用于管理人员查看和分析。
可选的，步骤1中所述构建育雏舍热量变化模型，具体为：
综合鸡群散热、加热器供热、太阳辐射传热、蛋鸡育雏舍围护结构散热、地面散热以及通风散热对育雏舍热环境的变化的影响，得到育雏舍热量变化模型公式为：
式中，ΔQ表示育雏舍内部热量变化量，Cair_in为育雏舍空气比热容，单位为J/(kg·℃)，Qs为育雏舍太阳辐射总热量，Qc为鸡只总散热量，Qh为育雏舍加热装置产热热量，Qg为育雏舍地面散热热量，Qw为育雏舍围护结构散热热量，Qf为通风散热量，单位均为W，Thouse_in为育雏舍内环境温度；
育雏舍太阳辐射总热量为：
Qs＝ρsun·Swall·Isolar (2)
式中，ρsun为育雏舍围护结构外表面对太阳辐射的吸收系数，Swall为育雏舍维护结构的外表面积，单位为m2，Isolar为大气层太阳辐射强度，单位为W/m2；
鸡只总散热量为：
Qc＝N·Schick·[ε·δ(T4 chick-T4 house_in)+Hair_chick(Tchick-Thouse_in)] (3)
式中，N为鸡只数量，Schick为鸡只的体表面积，单位为m2，ε为鸡只表面辐射黑度，ε≈0.95，δ为黑体辐射场数，δ＝5.67×10-8，单位为W/m2·K4，Tchick为鸡只体表温度，单位为K，Thouse_in为育雏舍内环境温度，单位为K，Hair_chick为空气与鸡只体表面对流换热系数，单位为W/m2·K4；
育雏舍加热装置产生的热量为：
Qh＝Cwater·TRAwater·(Twater_out-Twater_in) (4)
式中，Cwater为水的比热容，单位为J/(kg·℃)，Twater_out为加热锅炉出水温度，单位为℃，Twater_in为加热锅炉回水温度，单位为℃，TRAwater为加热锅炉流量，单位为m3/h；
育雏舍地面散热热量为：
Qg＝Sground·Kair_ground·(Iair_house-Iair_ground) (5)
式中Sground为育雏舍地面面积，单位为m2，Kair_ground为地面与空气的换热系数，单位为W/m2，Iair_house为育雏舍内空气温度，单位为K，Iair_ground为育雏舍内地面温度，单位为K；
育雏舍维护结构的热量交换公式：
Qw＝Kwall·(Twall_in-Twall_out)·Swall (6)
Swall为维护结构的表面积，单位为m2，Twall_in为墙内表面温度，单位为K，Twall_out为墙外表面温度，单位为K，Kwall为围墙的导热系数，单位为W/m·K；
通风散热量为：
Qf＝ρair_in·L·Cair_in·(Tair_in-Tair_out) (7)
式中，ρair_in为育雏舍内空气密度，单位为kg·m3，L为通风量，单位为m3/s，Cair_in为育雏舍空气比热容，单位为J/(kg·℃)，Tair_out为育雏舍外空气温度，单位为℃，Tair_in为育雏舍内空气温度，单位为℃；
将公式(2)-(7)带入公式(1)中得到温度变换公式如下：
式中，Vhouse代表育雏舍体积。
可选的，步骤1中所述构建育雏舍的湿度质量平衡模型，具体为：
由于鸡只呼吸和自身蒸发的水汽量、湿帘设备加湿量、育雏舍表面水汽蒸发量，育雏舍的含湿量是随时变换的，根据质量守恒定律，育雏舍内水汽产生量等于水汽消散量，得到湿度的动态方程如下：
ρair_in·L·din＝Vhouse·L·dout+hp+he+hc (9)
式中，ρair_in为育雏舍内空气密度，单位为kg/m3，L为育雏舍通风量，单位为m3/s，din为育雏舍内空气含湿量，单位为g/kg，Vhouse为育雏舍体积，单位为m3，dout为育雏舍舍外空气湿度，单位为g/kg，hp为鸡群散发的水汽量，单位为g/s，he为育雏舍内表面水汽量，单位为g/s，hc为湿帘产生的水汽量，单位为g/s。
可选的，步骤1中所述构建蛋鸡育雏舍的氨气浓度模型，具体为：
利用RBF神经网络构建氨气浓度模型，并对RBF神经网络进行训练，确定RBF神经网络的输入节点为六个，即X＝[x1,x2,x3,x4,x5,x6]T为输入量，其中x1为温度，x2为湿度，x3为雏鸡数量，x4为雏鸡日龄，x5为饲料氨氮配比，x6为育雏舍体积，每组为144个数据，其中输出节点为一个，即氨气浓度，RBF神经网络的径向基函数采用高斯函数，具体公式为：
式中Ci为高斯函数中心向量，σ为高斯函数的方差，径向基网络的权向量为W＝[w1,w2,w3,w4,w5,w6]T，RBF神经网络的输出为：
y(k)＝h1w1+h2w2+h3w3+h4w4+h5w5+h6w6 (11)
根据梯度下降法得出权值向量为：
wi(k)＝wi(k-1)+η(y(k)-ym(k))hi+α(wi(k-1)-wi(k-2)) (12)
式中，η为学习速率，η＝0.05，α为动量因子，α＝0.6，hi为在训练样本中集中随机选择i个样本作为i个径向基函数的中心，ym(k)为期望输出，其中k＝1,2,…,q，q为输出层单元数。
可选的，RBF神经网络训练详细过程为：
A1：将实测氨气浓度作为训练数据集，从中任意的选择1440个不同的样本作为起始值；
A2：在训练数据集中随机挑选训练样本Xi作为输入数据；
A3：通过公式(10)的计算，得到计算结果相应的N值，把Xi归为第N类；
A4：基于A3中Xi的参与，第N类聚类中心将会发生改变，根据公式(12)计算聚类中心，每次的循环只会更新一个聚类中心；
A5：经过A4后，判断数据的收敛性，当聚类中心不再进行更换时，此时算法收敛，在实际中当聚类中心变化很小时，则认为算法收敛。
可选的，由于输入输出之间存在量级不同，在训练时需要将输入和输出进行归一化处理，并且对训练完以后输出的数据，再进行反归一化处理。
可选的，根据育雏舍的热量变化模型搭建鸡舍热量交换模块，具体为：根据育雏舍太阳辐射总热量Qs搭建鸡舍顶部散热模块，根据鸡只总散热量Qc搭建雏鸡产热模块，根据育雏舍地面散热热量Qg搭建鸡舍地面散热模块，根据育雏舍围护结构散热热量Qw搭建鸡舍维护散热模块；根据育雏舍的湿度质量平衡模型搭建鸡舍空气相对湿度交换模块，其中鸡舍空气相对湿度交换模块包括鸡舍内表面散发湿量模块、雏鸡散发湿量模块及鸡舍外部湿量模块；根据育雏舍的氨气浓度模型搭建有害气体浓度仿真模块。
可选的，所述调节模块包括风机开始模式模块、加热装置模块、湿帘装置模块，所述风机开始模式模块连接所述鸡舍空气相对湿度交换模块、鸡舍热量交换模块及有害气体浓度仿真模块，所述加热装置模块连接所述鸡舍空气相对湿度交换模块及鸡舍热量交换模块，所述湿帘装置模块连接所述鸡舍空气相对湿度交换模块及鸡舍热量交换模块。
可选的，步骤1中所述蛋鸡育雏舍小气候模型内还设置有From Workspace模块，从工作空间中导入雏鸡每天需要的环境数据，用于满足雏鸡对于环境的不同要求，根据国家规定和养殖专家的养殖经验，确定不同日龄的雏鸡对于环境参数的要求，用于确保输入数据的可靠性。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，从实际出发，根据育雏舍的实际环境数据，利用计算机仿真技术建立仿真模型，有利于节约实验成本，减少实验对鸡只健康的影响，通过仿真模型输出的数据与实际测得的环境数据对比，确定了育雏舍实际环境模型的可靠性；根据不同鸡只日龄对于环境的不同要求，通过蛋鸡育雏舍小气候模型的建立，使得蛋鸡育雏舍的环境参数满足鸡只的生长，提高了育雏鸡的生活质量，从而实现福利养殖；利用Simulink搭建育雏育雏舍温湿度环境模型，是将热平衡公式和湿度质量平衡公式以一阶非线性微分方程的形式表达为数学模型，相比于其他方式建模具有更高的准确性；在小气候模型中加入From Workspace模块，从工作表中导入不同日龄的雏鸡需要的环境参数，这样可以实现不同日龄的鸡只对于环境的要求，实现了动态环境模型的构建；对于育雏舍氨气模型的构建，使用RBF神经网络函数预测氨气浓度，大大降低了通过“双模理论”和“亨利定律”等数学公式来构建氨气浓度模型的复杂性，并且，通过RBF神经网络函数来预测氨气浓度，提高了氨气浓度数据的精确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法控制流程图；
图2为本发明实施例基于计算机仿真的密闭式蛋鸡育雏舍小气候模型结构示意图；
图3为RBF神经网络结构示意图；
图4为RBF神经网络训练流程图。
附图标记：1、鸡舍空气相对湿度交换模块；2、鸡舍热量交换模块；3、有害气体浓度仿真模块；4、风机开始模式模块；5、加热装置模块；6、湿帘装置模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，利用计算机仿真技术建立仿真模型，节约了实验成本，减少了实验对鸡只健康的影响，通过与实测数据对比，确定了模型的可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，包括如下步骤：
步骤1，搭建蛋鸡育雏舍小气候模型：
利用一阶非线性微分方程构建育雏舍热量变化模型和湿度质量平衡模型，利用RBF神经网络函数预测氨气浓度并建立氨气浓度模型，基于三个模型在Simulink模块中搭建蛋鸡育雏舍小气候模型，在蛋鸡育雏舍小气候模型中添加调节模块，用于调节模型的温度、湿度及氨气浓度；
步骤2，仿真调试蛋鸡育雏舍小气候模型；
将控制器搭建到蛋鸡育雏舍小气候模型中，将所述传感器设置在实际鸡舍中，用于采集实测数据，用于设置模型的初值及将实测数据与模型仿真数据相对比，控制器根据控制策略来调整输出，输出通过多个D/A转换器来执行调节模块的启停，从而实现对育雏舍环境的调节；
步骤3，保存模型环境参数至数据库：
将蛋鸡育雏舍小气候模型的仿真数据发送到客户端的数据库中保存，用于管理人员查看和分析。
步骤1中所述构建育雏舍热量变化模型，具体为：
鸡群散热、加热器供热、太阳辐射传热、蛋鸡育雏舍围护结构散热、地面散热、通风散热及微小缝隙散热造成了育雏舍热环境的变化，其中微小缝隙散热较小，忽略不计，根据上述得到育雏舍热量变化模型公式为：
式中，ΔQ表示育雏舍内部热量变化量，Cair_in为育雏舍空气比热容，单位为J/(kg·℃)，Qs为育雏舍太阳辐射总热量，Qc为鸡只总散热量，Qh为育雏舍加热装置产热热量，Qg为育雏舍地面散热热量，Qw为育雏舍围护结构散热热量，Qf为通风散热量，单位均为W，Thouse_in为育雏舍内环境温度；
育雏舍太阳辐射总热量为：
Qs＝ρsun·Swall·Isolar (2)
式中，ρsun为育雏舍围护结构外表面对太阳辐射的吸收系数，Swall为育雏舍维护结构的外表面积，单位为m2，Isolar为大气层太阳辐射强度，单位为W/m2；
鸡只总散热量为：
Qc＝N·Schick·[ε·δ(T4 chick-T4 house_in)+Hair_chick(Tchick-Thouse_in)] (3)
式中，N为鸡只数量，Schick为鸡只的体表面积，单位为m2，ε为鸡只表面辐射黑度，ε≈0.95，δ为黑体辐射场数，δ＝5.68×10-8，单位为W/m2·K4，Tchick为鸡只体表温度，单位为K，Thouse_in为育雏舍内环境温度，单位为K，Hair_chick为空气与鸡只体表面对流换热系数，单位为W/m2·K4；
育雏舍加热装置产生的热量为：
Qh＝Cwater·TRAwater·(Twater_out-Twater_in) (4)
式中，Cwater为水的比热容，单位为J/(kg·℃)，Twater_out为加热锅炉出水温度，单位为℃，Twater_in为加热锅炉回水温度，单位为℃，TRAwater为加热锅炉流量，单位为m3/h；
育雏舍地面散热热量为：
Qg＝Sground·Kair_ground·(Iair_house-Iair_ground) (5)
式中Sground为育雏舍地面面积，单位为m2，Kair_ground为地面与空气的换热系数，单位为W/m2，Iair_house为育雏舍内空气温度，单位为K，Iair_ground为育雏舍内地面温度，单位为K；
育雏舍维护结构的热量交换公式：
Qw＝Kwall·(Twall_in-Twall_out)·Swall (6)
Swall为维护结构的表面积，单位为m2，Twall_in为墙内表面温度，单位为K，Twall_out为墙外表面温度，单位为K，Kwall为围墙的导热系数，单位为W/m·K；
通风散热量为：
Qf＝ρair_in·L·Cair_in·(Tair_in-Tair_out) (7)
式中，ρair_in为育雏舍内空气密度，单位为kg·m3，L为通风量，单位为m3/s，Cair_in为育雏舍空气比热容，单位为J/(kg·℃)，Tair_out为育雏舍外空气温度，单位为℃，Tair_in为育雏舍内空气温度，单位为℃；
将公式(2)-(7)带入公式(1)中得到温度变换公式如下：
式中，Vhouse代表育雏舍体积。
步骤1中所述构建育雏舍的湿度质量平衡模型，具体为：
由于鸡只呼吸和自身蒸发的水汽量、湿帘设备加湿量、育雏舍表面水汽蒸发量，育雏舍的含湿量是随时变换的，根据质量守恒定律，育雏舍内水汽产生量等于水汽消散量，得到湿度的动态方程如下：
ρair_in·L·din＝Vhouse·L·dout+hp+he+hc (9)
式中，ρair_in为育雏舍内空气密度，单位为kg/m3，L为育雏舍通风量，单位为m3/s，din为育雏舍内空气含湿量，单位为g/kg，Vhouse为育雏舍体积，单位为m3，dout为育雏舍舍外空气湿度，单位为g/kg，hp为鸡群散发的水汽量，单位为g/s，he为育雏舍内表面水汽量，单位为g/s，hc为湿帘产生的水汽量，单位为g/s。
步骤1中所述构建蛋鸡育雏舍的氨气浓度模型，具体为：
对于鸡舍氨气浓度来说，依据现有的数学公式来建立模型还不够完全的反应鸡舍的氨气浓度，虽然国内外学者都给出了鸡舍氨气的挥发公式，但是对于建立准确的氨气挥发模型是非常困难的，RBF神经网络的特点是精确度高，结构易懂，具有较好的收敛性，其神经网络结构图如图3所示，利用RBF神经网络构建氨气浓度模型，并对RBF神经网络进行训练，RBF神经网络的输入到输出的映射关系是非线性的，首先确定RBF神经网络的输入节点为六个，即X＝[x1,x2,x3,x4,x5,x6]T为输入量，其中x1为温度，x2为湿度，x3为雏鸡数量，x4为雏鸡日龄，x5为饲料氨氮配比，x6为育雏舍体积，每组为144个数据，其中输出节点为一个，即氨气浓度，RBF神经网络的径向基函数采用高斯函数，具体公式为：
式中Ci为高斯函数中心向量，σ为高斯函数的方差，径向基网络的权向量为W＝[w1,w2,w3,w4,w5,w6]T，RBF神经网络的输出为：
y(k)＝h1w1+h2w2+h3w3+h4w4+h5w5+h6w6 (11)
根据梯度下降法得出权值向量为：
wi(k)＝wi(k-1)+η(y(k)-ym(k))hi+α(wi(k-1)-wi(k-2)) (12)
式中，η为学习速率，η＝0.05，α为动量因子，α＝0.6，hi为在训练样本中集中随机选择i个样本作为i个径向基函数的中心，ym(k)为期望输出，其中k＝1,2,…,q，q为输出层单元数。
如图4所示，RBF神经网络训练详细过程为：
A1：将实测氨气浓度作为训练数据集，从中任意的选择1440个不同的样本作为起始值；
A2：在训练数据集中随机挑选训练样本Xi作为输入数据；
A3：通过公式(10)的计算，得到计算结果相应的N值，把Xi归为第N类；
A4：基于A3中Xi的参与，第N类聚类中心将会发生改变，根据公式(12)计算聚类中心，每次的循环只会更新一个聚类中心；
A5：经过A4后，判断数据的收敛性，当聚类中心不再进行更换时，此时算法收敛，在实际中当聚类中心变化很小时，则认为算法收敛。
由于输入输出之间存在量级不同，在训练时需要将输入和输出进行归一化处理，并且对训练完以后输出的数据，再进行反归一化处理。
如图2所示，根据育雏舍的热量变化模型搭建鸡舍热量交换模块2，具体为：根据育雏舍太阳辐射总热量Qs搭建鸡舍顶部散热模块，根据鸡只总散热量Qc搭建雏鸡产热模块，根据育雏舍地面散热热量Qg搭建鸡舍地面散热模块，根据育雏舍围护结构散热热量Qw搭建鸡舍维护散热模块；根据育雏舍的湿度质量平衡模型搭建鸡舍空气相对湿度交换模块1，其中鸡舍空气相对湿度交换模块1包括鸡舍内表面散发湿量模块、雏鸡散发湿量模块及鸡舍外部湿量模块；根据育雏舍的氨气浓度模型搭建有害气体浓度仿真模块3。
所述调节模块包括风机开始模式模块4、加热装置模块5、湿帘装置模块6，所述风机开始模式模块4连接所述鸡舍空气相对湿度交换模块1、鸡舍热量交换模块2及有害气体浓度仿真模块3，所述加热装置模块5连接所述鸡舍空气相对湿度交换模块1及鸡舍热量交换模块2，所述湿帘装置模块6连接所述鸡舍空气相对湿度交换模块1及鸡舍热量交换模块2。
步骤1中所述蛋鸡育雏舍小气候模型内还设置有From Workspace模块，从工作空间中导入雏鸡每天需要的环境数据，用于满足雏鸡对于环境的不同要求，根据国家规定和养殖专家的养殖经验，确定不同日龄的雏鸡对于环境参数的要求，用于确保输入数据的可靠性。
本发明提供的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，从实际出发，根据育雏舍的实际环境数据，利用计算机仿真技术建立仿真模型，有利于节约实验成本，减少实验对鸡只健康的影响，通过仿真模型输出的数据与实际测得的环境数据对比，确定了育雏舍实际环境模型的可靠性；根据不同鸡只日龄对于环境的不同要求，通过蛋鸡育雏舍小气候模型的建立，使得蛋鸡育雏舍的环境参数满足鸡只的生长，提高了育雏鸡的生活质量，从而实现福利养殖；利用Simulink搭建育雏育雏舍温湿度环境模型，是将热平衡公式和湿度质量平衡公式以一阶非线性微分方程的形式表达为数学模型，相比于其他方式建模具有更高的准确性；在小气候模型中加入From Workspace模块，从工作表中导入不同日龄的雏鸡需要的环境参数，这样可以实现不同日龄的鸡只对于环境的要求，实现了动态环境模型的构建；对于育雏舍氨气模型的构建，使用RBF神经网络函数预测氨气浓度，大大降低了通过“双模理论”和“亨利定律”等数学公式来构建氨气浓度模型的复杂性，并且，通过RBF神经网络函数来预测氨气浓度，提高了氨气浓度数据的精确性。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，包括如下步骤：
步骤1，搭建蛋鸡育雏舍小气候模型：
利用一阶非线性微分方程构建育雏舍热量变化模型和湿度质量平衡模型，利用RBF神经网络函数预测氨气浓度并建立氨气浓度模型，基于三个模型在Simulink模块中搭建蛋鸡育雏舍小气候模型，在蛋鸡育雏舍小气候模型中添加调节模块，用于调节模型的温度、湿度及氨气浓度；
步骤2，仿真调试蛋鸡育雏舍小气候模型；
将控制器搭建到蛋鸡育雏舍小气候模型中，将传感器设置在实际鸡舍中，用于采集实测数据，将实测数据与模型仿真数据相对比，控制器根据控制策略来调整输出，输出通过多个D/A转换器来执行调节模块的启停，从而实现对育雏舍环境的调节；
步骤3，保存模型环境参数至数据库：
将蛋鸡育雏舍小气候模型的仿真数据发送到客户端的数据库中保存，用于管理人员查看和分析；
步骤1中构建蛋鸡育雏舍的氨气浓度模型，具体为：
利用RBF神经网络构建氨气浓度模型，并对RBF神经网络进行训练，确定RBF神经网络的输入节点为六个，即
为输入量，其中x 1为温度，x 2为湿度，x 3为雏鸡数量，x 4为雏鸡日龄，x 5为饲料氨氮配比，x 6为育雏舍体积，每组为144个数据，其中输出节点为一个，即氨气浓度，RBF神经网络的径向基函数采用高斯函数，具体公式为：
式中C i 为高斯函数中心向量，σ为高斯函数的方差，径向基网络的权向量为
，RBF神经网络的输出为：
根据梯度下降法得出权值向量为：
式中，η为学习速率，η=0.05，α为动量因子，α=0.6，h i 为在训练样本中集中随机选择i个样本作为i个径向基函数的中心，y m （k）为期望输出，其中k=1,2,…,q，q为输出层单元数。
2.根据权利要求1所述的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，步骤1中所述构建育雏舍热量变化模型，具体为：
综合鸡群散热、加热器供热、太阳辐射传热、蛋鸡育雏舍围护结构散热、地面散热以及通风散热对育雏舍热环境的变化的影响，得到育雏舍热量变化模型公式为：
式中，ΔQ表示育雏舍内部热量变化量，C air_in 为育雏舍空气比热容，单位为J/（kg·℃），Q s 为育雏舍太阳辐射总热量，Q c 为鸡只总散热量，Q h 为育雏舍加热装置产热热量，Q g 为育雏舍地面散热热量，Q w 为育雏舍围护结构散热热量，Q f 为通风散热量，单位均为W，T house_in 为育雏舍内环境温度；
育雏舍太阳辐射总热量为：
式中，ρ sun 为育雏舍围护结构外表面对太阳辐射的吸收系数，S wall 为育雏舍维护结构的外表面积，单位为m2，I solar 为大气层太阳辐射强度，单位为W/m2；
鸡只总散热量为：
式中，N为鸡只数量，S chick 为鸡只的体表面积，单位为m2，ε为鸡只表面辐射黑度，ε≈0.95，δ为黑体辐射场数，δ=5.67×10-8，单位为W/m2·K4，T chick 为鸡只体表温度，单位为K，T house_in 为育雏舍内环境温度，单位为K，H air_chick 为空气与鸡只体表面对流换热系数，单位为W/m2·K4；
育雏舍加热装置产生的热量为：
式中，C water 为水的比热容，单位为J/（kg·℃），T water_out 为加热锅炉出水温度，单位为℃，T water_in 为加热锅炉回水温度，单位为℃，TRA water 为加热锅炉流量，单位为m3/h；
育雏舍地面散热热量为：
式中S ground 为育雏舍地面面积，单位为m2，K air_ground 为地面与空气的换热系数，单位为W/m2，I air_house 为育雏舍内空气温度，单位为K，I air_ground 为育雏舍内地面温度，单位为K；
育雏舍维护结构的热量交换公式：
S wall 为维护结构的表面积，单位为m2，T wall_in 为墙内表面温度，单位为K，T wall_out 为墙外表面温度，单位为K，K wall 为围墙的导热系数，单位为W/m·K；
通风散热量为：
式中，ρ air_in 为育雏舍内空气密度，单位为kg·m3，L为通风量，单位为m3/s，C air_in 为育雏舍空气比热容，单位为J/（kg·℃），T air_out 为育雏舍外空气温度，单位为℃，T air_in 为育雏舍内空气温度，单位为℃；
将公式（2）-（7）带入公式（1）中得到温度变换公式如下：
式中，V house 代表育雏舍体积。
3.根据权利要求1所述的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，步骤1中所述构建育雏舍的湿度质量平衡模型，具体为：
由于鸡只呼吸和自身蒸发的水汽量、湿帘设备加湿量、育雏舍表面水汽蒸发量，育雏舍的含湿量是随时变换的，根据质量守恒定律，育雏舍内水汽产生量等于水汽消散量，得到湿度的动态方程如下：
式中，ρ air_in 为育雏舍内空气密度，单位为kg/m3，L为育雏舍通风量，单位为m3/s，d in 为育雏舍内空气含湿量，单位为g/kg，V house 为育雏舍体积，单位为m3，d out 为育雏舍舍外空气湿度，单位为g/kg，h p 为鸡群散发的水汽量，单位为g/s，h e 为育雏舍内表面水汽量，单位为g/s，h c 为湿帘产生的水汽量，单位为g/s。
4.根据权利要求1所述的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，RBF神经网络训练详细过程为：
A1：将实测氨气浓度作为训练数据集，从中任意的选择1440个不同的样本作为起始值；
A2：在训练数据集中随机挑选训练样本X i 作为输入数据；
A3：通过公式（10）的计算，得到计算结果相应的N值，把X i 归为第N类；
A4：基于A3中X i 的参与，第N类聚类中心将会发生改变，根据公式（12）计算聚类中心，每次的循环只会更新一个聚类中心；
A5：经过A4后，判断数据的收敛性，当聚类中心不再进行更换时，此时算法收敛，在实际中当聚类中心变化很小时，则认为算法收敛。
5.根据权利要求1所述的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，由于输入输出之间存在量级不同，在训练时需要将输入和输出进行归一化处理，并且对训练完以后输出的数据，再进行反归一化处理。
6.根据权利要求2、3任一所述的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，根据育雏舍的热量变化模型搭建鸡舍热量交换模块，具体为：根据育雏舍太阳辐射总热量Q s 搭建鸡舍顶部散热模块，根据鸡只总散热量Q c 搭建雏鸡产热模块，根据育雏舍地面散热热量Q g 搭建鸡舍地面散热模块，根据育雏舍围护结构散热热量Q w 搭建鸡舍维护散热模块；根据育雏舍的湿度质量平衡模型搭建鸡舍空气相对湿度交换模块，其中鸡舍空气相对湿度交换模块包括鸡舍内表面散发湿量模块、雏鸡散发湿量模块及鸡舍外部湿量模块；根据育雏舍的氨气浓度模型搭建有害气体浓度仿真模块。
7.根据权利要求6所述的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，所述调节模块包括风机开始模式模块、加热装置模块、湿帘装置模块，所述风机开始模式模块连接所述鸡舍空气相对湿度交换模块、鸡舍热量交换模块及有害气体浓度仿真模块，所述加热装置模块连接所述鸡舍空气相对湿度交换模块及鸡舍热量交换模块，所述湿帘装置模块连接所述鸡舍空气相对湿度交换模块及鸡舍热量交换模块。
8.根据权利要求1所述的基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法，其特征在于，步骤1中所述蛋鸡育雏舍小气候模型内还设置有From Workspace模块，从工作空间中导入雏鸡每天需要的环境数据，用于满足雏鸡对于环境的不同要求，根据国家规定和养殖专家的养殖经验，确定不同日龄的雏鸡对于环境参数的要求，用于确保输入数据的可靠性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110165099.0A CN112931297B (zh) | 2021-02-06 | 2021-02-06 | 基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110165099.0A CN112931297B (zh) | 2021-02-06 | 2021-02-06 | 基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112931297A CN112931297A (zh) | 2021-06-11 |
| CN112931297B true CN112931297B (zh) | 2022-07-22 |
Family
ID=76242874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110165099.0A Active CN112931297B (zh) | 2021-02-06 | 2021-02-06 | 基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112931297B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200987A (zh) * | 2021-12-03 | 2022-03-18 | 天津农学院 | 一种基于强化学习的密闭式畜禽舍环境智能调控方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0530875A (ja) * | 1991-07-26 | 1993-02-09 | Buzen Etsugu Farm:Kk | ウインドウレス鶏舎のｆａ化システム |
| CN104155925A (zh) * | 2014-05-20 | 2014-11-19 | 马从国 | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 |
| CN105159216A (zh) * | 2015-08-31 | 2015-12-16 | 淮阴工学院 | 鸡舍环境氨气浓度智能监测系统 |
| CN105941184A (zh) * | 2016-05-19 | 2016-09-21 | 合肥市益农养殖有限公司 | 鸡舍小气候环境调控技术 |
| CN111814238A (zh) * | 2020-07-13 | 2020-10-23 | 郑州奥腾网络科技有限公司 | 基于人工智能及混合云推理的养殖舍bim实时成像方法 |
| CN112154971A (zh) * | 2020-09-25 | 2021-01-01 | 浪潮天元通信信息系统有限公司 | 一种基于科学养殖模型的生猪育肥系统及方法 |
-
2021
- 2021-02-06 CN CN202110165099.0A patent/CN112931297B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0530875A (ja) * | 1991-07-26 | 1993-02-09 | Buzen Etsugu Farm:Kk | ウインドウレス鶏舎のｆａ化システム |
| CN104155925A (zh) * | 2014-05-20 | 2014-11-19 | 马从国 | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 |
| CN105159216A (zh) * | 2015-08-31 | 2015-12-16 | 淮阴工学院 | 鸡舍环境氨气浓度智能监测系统 |
| CN105941184A (zh) * | 2016-05-19 | 2016-09-21 | 合肥市益农养殖有限公司 | 鸡舍小气候环境调控技术 |
| CN111814238A (zh) * | 2020-07-13 | 2020-10-23 | 郑州奥腾网络科技有限公司 | 基于人工智能及混合云推理的养殖舍bim实时成像方法 |
| CN112154971A (zh) * | 2020-09-25 | 2021-01-01 | 浪潮天元通信信息系统有限公司 | 一种基于科学养殖模型的生猪育肥系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于能质平衡的密闭猪舍内小气候环境模拟与验证;谢秋菊等;《农业工程学报》;20190531;第148-156页 * |
| 密闭鸡舍有害气体检测系统设计与实现;李今;《河北农业大学硕士学位论文》;20201231;第12、35-40页 * |
| 集中通风式分娩母猪舍温湿度数值模拟与试验验证;曾志雄等;《农业工程学报》;20200208(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112931297A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rojano et al. | Modelling heat and mass transfer of a broiler house using computational fluid dynamics | |
| CN104155925B (zh) | 一种基于无线传感器网络鸡舍小气候环境智能控制系统 | |
| Simmons et al. | Heat loss from broiler chickens subjected to various air speeds and ambient temperatures | |
| CN105117787B (zh) | 一种温室能耗的模型优化预测方法 | |
| De la Torre-Gea et al. | Computational fluid dynamics in greenhouses: A review | |
| Li et al. | A fast modeling and optimization scheme for greenhouse environmental system using proper orthogonal decomposition and multi-objective genetic algorithm | |
| CN112931297B (zh) | 基于计算机仿真的密闭式蛋鸡育雏舍小气候模型搭建方法 | |
| Guerra Galdo et al. | CFD model for ventilation assessment in poultry houses with different distribution of windows | |
| CN114200986A (zh) | 一种考虑作物生产效益和节省能耗的温室环境优化设计方法 | |
| Trokhaniak et al. | Experimental studies and numerical simulation of speed modes of air environment in a poultry house. | |
| CN114662201A (zh) | 一种自然通风智能调控的寻优方法 | |
| Gao et al. | Microclimate environment model construction and control strategy of enclosed laying brooder house | |
| Hu et al. | Optimal placement of laying hen house temperature sensors based on genetic algorithm | |
| CN111597609B (zh) | 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法 | |
| Zheng et al. | Neural models to predict temperature and natural ventilation in a high tunnel | |
| CN116187059A (zh) | 基于清洁供能系统的密闭蛋鸡育雏舍小气候模型搭建方法 | |
| CN111460631A (zh) | 一种鸡舍通风的模拟方法及应用该方法的电子设备 | |
| Sun et al. | Effects of window opening style on inside environment of solar greenhouse based on CFD simulation | |
| KR101657137B1 (ko) | 지능형 축사 환풍구 제어방법 | |
| Guo et al. | Research on the rabbit house temperature regulation system based on the internet of things and fuzzy PID | |
| AM | Numerical analyses of air velocity and temperature distribution in poultry house using computational fluid dynamics. | |
| Cabascango et al. | Modeling of Forced Airflow in a Greenhouse | |
| Tehinse et al. | Analysis of Thermally Controlled Poultry Housing Using CFD | |
| Küçüktopcu et al. | Computational Fluid Dynamics Modeling of a Broiler House Microclimate in Summer and Winter. Animals 2022, 12, 867 | |
| Prakash et al. | Applications of soft computing in solar drying systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |