CN113158593B - 一种基于人工智能的医院病房通风系统智能设计方法 - Google Patents

一种基于人工智能的医院病房通风系统智能设计方法 Download PDF

Info

Publication number
CN113158593B
CN113158593B CN202110394305.5A CN202110394305A CN113158593B CN 113158593 B CN113158593 B CN 113158593B CN 202110394305 A CN202110394305 A CN 202110394305A CN 113158593 B CN113158593 B CN 113158593B
Authority
CN
China
Prior art keywords
ventilation
ward
scheme
air
parameters
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
Application number
CN202110394305.5A
Other languages
English (en)
Other versions
CN113158593A (zh
Inventor
张慎
王义凡
尹鹏飞
程明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South Architectural Design Institute Co Ltd
Original Assignee
Central South Architectural Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South Architectural Design Institute Co Ltd filed Critical Central South Architectural Design Institute Co Ltd
Priority to CN202110394305.5A priority Critical patent/CN113158593B/zh
Publication of CN113158593A publication Critical patent/CN113158593A/zh
Application granted granted Critical
Publication of CN113158593B publication Critical patent/CN113158593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Ventilation (AREA)
  • Building Environments (AREA)

Abstract

本发明公开了一种基于人工智能的医院病房通风系统智能设计方法，包括步骤：利用Rhino软件参数化建模技术建立不同换气方案的病房三维几何模型；通过开源CFD软件OPENFOAM进行室内气流组织模拟，得到不同换气方案的室内空气龄的空间分布，进而计算得到换气效率；建立描述换气方案参数与换气效率关系的深度神经网络模型，以不同换气方案的参数为模型输入量，以对应的换气效率为模型输出量，对深度神经网络模型进行训练；设计多种换气方案，利用训练好的深度神经网络模型得到每种换气方案的换气效率，确定最优换气方案。该方法旨在将AI算法转化为设计生产力，寻找医院病房的通风系统最优设计方案。

Description

一种基于人工智能的医院病房通风系统智能设计方法
技术领域
本发明属于医疗建筑节能和室内通风设计技术领域，具体涉及一种基于人工智能的医院病房通风系统智能设计方法。
背景技术
近年来SARS和新冠肺炎等传染性疾病对人民生命安全和国民经济造成重大威胁和损失，社会各界对医院病房室内通风换气效果的关注度日益增加。医院作为收纳和救治病人的重要建筑场所，一旦发生传染病感染或交叉感染，后果十分严重。因此，如何科学地设计病房室内通风换气方案，已成为医疗建筑设计领域普遍关注和迫切需要解决的问题。
一般医院病房主要依赖空调通风系统影响室内气流组织，通过缩短室内空气龄，达到最大的室内换气效率。如果未选取最优的气流组织形式，不仅浪费资源不节能，而且可能会引起二次污染。因此，如何对室内空气龄的分布进行评估，是病房建筑室内优化设计需要解决的首要问题。目前主要依赖室内实测和计算流体力学方法(Computational FluidDynamics，CFD)进行室内气流组织模拟和分析，但由于实测成本高、CFD软件计算效率低，难以解决医疗建筑设计阶段时间紧、大量方案比选导致的计算量大等问题。
随着高性能计算水平飞速提升以及人工智能算法日益成熟，可以利用机器学习相关算法，采用有限的CFD仿真样本进行训练，得到病房通风方案快速评估模型，从而基于该机器学习模型确定最佳病房室内气流组织形式。另一方面，由于传统的商用CFD软件很少专门针对医疗建筑，其熟练使用需要依赖使用者对复杂的CFD理论、网格划分技术、计算参数以及可视化后处理等技术有一定的基础。为方便工程实用，近年来国内外科研人员均尝试基于计算机编程技术和CFD方法实现绿色建筑性能化分析，如国外研发团队利用Rhino的Grasshopper平台连接了OPENFOAM开源CFD软件，开发了butterfly接口，实现了对建筑的自然通风模拟。随着城市建筑数字化技术逐渐深入应用，人工智能、建筑参数化建模以及CFD仿真技术将会全面深入绿色建筑性能设计领域。
发明内容
本发明的目的在于，提供一种基于人工智能的医院病房通风系统智能设计方法，将AI算法转化为设计生产力，寻找医院病房的通风系统最优设计方案。
本发明提供的技术方案如下：
一种基于人工智能的医院病房通风系统智能设计方法，包括以下步骤：
S1、利用Rhino软件参数化建模技术建立不同换气方案的病房三维几何模型；
S2、通过开源CFD软件OPENFOAM进行室内气流组织模拟，得到不同换气方案的室内空气龄的空间分布，进而计算得到换气效率；
S3、建立描述换气方案参数与换气效率关系的深度神经网络模型，以不同换气方案的参数为模型输入量，以对应的换气效率为模型输出量，对深度神经网络模型进行训练；
S4、设计多种换气方案，利用训练好的深度神经网络模型得到每种换气方案的换气效率，确定最优换气方案。
优选地，换气方案的参数具体包括：送风口位置、排风口位置、送风口尺寸、排风口尺寸、排风口数量、病房空间尺寸、房间送风量。
优选地，描述换气方案参数与换气效率关系的深度神经网络模型表达式为：
η＝f(xin,yin,zin,xout,yout,zout,Win,Lin,Wout,Lout,n,L,W,H,m)
式中，η表示换气效率，xin、yin、zin表示送风口位置，xout、yout、zout表示排风口位置，Win和Lin表示送风口的宽度和长度，Wout和Lout表示排风口的宽度和长度，n表示排风口数量，L、W、H表示病房的长宽高，m表示房间送风量。
优选地，步骤S1包括：确定病房空间尺寸和环境通风参数；基于Rhino软件的Grasshopper参数化插件建立病房三维几何模型，参数化设计多种换气方案并建立换气方案参数据库。
优选地，病房空间尺寸包括病房的长度、宽度、高度；环境通风参数包括房间送风量、送风温度、送风速度。
优选地，步骤S2包括：基于病房三维几何模型的几何信息和换气方案的参数信息，通过OPENFOAM建立三维CFD计算模型，确定网格划分、初始和边界条件、收敛参数、离散格式以及求解参数，利用BUOYANTSIMPLEFOAM热流耦合求解器模拟分析病房内气流组织形式，得到空气龄的空间分布，进而计算得到换气效率。
优选地，调整网格和求解参数，使CFD计算结果收敛。
优选地，基于Linux系统对OPENFOAM软件进行二次开发接口，自动实现病房建筑几何模型修复、网格划分以及大规模并行计算，最终自动处理计算每一种换气方案对应的换气效率。
优选地，采用误差反向传播算法的LEVENBERG-MARQUARDT神经网络训练函数进行训练。
优选地，步骤S4包括：利用Rhino-Grasshopper工具设计出所有换气方案，将换气方案的参数输入训练好的深度神经网络模型，得到每种换气方案的换气效率，根据最大换气效率确定最优换气方案。
本发明的基于人工智能的医院病房通风系统智能设计方法，与现有室内气流组织CFD模拟技术相比，具有如下优点：
(1)本发明利用Rhino-Grasshopper和OPENFOAM开源软件，基于Linux系统针对医院病房气流组织CFD模拟进行了二次开发接口，可实现多种几何模型的自动读取、网格划分和大规模并行计算及结果后处理，提高了建筑方案设计阶段的CFD计算效率；
(2)本发明通过耦合参数化CFD仿真技术和人工智能算法，可以针对所有可能的室内气流组织方案的换气效率进行定量评估，能够得到最优的换气方案，该评估方法计算效率高于传统CFD计算方法，为医院病房的室内气流组织设计提供快速评估工具，具有重要的实践应用价值。
附图说明
图1为本发明的基于人工智能的医院病房通风系统智能设计方法流程图。
图2为本发明实施例中的病房几何模型及换气方案样本示意图。
图3为本发明实施例中的病房建筑三维CFD网格模型界面截图。
图4为本发明实施例中的病房空气龄的空间分布计算结果云图界面截图。
图5为本发明实施例中的病房不同换气方案的换气效率CFD计算值训练样本图。
图6为本发明实施例中的病房换气效率的深度神经网络模型示意图。
图7为本发明实施例中的病房换气效率预测值与CFD计算值对比图。
图8为本发明实施例中的病房最优换气方案的室内流线示意图。
具体实施方式
下面将结合附图对本发明作进一步的说明：
为了寻找医院病房的通风系统最优设计方案，本发明提供了一种基于人工智能的医院病房通风系统智能设计方法。首先，针对典型病房设计多种通风换气方案，通过Rhino软件参数化建模技术建立不同换气方案的病房三维几何模型。随后通过开源CFD软件OPENFOAM进行室内气流组织模拟，计算得到室内空气龄的空间分布和综合换气效率指标。然后采用人工智能中的深度神经网络模型，分别以不同换气方案的参数数据为模型输入量，以CFD计算得到的室内换气效率为输出量，采用误差反向传播算法(BP)进行模型训练，最终构建得到不同换气方案与室内换气效率指标的深度神经网络模型。最后，通过Rhino软件设计所有换气方案，将不同换气方案参数代入已训练完成的深度神经网络模型中，得到预测的室内换气效率指标，根据最大的换气效率指标确定最优的换气方案。该方法具体包括以下步骤：
(1)根据设计方案需求，确定病房空间尺寸(高度为H，宽度为W，长度为L)，病房采用直流式通风系统，通过定风量阀门控制送风和排风支路的风量恒定，确定病房送风量、送风温度和送风速度等环境通风参数。基于Rhino软件的Grasshopper参数化插件建立典型医院病房几何信息模型，参数化设计多种通风换气方案并建立方案数据库；
(2)利用不同换气方案对应的病房几何信息和换气参数信息，基于OPENFOAM建立单个病房的三维CFD计算模型，确定网格划分、初始和边界条件、收敛参数、离散格式以及求解参数等，利用BUOYANTSIMPLEFOAM热流耦合求解器模拟分析病房内气流组织形式、空气龄的空间分布以及换气效率指标；
(3)基于Linux系统对OPENFOAM开源软件进行二次开发接口，编写Linux脚本语言批量处理几何模型前处理、网格质量自动检查、收敛计算判断以及结果后处理中计算域网格平均空气龄结果批量导出，实现自动实现病房建筑几何模型修复、网格划分以及大规模并行计算，最终自动处理计算每一种换气方案参数对应的换气效率指标，从而得到用于人工智能算法评估模型的训练样本；
(4)采用人工智能算法中的深度神经网络模型，分别以每种换气方案的送风口尺寸(宽度Win和长度Lin)、排放口尺寸(宽度Wout和长度Lout)送风口中心位置(xin，yin，zin)、排风口中心位置(xout，yout，zout)以及排风口数量n和送风量m为输入量，以单个病房的换气效率η为输出量，采用误差反向传播算法的LEVENBERG-MARQUARDT神经网络训练函数进行训练，以神经网络的均方误差作为性能函数，通过试算确定神经网络模型中神经元个数与隐含层层数，最终构建描述通风换气方案参数与病房换气效率关系的深度神经网络模型。
η＝f(xin,yin,zin,xout,yout,zout,Win,Lin,Wout,Lout,n,L,W,H,m) (1)
(5)利用Rhino-Grasshopper工具设计所有可能的换气方案参数，并将其输入已经训练好的深度神经网络模型中，预测每种换气方案对应的病房换气效率。筛选出多种换气方案中预测换气效率的最大值，并确定该方案的送风口和排放口参数为最优设计参数。
下面以设计送风口和排风口的位置参数为例，举出一个更具体的实施例。如图1所示，针对典型病房单元通风系统方案设计，具体实施步骤如下：
(1)假定病房为典型矩形体病房，长度L、宽度W和高度H分别为6.0m、3.1m和2.4m，室内布置两个标准病床，模型如图2所示。房间的四周墙面、地板和顶部作绝热处理，假定室内温度为15℃。医院病房通风系统的气流组织形式主要通过送风口和排风口位置确定。根据医院病房换气次数要求，确定送风口尺寸为宽度Win和长度Lin为350*350mm，排风口尺寸为宽度Wout和长度Lout为280*280mm，房间的送风量m为692.37m3/h，送风风速为1.57m/s，送风温度设为24℃，仅考虑单个排风口情况。假定为理想活塞流气流组织方式，理论上空气在室内的最短滞留时间τn为230.23s。
利用Grasshopper工具建立病房通风系统的参数数据库，考虑病房对称性，设计200种通风换气方案参数，即改变送风口和排风口的空间位置，换气方案如图2所示。考虑一般上进下出通风方式较好，本实施算例仅考虑顶部送风、侧墙下部排风的通风方式，目的在于确定最优的送风口和排风口位置。
(2)从Rhino软件导出STL格式的病房几何信息数据，导入OPENFOAM进行网格并行计算划分。为了保证CFD计算结果收敛，反复调整网格参数，最终确定病房室内空间的最大网格尺寸为0.125米，送风口和排风口的最小网格尺寸为0.0625米，病房表面的最小网格尺寸为0.03125米，网格数量14821。其他换气方案均采用同样的网格划分参数，病房结构CFD网格模型如图3所示。
设置CFD计算模型的初始和边界条件，假定房间内初始风速为0，温度为24℃，房间气压假定为标准大气压，其他位置的边界条件如表1所示。采用标准k-epsilon湍流模型进行计算，调整风速、温度和气压的残差控制参数(residualControl)分别为10-4，10-2和10-2。利用BUOYANTSIMPLEFOAM稳态求解器可以同时计算病房内温度和气流分布，计算室内每个空间点位置的空气龄的空间分布，如图4所示，以及实际室内平均空气龄
Figure BDA0003017998860000052
从而计算单个房间的换气效率η。
Figure BDA0003017998860000051
表1病房CFD计算模型的边界条件设置
位置 风速边界 温度边界 气压边界条件
送风口 (0，0，-1.57m/s) 24℃ 标准气压
出风口 pressureInletOutletVelocity 15℃ 标准气压
病床 noSlip 15℃ 标准气压
房间壁面 noSlip 15℃ 标准气压
(3)基于上一步(2)同样的CFD设置参数，对其他所有病房换气方案进行批量并行计算，并计算每个换气方案对应的换气效率，得到用于机器学习的训练样本如图5所示。
(4)采用人工智能算法中的深度神经网络模型，抽取训练数据中的出风口中心位置坐标和送风口中心位置坐标分量共4个参数作为输入参数(即xout,zout,xin,yin，其中yout和zin为固定值，故不作为训练参数)，送风口尺寸、排风口尺寸和排风口数量为固定值不作为训练参数，以单个病房的换气效率η为输出量，采用误差反向传播算法的LEVENBERG-MARQUARDT神经网络训练函数进行训练，以神经网络的均方误差作为性能函数，通过多次试算隐含层节点数量后最终构建了描述通风换气方案参数与病房换气效率关系的BP深度神经网络模型，如图6所示。通过该模型计算50个不同换气方案的预测值如图7所示。对比不同换气方案的预测值与CFD计算值可知，该训练模型具有较好的预测效果。
(5)基于Grasshopper参数化建模技术进一步设计更多换气方案参数，输入训练好的深度神经网络模型，预测每种换气方案的换气效率。根据最大换气效率，确定最优室内通风系统的送风口和排风口位置参数，该方案的室内气流流线分布图如图8所示。
综上所述，本发明公开了一种基于人工智能的医院病房通风系统智能设计方法。本发明利用人工智能算法，结合参数化建模技术和室内空气龄的CFD算法，构建了适用于医院病房室内换气效率快速评估的深度神经网络模型，对通风系统的方案比选和方案调整进行全过程优化，提高了设计效率和质量。该方法主要包括以下步骤：1)利用Rhino+Grasshpooer参数化设计技术建立病房通风系统的参数数据库；2)基于开源计算流体力学软件OPENFOAM进行病房室内气流组织模拟，得到人工智能训练样本；3)训练BP深度神经网络模型，预测更多换气方案的换气效率指标，最终确定最优的通风系统设计参数。该方法旨在将AI算法转化为设计生产力，寻找医院病房的通风系统最优设计方案。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的医院病房通风系统智能设计方法，其特征在于，包括以下步骤：
S1、利用Rhino软件参数化建模技术建立不同换气方案的病房三维几何模型；
S2、通过开源CFD软件OPENFOAM进行室内气流组织模拟，得到不同换气方案的室内空气龄的空间分布，进而计算得到换气效率；具体包括：
基于病房三维几何模型的几何信息和换气方案的参数信息，通过OPENFOAM建立三维CFD计算模型，确定网格划分、初始和边界条件、收敛参数、离散格式以及求解参数，利用BUOYANTSIMPLEFOAM热流耦合求解器模拟分析病房内气流组织形式，得到空气龄的空间分布，进而计算得到换气效率；
S3、建立描述换气方案参数与换气效率关系的深度神经网络模型，以不同换气方案的参数为模型输入量，以对应的换气效率为模型输出量，对深度神经网络模型进行训练；
其中，换气方案的参数具体包括：送风口位置、排风口位置、送风口尺寸、排风口尺寸、排风口数量、病房空间尺寸、房间送风量；
描述换气方案参数与换气效率关系的深度神经网络模型表达式为：
η＝f(xin,yin,zin,xout,yout,zout,Win,Lin,Wout,Lout,n,L,W,H,m)
式中，η表示换气效率，xin、yin、zin表示送风口位置，xout、yout、zout表示排风口位置，Win和Lin表示送风口的宽度和长度，Wout和Lout表示排风口的宽度和长度，n表示排风口数量，L、W、H表示病房的长宽高，m表示房间送风量；
S4、设计多种换气方案，利用训练好的深度神经网络模型得到每种换气方案的换气效率，确定最优换气方案。
2.根据权利要求1所述的基于人工智能的医院病房通风系统智能设计方法，其特征在于，步骤S1包括：确定病房空间尺寸和环境通风参数；基于Rhino软件的Grasshopper参数化插件建立病房三维几何模型，参数化设计多种换气方案并建立换气方案参数据库。
3.根据权利要求2所述的基于人工智能的医院病房通风系统智能设计方法，其特征在于，病房空间尺寸包括病房的长度、宽度、高度；环境通风参数包括房间送风量、送风温度、送风速度。
4.根据权利要求1所述的基于人工智能的医院病房通风系统智能设计方法，其特征在于，调整网格和求解参数，使CFD计算结果收敛。
5.根据权利要求1所述的基于人工智能的医院病房通风系统智能设计方法，其特征在于，基于Linux系统对OPENFOAM软件进行二次开发接口，自动实现病房建筑几何模型修复、网格划分以及大规模并行计算，最终自动处理计算每一种换气方案对应的换气效率。
6.根据权利要求1所述的基于人工智能的医院病房通风系统智能设计方法，其特征在于，采用误差反向传播算法的LEVENBERG-MARQUARDT神经网络训练函数进行训练。
7.根据权利要求1所述的基于人工智能的医院病房通风系统智能设计方法，其特征在于，步骤S4包括：利用Rhino-Grasshopper工具设计出所有换气方案，将换气方案的参数输入训练好的深度神经网络模型，得到每种换气方案的换气效率，根据最大换气效率确定最优换气方案。
CN202110394305.5A 2021-04-13 2021-04-13 一种基于人工智能的医院病房通风系统智能设计方法 Active CN113158593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110394305.5A CN113158593B (zh) 2021-04-13 2021-04-13 一种基于人工智能的医院病房通风系统智能设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110394305.5A CN113158593B (zh) 2021-04-13 2021-04-13 一种基于人工智能的医院病房通风系统智能设计方法

Publications (2)

Publication Number Publication Date
CN113158593A CN113158593A (zh) 2021-07-23
CN113158593B true CN113158593B (zh) 2023-02-07

Family

ID=76890201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110394305.5A Active CN113158593B (zh) 2021-04-13 2021-04-13 一种基于人工智能的医院病房通风系统智能设计方法

Country Status (1)

Country Link
CN (1) CN113158593B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117413273A (zh) * 2021-07-29 2024-01-16 西门子（中国）有限公司 用于监控封闭空间环境的方法、装置和计算机存储介质
CN114623566A (zh) * 2021-08-27 2022-06-14 合肥杜威智能科技股份有限公司 一种正负压智能转换控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778285A (zh) * 2014-01-14 2014-05-07 同济大学 一种空气龄可视化的建筑设计方法
CN104633856A (zh) * 2015-01-27 2015-05-20 天津大学 Cfd数值模拟结合bp神经网络人工环境控制方法
CN110532687A (zh) * 2019-08-29 2019-12-03 哈尔滨工业大学 一种寒地体育馆建筑自然通风参数化设计方法
CN111191316A (zh) * 2020-01-06 2020-05-22 沈阳建筑大学 一种基于响应面的建筑自然通风性能优化模型及优化方法
CN112149364A (zh) * 2020-09-04 2020-12-29 同济大学 一种智慧人居环境气流组织优化方法
CN112484201A (zh) * 2020-11-27 2021-03-12 中建三局第一建设工程有限责任公司 一种临时应急医院通风系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092713A (zh) * 2017-03-06 2017-08-25 扬州大学 一种基于ansys软件的碰撞射流通风系统优化方法
US11080438B2 (en) * 2018-05-30 2021-08-03 International Business Machines Corporation Building-information management system with directional wind propagation and diffusion
CN111639462B (zh) * 2020-05-29 2023-04-18 桂林电子科技大学 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法
CN111814388B (zh) * 2020-06-12 2023-06-06 菲尼克斯(上海)环境控制技术有限公司 一种基于神经网络的下送风数据中心cfd仿真校验方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778285A (zh) * 2014-01-14 2014-05-07 同济大学 一种空气龄可视化的建筑设计方法
CN104633856A (zh) * 2015-01-27 2015-05-20 天津大学 Cfd数值模拟结合bp神经网络人工环境控制方法
CN110532687A (zh) * 2019-08-29 2019-12-03 哈尔滨工业大学 一种寒地体育馆建筑自然通风参数化设计方法
CN111191316A (zh) * 2020-01-06 2020-05-22 沈阳建筑大学 一种基于响应面的建筑自然通风性能优化模型及优化方法
CN112149364A (zh) * 2020-09-04 2020-12-29 同济大学 一种智慧人居环境气流组织优化方法
CN112484201A (zh) * 2020-11-27 2021-03-12 中建三局第一建设工程有限责任公司 一种临时应急医院通风系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于响应面的全民健身中心自然通风性能优化研究;白晓伟等;《工业建筑》;20200320(第03期);全文 *
论医院建筑的通风系统设计;郭金成;《中国医院建筑与装备》;20101115(第11期);全文 *

Also Published As

Publication number Publication date
CN113158593A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
Chen et al. Multiobjective optimization of building energy consumption based on BIM-DB and LSSVM-NSGA-II
Wang et al. A three-stage optimization methodology for envelope design of passive house considering energy demand, thermal comfort and cost
CN113158593B (zh) 一种基于人工智能的医院病房通风系统智能设计方法
Li et al. An ANN-based fast building energy consumption prediction method for complex architectural form at the early design stage
Sha et al. Overview of computational intelligence for building energy system design
Yan et al. DeST—An integrated building simulation toolkit Part I: Fundamentals
CN103049612B (zh) 一种基于模型降阶技术的建筑室内环境优化方法
CN111561733B (zh) 基于gbdt的供暖户阀调节方法、系统及设备
CN104633856A (zh) Cfd数值模拟结合bp神经网络人工环境控制方法
CN114692265A (zh) 一种基于深度强化学习的零碳建筑优化设计方法
CN110532687A (zh) 一种寒地体育馆建筑自然通风参数化设计方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
Wu et al. Intelligent optimization framework of near zero energy consumption building performance based on a hybrid machine learning algorithm
CN111310257A (zh) 一种bim环境下的区域建筑能耗预测方法
WO2022116452A1 (zh) 一种室内新风仿真模拟方法及室内设计系统
CN114662201B (zh) 一种自然通风智能调控的寻优方法
Li et al. Multi-objective optimization of HVAC system using NSPSO and Kriging algorithms—A case study
CN114611201B (zh) 一种未来气候建筑多目标节能优化方法和系统
Wang et al. BIM-based automated design for HVAC system of office buildings—An experimental study
Tian et al. Predicting non-uniform indoor air quality distribution by using pulsating air supply and SVM model
Zhang Energy-saving parameterized design of buildings based on genetic algorithm
Lan et al. Simulation method for indoor airflow based on the Industry Foundation Classes model
CN117332971A (zh) 一种计及城市形态的区域综合能源规划方法及系统
CN117057021A (zh) 一种基于多目标动态权重的建筑改造方案优化方法
CN112484250A (zh) 一种基于室内热源信息的hvac在线监控系统及控制方法

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