CN114970310A - 一种基于混合模拟退火算法的分离器凝结位置预测方法 - Google Patents
一种基于混合模拟退火算法的分离器凝结位置预测方法 Download PDFInfo
- Publication number
- CN114970310A CN114970310A CN202210232294.5A CN202210232294A CN114970310A CN 114970310 A CN114970310 A CN 114970310A CN 202210232294 A CN202210232294 A CN 202210232294A CN 114970310 A CN114970310 A CN 114970310A
- Authority
- CN
- China
- Prior art keywords
- iteration
- separator
- population
- adaptive
- simulated annealing
- 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.)
- Pending
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
- G06F30/27—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- 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
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明涉及一种基于混合模拟退火算法的分离器凝结位置预测方法,包括下列步骤:初始化,随机产生包含凝结位置的初始种群;独立的对种群Xn的每一个个体,进行模拟退火处理;采用自适应模拟退火策略,定义自适应温度衰减函数,参照能量差值确定温度衰减函数中的自适应权重取值;降温后按Metropolis准则以概率接受新解;判断是否达到局部迭代的终止条件;判断是否达到终止迭代次数,若是,停止迭代;否则,计算种群中每个凝结位置个体的适应度值,即综合指标分离系数;若与分离器理想状态设定的分离系数相对误差不超过0.01%,则停止迭代,得到最佳凝结位置坐标;否则,利用遗传算法进行交叉变异产生新种群,控制优化过程的搜索方向。
Description
技术领域:
本发明属于多相流参数检测技术领域和分离器脱水领域,涉及一种基于混合模拟退火算法的分离器凝结位置预测方法。
背景技术:
多组分气体分离广泛存在于日常生活与工业生产中,如天然气的脱水、空调的冷却除湿等,通过对分离机理的深入研究,探索高效的多组分气体分离方法,对于提高生产效率、降低运行成本、节能环保等有着十分积极的意义。超音速旋流分离法是结合旋流分离技术和冷凝分离技术的多组分气体冷凝分离法,由于具有工艺流程简单、稳定性好、效率高、能耗低等特点,成为近二十年来非常有应用价值和商业前景的新分离技术。但是,目前超音速旋流分离技术在混合流场流动特性以及预测方法方面仍存在许多问题。
在超音速分离过程中,湿度的变化对凝结位置的影响比较明显,当时相对湿度增加时,成核区会更靠近喉部,成核率极值减小且成核区域长度变短,凝结会更容易发生,露点降越大,进而提升了超音速分离器的分离性能。但当入口相对湿度足够大或气体含有可溶性杂质时,会出现非自发(非均质)凝结现象,凝结甚至会出现在喉部上游的亚音速区,这种情况下存在一个“临界加热量”,如果有更多的凝结加热量产生,气流就不能维持稳定,会出现“热阻塞”现象,对喷嘴内部流量造成影响。
参考文献
[1]Okimoto F T,Brouwer J M.Supersonic gas conditioning[J].World Oil,2002,223(8):89-92.
[2]胡玉玲,曹建国.T-S模糊神经网络应用于变参数系统的控制研究[J].控制工程, 2005(S2):120-122.
[3]刘坤.电液伺服系统的智能控制研究[D].燕山大学,2003.
[4]郭爽.基于PSO-BP算法的有机朗肯循环控制系统研究[D].天津理工大学,2019.
[5]毕东明.基于实时多任务操作系统的通用流量仪[D].复旦大学,2008.
[6]刘延俊.气动比例位置系统的控制方法及动态特性研究[D].山东大学,2008.
[7]全锐.压井节流智能控制系统研究与设计[D].西南石油大学,2019.
[8]丁红兵,李一鸣,王超,等.一种多参数可调的雾状流实验系统:2021-03-23.
[9]欧阳英姿,万勇.蒸汽介质分析及蒸汽计量系统综述[J].仪器仪表标准化与计量, 2021(01):28-31.
[10]Shapiro AH.The dynamics and thermodynamics of compressible fluidflow,Vol.1,the Ronald press company,New York,1953
[11]Ding H,Wang C,Wang G,et al.Analytic equations for the Wilsonpoint in high-pressure steam flow through a nozzle[J].International Journalof Heat and Mass Transfer,2015,91: 961-968.
[12]Ding H,Wang C,Wang G.Self-excited oscillation of non-equilibriumcondensation in critical flow nozzle[J].Applied Thermal Engineering,2017,122:515-527.
[13]马庆芬.旋转超音速凝结流动及应用技术研究[D].大连理工大学,2009.
[14]Al-Qutami T A,Rosdiazli I,Ismail I,et al.Virtual multiphase flowmetering using diverse neural network ensemble and adaptive simulatedannealing[J].Expert Systems with Applications,2018,93:72-85.
[15]Li C.New meta-heuristic bat algorithm[J].Computer Knowledge andTechnology,2010, 6(23):6569-6572.
发明内容:
本发明针对分离器内部流动的不确定性和非线性特性,提供一种分离器凝结位置预测方法。本发明利用模拟退火算法,将固体内能模拟为目标函数值,温度转化成控制参数,对初始解和控制参数进行初始化,伴随控制参数的不断调整,结合遗传算法交叉变异,在每一代中都评价每一个体,并通过计算适应度函数得到适应度数值,在解空间中寻找目标函数的全局最优解。本发明在标准模拟退火算法基础上做了两处改进,主要体现在新解的产生方式及退火策略,即温度衰减因子的自主选择两方面。技术方案如下:
一种基于混合模拟退火算法的分离器凝结位置预测方法,包括下列步骤:
步骤1:规定从分离器喉部到出口的长度为L,将其平均的离散成M个位置坐标,最佳凝结位置为其中坐标之一,确定搜索空间,遗传算法编码成位串形式,;随机产生包含s个凝结位置的初始种群X1,以此类推,设定终止迭代次数N,遗传算法每循环一次产生的种群为Xn,n=1,2,3…N;;
步骤2:独立的对种群Xn的每一个个体,即凝结位置坐标,进行模拟退火处理,定义足够高的初始温度代表最大凝结位置x0;定义终止温度代表最佳凝结位置为xf,迭代次数为k,退火能量函数定义Ek为:
式中,xk是第k次退火的凝结位置坐标,x′是理论计算得出的最佳凝结位置坐标;
步骤3:采用自适应模拟退火策略自适应温度衰减函数定义为:
xk+1=w·αxk
式中,xk为降温前的温度,代表凝结位置坐标;xk+1为降温后的温度,代表退火选择后的凝结位置坐标,w为自适应权重,α为小于1的正数;
参照能量差值确定温度衰减函数中的自适应权重w取值:
当ΔE=Ek+1-Ek<0时,自适应权重w在(0.8,1.2)之间取随机数;
当ΔE=Ek+1-Ek=0时,自适应权重w取为1;
当ΔE=Ek+1-Ek>0时,自适应权重w以50%的概率在(0.3,0.6)或(1.3,1.6)之间随机选择;
降温后按Metropolis准则以概率接受新解,得到下一次迭代状态xk+1,消除局部收敛性;
步骤4:判断新解xk+1是否达到局部迭代的终止条件,即满足精确度,退火能量函数Ek+1小于等于0.1%,若是,停止迭代,转步骤5;若否,重复步骤3;
步骤5:判断n是否达到终止迭代次数N,若是,停止迭代;否则,计算种群中每个凝结位置个体的适应度值,即露点降ΔTd(K)和压力损失Δp(kPa)的比值,综合指标分离系数η:
若与分离器理想状态设定的分离系数相对误差不超过0.01%,则停止迭代,得到最佳凝结位置坐标;
否则,n=n+1,利用遗传算法进行交叉变异产生新种群,控制优化过程的搜索方向,然后跳转进行步骤2。
附图说明:
图1:优化后的SA算法流程图。
具体实施方式:
为进一步说明本发明的特征、工艺流程及具体优势、功能,下面结合附图与具体实施方式对本发明作详细的描述。
露点是指在气体压力和水蒸气分压力保持不变的情况下,温度下降使水蒸气达到饱和时的温度,露点降是入口露点和干气出口露点的差值,它直接反映了超音速分离器的脱水性能,入口露点和干气出口露点的差值越大,超音速分离器的脱水性能越好。在分离器指标中,露点降只能反映分离器脱水性能的优劣,而在实际应用中,要同时考虑工作效率,故采用分离系数η作为其综合处理能力的指标参数,即适应度函数,本发明采用综合处理的指标参数分离系数η,即露点降ΔTd(K)和压力损失Δp(kPa)的比值。
即:
其综合了露点降和压力损失,既反映了超音速分离器的脱水性能,又反映了处理效率。露点降越大和压力损失越小,分离器的综合处理性能越好。关于水蒸汽凝结流动,平衡态与非平衡凝结现象十分复杂,在物理上很难用解析的方法理解,故采用优化算法建立模型对凝结位置进行预测。模拟退火算法 (Simulated Annealing,SA)原理在于将物理中固体物质的降温过程与一般组合优化问题之间的相似性作为出发点,用固体退火模拟解决组合优化问题,在解空间中随机寻找目标函数的全局最优解。遗传算法 (GeneticAlgorithm,GA)是模拟生物在自然环境下的遗传和进化过程的一种自适应的全局优化搜索算法。本发明提出一种混合模拟退火算法,将SA与GA两种算法结合,通过对入口湿度的调整,对分离器内部的凝结位置进行预测,对提高分离器工业生产效率具有重要意义。
本发明基于凝结理论,与实验管路相配合,不断优化分离器内部的凝结位置,使得分离器的综合处理性能最佳。结合遗传算法,在标准模拟退火算法基础上做了两处改进,关键在于构建新解的产生方式及自适应的模拟退火策略。
混合模拟退火算法流程如图1所示所示,步骤如下:
1.初始化:确定解的搜索空间,本文规定从分离器喉部到出口的长度为L,将其离散成M个位置坐标,并对坐标值进行编码,最佳凝结位置为其中坐标之一。设定每个种群凝结位置个体数量为s,初始随机产生s个体,每个个体代表一个凝结位置距喉部的距离,即坐标值,随机产生的初始种群X1,以此类推,遗传算法每循环一次产生的种群为Xn(n=1,2,3…);设定终止迭代次数N。
2.独立的对种群Xn(n=1,2,3…)每一个个体进行模拟退火,定义足够高的初始温度,在本文中即为最大凝结位置,用出口坐标x0来表征;定义终止温度为最终凝结位置xf,迭代次数为k,退火能量函数Ek(k=1,2,3…)定义为:
式中,xk是第k次退火的预测凝结位置坐标,x′是根据分离系数用理论计算的方法[11]得出的最佳凝结位置值。模拟退火算法具有较强的局部搜索能力,对每个基因个体,进行调整优化,执行循环操作。
3.自适应的模拟退火策略及新解的产生方式:
a)自适应模拟退火策略:针对不能兼顾优化精度和收敛速度的问题,提出了一种自适应模拟退火策略。自适应模拟退火策略的优势在于其自适应特性。它可以根据当前的搜索情况自主选择合适的退火速度,不仅有效地利用了模拟退火算法的全局搜索能力,还加快了进化时间。按温度衰减函数降低温度,判断是否达到迭代终止条件,若是,停止迭代;否则,转步骤3。算法温度衰减函数定义为:
Tk+1=w·αTk
式中,Tk为降温前的温度,Tk+1为降温后的温度,w为自适应权重,α为小于1的正数,算法具体流程图如图1所示。这种冷却函数呈现出惯性权重的指数衰减,其特点是初期快速衰减,后期逐渐衰减,是符合生物认知规律的发展过程。指数衰减权值方式在起始期间有较大的权值衰减步长,可以增加算法的搜索范围,保证本算法具有较强的全局搜索能力;而后续权值衰减步长变小,新解的更新速度变慢,从而保证后期有更好的局部搜索优势,并且避免权重的线性衰减导致算法在局部最优解附近振荡,从而提高算法收敛的稳定性。
温度衰减函数中的自适应权重w是平衡算法全局搜索特征和局部寻优特征的重要手段,在算法中,保留当前能量值与上一次迭代能量值之间的差值数据,根据差值大小对自适应权重w确定取值:
ΔE=Ek+1-Ek<0:新解相应的能量小于上一代解相应的能量,根据规定,即当前解更靠近最优解,此时,个体应在较小的温度范围内变化,才有利于探索局部的最优解,自适应权重w是(0.8,1.2)之间的随机数。
ΔE=Ek+1-Ek=0:根据分析可知,当前解的所在位置一般,所以保持当前权重,让它依照原来的算法靠最优位置即可,自适应权重w取1。
ΔE=Ek+1-Ek>0:新解相应的能量大于上一代解的相应能量,根据定义,即当前解的位置不好,这时为保证全局的搜索能力,自适应权重w以50%的概率在(0.3,0.6)或(1.3,1.6)之间随机选择,这种取值办法利于有利于在其他位置寻找解,在整个范围内找到最优解。
在迭代过程中,w保留当前能量值与上一次迭代能量值之间的差值数据,产生新解xk+1。这种随机权重策略拥有自适应性,可以根据能量差异的大小随机调整,而不是固定值,这使得搜索最优值的退火过程更多样化。在求解精度更高的同时,也保证了算法具有更快的收敛速度。
b)新解的产生方式:按Metropolis准则接受新解:
式中,kB为玻尔兹曼常数,Tk为当前温度,其值与初始温度T0以及降温速率α有关。若Ek+1<Ek,则接受k+1为下一次迭代状态;若Ek+1>Ek,则生成0到1之间的一个随机数,与进行比较,若大于[0,1)区间的随机数,则接受状态k+1为下一次迭代状态;若不成立,则保留状态k为下一次迭代状态xk+1。
4.判断新解xk+1是否达到局部迭代的终止条件,即满足精确度,退火能量函数Ek+1小于等于0.1%,若是,停止迭代,转到主循环中,跳到第5点;若否,重复模拟退火第3点。
5.返回遗传算法主循环,判断n是否达到终止迭代次数N,若是,终止循环,调整参数后再重新计算;否则,计算分离器综合性能指标,即种群个体的适应度,本发明采用综合处理的指标参数分离系数η,入口露点和干气出口露点的差值露点降ΔTd(K)和压力差值压力损失Δp(kPa)的比值:
若与分离器理想状态设定的分离系数相对误差不超过0.01%,则停止迭代,得到最佳凝结位置坐标。否则,令n=n+1,利用遗传算法进行选择交叉变异,产生一组新个体,生成新种群,转第2点。
遗传算法控制优化过程的搜索方向,结合模拟退火算法,避免陷入局部最优,提高算法的准确性及有效性,最终得到最佳凝结位置坐标值。
Claims (1)
1.一种基于混合模拟退火算法的分离器凝结位置预测方法,包括下列步骤:
步骤1:规定从分离器喉部到出口的长度为L,将其平均的离散成M个位置坐标,最佳凝结位置为其中坐标之一,确定搜索空间,遗传算法编码成位串形式,;随机产生包含s个凝结位置的初始种群X1,以此类推,设定终止迭代次数N,遗传算法每循环一次产生的种群为Xn,n=1,2,3…N。
步骤2:独立的对种群Xn的每一个个体,即凝结位置坐标,进行模拟退火处理,定义足够高的初始温度代表最大凝结位置x0;定义终止温度代表最佳凝结位置为xf,迭代次数为k,退火能量函数定义Ek为:
式中,xk是第k次退火的凝结位置坐标,x′是理论计算得出的最佳凝结位置坐标;
步骤3:采用自适应模拟退火策略自适应温度衰减函数定义为:
xk+1=w·αxk
式中,xk为降温前的温度,代表凝结位置坐标;xk+1为降温后的温度,代表退火选择后的凝结位置坐标,w为自适应权重,α为小于1的正数;
参照能量差值确定温度衰减函数中的自适应权重w取值:
当ΔE=Ek+1-Ek<0时,自适应权重w在(0.8,1.2)之间取随机数;
当ΔE=Ek+1-Ek=0时,自适应权重w取为1;
当ΔE=Ek+1-Ek>0时,自适应权重w以50%的概率在(0.3,0.6)或(1.3,1.6)之间随机选择;
降温后按Metropolis准则以概率接受新解,得到下一次迭代状态xk+1,消除局部收敛性;
步骤4:设定精确度终止值,判断新解xk+1是否达到局部迭代的终止条件,即满足精确度,退火能量函数Ek+1小于等于精确度终止值,若是,停止迭代,转步骤5;若否,重复步骤3;
步骤5:判断n是否达到终止迭代次数N,若是,停止迭代;否则,计算种群中每个凝结位置个体的适应度值,即露点降ΔTd(K)和压力损失Δp(kPa)的比值,综合指标分离系数η:
设定误差终止值,若与分离器理想状态设定的分离系数相对误差不超过误差终止值,则停止迭代,得到最佳凝结位置坐标;
否则,n=n+1,利用遗传算法进行交叉变异产生新种群,控制优化过程的搜索方向,然后跳转进行步骤2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232294.5A CN114970310A (zh) | 2022-03-09 | 2022-03-09 | 一种基于混合模拟退火算法的分离器凝结位置预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232294.5A CN114970310A (zh) | 2022-03-09 | 2022-03-09 | 一种基于混合模拟退火算法的分离器凝结位置预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114970310A true CN114970310A (zh) | 2022-08-30 |
Family
ID=82975516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210232294.5A Pending CN114970310A (zh) | 2022-03-09 | 2022-03-09 | 一种基于混合模拟退火算法的分离器凝结位置预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970310A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494630A (zh) * | 2023-12-29 | 2024-02-02 | 珠海格力电器股份有限公司 | 一种寄存器时序优化方法、装置、电子设备和存储介质 |
-
2022
- 2022-03-09 CN CN202210232294.5A patent/CN114970310A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494630A (zh) * | 2023-12-29 | 2024-02-02 | 珠海格力电器股份有限公司 | 一种寄存器时序优化方法、装置、电子设备和存储介质 |
CN117494630B (zh) * | 2023-12-29 | 2024-04-26 | 珠海格力电器股份有限公司 | 一种寄存器时序优化方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohanraj et al. | Applications of artificial neural networks for refrigeration, air-conditioning and heat pump systems—A review | |
Gosselin et al. | Review of utilization of genetic algorithms in heat transfer problems | |
CN110805997A (zh) | 中央空调系统节能控制方法 | |
CN110257577B (zh) | 一种球式热风炉烧炉过程控制方法及系统 | |
Sözen et al. | Modelling (using artificial neural-networks) the performance parameters of a solar-driven ejector-absorption cycle | |
Yu et al. | Optimization of parameters for air dehumidification systems including multilayer fixed-bed binder-free desiccant dehumidifier | |
CN113552797A (zh) | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 | |
CN114970310A (zh) | 一种基于混合模拟退火算法的分离器凝结位置预测方法 | |
Jiang et al. | Dynamic modeling and economic model predictive control of a liquid desiccant air conditioning | |
CN110207094A (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN117217123A (zh) | 一种基于混合驱动模型的香菇热泵干燥系统性能优化方法 | |
CN104700147A (zh) | 冷却塔出水温度预测方法 | |
CN117518780B (zh) | 基于仿真模型的燃料电池热电联供系统控制方法 | |
JP2002206785A (ja) | 空調熱源機器最適運転制御装置 | |
CN111708388B (zh) | 一种基于gru-pid的锅炉调压预测控制方法 | |
Priyadarshi et al. | Performance potentiality analysis of desiccant coated energy exchanger for M− cooler based air conditioning and solar driven drying systems–A case study | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN114958395B (zh) | 一种生物质炭化炉余热利用方法及其利用系统 | |
Zhang et al. | Controller design for a heat exchanger in waste heat utilizing systems | |
Tsai et al. | Cascaded fuzzy-PID control using PSO-EP algorithm for air source heat pumps | |
Ou et al. | Performance analysis of a liquid desiccant air conditioning system based on a data-driven model | |
Ding et al. | An approximate integral model with an artificial neural network for heat exchangers | |
Li | Intelligent fuzzy immune PID controller design for multivariable process control system | |
Genkin et al. | Using Reinforcement Learning with Transfer Learning to Overcome Smart Building Cold Start | |
Daghigh et al. | A data-driven model for a liquid desiccant regenerator equipped with an evacuated tube solar collector: Random forest regression, support vector regression and artificial neural network |
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 |