基于改进遗传算法的建筑外墙导热性能智能评估方法

2022-07-27李靖张鑫周炎杨泽文

智能建筑与智慧城市 2022年7期

李靖，张鑫，周炎，杨泽文

（中建二局第一建筑工程有限公司）

1 引言

在建筑维护体系结构当中，墙体的耗能占比最大，可达到四成，因此，通过改善墙体的热工性能，可以进一步促进建筑行业整体节能减排发展速度的提升。作为建筑围护结构重要的组成部分，建筑外墙结构的导热性能评价一直存在一定技术难题，合理的建筑外墙材料选择能够对建筑基体实施更加有效的隔热保护[1]。建筑外墙的导热系数是评价其隔热、导热性能的重要指标，对外墙结构的导热性能准确评估对于保证建筑外墙结构的安全服役具有十分重要的现实意义。虽然当前针对建筑外墙结构导热系数的测量和评估方法较多，但大部分评估方法仍然存在一定问题。例如，传统热流计测试方法在对建筑外墙结构的导热性能评估时，评估得出的数据常常与实际相差较大，并且操作相对复杂。传统热箱法的理论研究十分成熟，但若想利用该方法实现实践评估仍然无法解决热桥部分局限性的问题[2]。因此，针对上述传统评估方法在实际应用中存在的问题，本文开展基于改进遗传算法的建筑外墙导热性能智能评估方法研究。

2 基于改进遗传算法的建筑外墙导热性能智能评估方法设计

2.1 基于可见光图像探测器的外墙红外图像智能采集

为实现对建筑外墙结构的导热性能智能化评估，本文首先引入现代探测设备，利用可见光图像探测器对外墙结构的红外图像进行智能采集。选用ZDM86-540 型号双波段可见光图像探测器[3]。利用该探测器采集外墙红外图像，再进行从图像到图像数据的转换[4]。利用探测器传出的同步控制信号，得到待评估建筑外墙的红外图像；再利用图像分割算法，将待评估的建筑外墙红外图像中不同表面组成材质进行合理划分，并根据其真实温度的计算公式以及红外图像上各个像素点所在区域的红外发射频率，对图像当中各个像素点的建筑外墙表面温度进行计算，其计算公式如下：

式（1）中：T为红外图像上建筑外墙各个像素点代表的表面温度；ε为建筑外墙表面红外发射率，数值根据现场探测器的实际标定频率设定；τ为大气光谱透射率；T'为发射频率为黑体发射情况下利用探测器探测得出的指定位置上的表面温度，其数值根据黑体标定值得出；n为探测器在探测过程中的工作波段编号。按照上述公式（1），完成对可见光图像探测器探测到的外墙红外图像的数据转换，同时，将从红外图像上采集到的所有图像数据进行汇总，以此为后续评估提供科学依据。

2.2 基于改进遗传算法的导热性能评估模型构建

为实现对建筑外墙导热性能的评估，在上述基于可见光图像探测器采集到的外墙红外图像及图像数据基础上，利用改进遗传算法对导热性能评估模型进行构建。针对建筑外墙结构的移位稳态导热的基本控制方程为：

式（2）中：T1为建筑外墙结构的实际温度；λ为建筑外墙结构的导热系数。由于建筑外墙受到的外界环境影响较大，因此采用上述控制方程得出的计算结果很难满足高精度评估要求[5]。针对这一问题，本文引入改进后的遗传算法，利用该算法当中的相关性配对方法在避免出现近亲繁殖的情况下，利用交叉算子，对下一代种群进行择优录取，并以此实现对评估结果的不断优化。在选择个体时，首先利用公式（3）对种群当中所有不相关性指数剔除：

式（3）中：X和Y分别为种群当中的两个个体；r(X,Y)为X和Y之间不相同基因的数量，同时，在计算的过程中，若xi⊕yi取值为0，则说明xi=yi；若xi⊕yi取值为1，则说明xi≠yi。由公式（3）可知，r(X,Y)数值越大，则X和Y之间的相关性越小。完成对不相关指数的剔除后，将所有相关性系数较高的指标带入到如下公式当中，完成对导热性能评估模型的构建：

式（4）中：f为导热性能评估模型当中各个评估指标的适应度；Tic为某一组提取到的图像数据当中导热性能参数对应的温度场中第i点的取值；Ti为待评估建筑外墙温度场当中某一像素点i的具体数值。

①在实际计算过程中，对待求解的建筑外墙导热性能参数进行二进制编码，并产生相应的遗传初始种群，对种群的适应度进行求解[6]。②判断该种群的适应度是否满足终止遗传迭代的条件。若满足，则终止遗传迭代，将得出的数值作为输出结果；若不满足，则进入到下一步骤当中。③选择个体相关性进行配对，并在有效区域范围内完成一多点交叉多重均匀变异。④在产生的子代种群当中，再利用上述公式对种群的适应度进行计算，并引入父子竞争机制产生新的种群，直到计算得出的种群适应度满足设定为止，将结果输出。

2.3 选择建筑外墙导热性能评估指标

将上述基于改进遗传算法构建的导热性能评估模型作为基础，为实现对建筑外墙导热性能的评估，还需要明确对其产生影响的各项因素。根据建筑外墙导热性能影响因素，对评估指标进行选择，包括材料密度、材料湿度等。其中材料密度主要受到材料内部孔隙数量和大小的影响[7]。在评估过程中，可将材料密度看作是组成建筑外墙结构的材料质量。材料密度越大，材料上的孔隙越多，孔隙传热的影响比率也会随之增加，最终整个骨架部分作用力呈对应减小趋势。同时，外墙施工材料的导热系数也将降低。综合上述分析可知，建筑外墙导热材料的密度与孔隙率两者之间存在直接关联性，可将建筑外墙导热材料的孔隙定义为孔隙与材料整体体积的比例。材料整体密度越小，导热系数越小。综合市场上常用的保温材料可知，超过八成的建筑商在进行保温设计时，选择的保温材料为泡沫制品材料[8]。而综合对泡沫制品材料性能的研究中发现，此种材料在实际应用中，吸水性能较差，因此，也可以将吸水性能作为建筑外墙导热性能的评估指标。

2.4 建筑外墙非稳态导热过程数值模拟动态评价

由于建筑外墙导热性能受各种因素影响，不断发生改变，因此，为实现对其的精准评价，对建筑外墙非稳态导热过程进行数值模拟和动态评价。在进行数值模拟的过程中，首先需要对待评估建筑外墙的主体材料导热参数、外表面换热参数以及内表面换热参数进行测量。其中，主体材料导热参数为理论参数值，其他两个参数均为实际测量得出的数据。利用FLUENT软件对整个建筑外墙导热过程进行数值模拟和分析。在分析前，为了确保数值模拟的准确性，需要将通过FLUENT 软件得出的建筑外墙表面温度模拟数值与实际测量数值进行对比，若其变化趋势保持一致，则说明模拟得出的数据变化符合实际待评估建筑外墙的导热性能变化。通过对不同时刻下，待评估建筑外墙表面的热流密度值，计算得出建筑外墙上围护结构的导热热阻，并将其作为建筑外墙非稳态导热过程数值模拟的边界条件。当输入的边界条件与实际测量得到的热阻数值越接近时，则越能够准确对建筑外墙非稳态导热过程的数值进行模拟。在模拟过程中，每种导热性能评估等级的固有频率均在一定范围内波动，因此可以利用均值表示的方式实现对每一等级下对应的建筑外墙导热性能的平均水平的描述。

3 实验论证分析

3.1 实验准备

为进一步验证本文提出的基于改进遗传算法的建筑外墙导热性能智能评估方法在实际应用中的效果，将其与传统基于有限差分法的评估方法同时应用到相同实验环境当中，针对同一建筑中的外墙结构的导热性能进行评估。实验中选择的建筑外墙有三层不同建筑材料组成，墙体外侧通过测量得出其温度为35°C，三层建筑结构从内到外厚度依次为0.15mm、0.32mm 和0.15mm。利用本文提出的评估方法对建筑外墙导热性能评估时，首先采用二进制编码对待评估参数进行处理，由于在本文实验当中共涉及三个待求解量，因此确保在使用改进遗传算法时，每个染色体当中都包含了三个不同的参数信息，对每一个参数均采用10 位二进制编码，每个染色体当中都含有30个各不相同的基因位。