针对博物馆展陈空间气流组织可视化的监测数据同化方法与流程

1.本发明涉及一种博物馆内的气流组织的监测数据同化方法。


背景技术：

2.温湿度等空气状态参数的监测和控制对于博物馆藏品保护非常重要。自2008年起，国内博物馆陆续建立了展陈环境温湿度监测系统，通过放置在展厅、展柜等不同位置的温湿度传感器，对文物保存环境中的温湿度数据进行连续监测和记录。但存在以下问题：展陈空间内能够放置的温湿度传感器数量始终是有限的，无法准确掌握热湿流场的空间全局分布情况，从而无法获知不同藏品所在位置的温湿度及变化情况。目前，可采用计算流体动力学(cfd)模拟来解决上述问题。利用室内环境cfd模拟，即在热湿负荷及空调设计参数已知的基础上实现流场可视化的数值模拟技术。然而在实际应用中，室外气象参数、照明和设备开启率以及观展人数的动态变化等因素导致展厅内的热湿负荷存在波动，同时，不同工况下的空调运行参数也有所变化，从而流场可视化的结果与实际观测产生较大差异。


技术实现要素：

3.本发明是为了解决现有的博物馆内空气状态参数的监测方法使得流场可视化的结果与实际观测值产生较大误差的问题；进而提供一种针对博物馆展陈空间气流组织可视化的监测数据同化方法。
4.针对博物馆展陈空间气流组织可视化的监测数据同化方法，包括以下步骤：
5.s1、针对展陈空间内影响热湿环境的因素，确定模型边界条件中具有不确定性的条件参数变量，统计具有不确定性的条件参数变量的数量，并输入到数据同化算法程序中，同时向数据同化算法程序中输入各条件参数变量对应的条件参数值的区间范围；
6.根据每个条件参数变量在其变化区间内的一般分布规律，对各条件参数变量分别进行采样，并构建所有条件参数变量的初始集合e；
7.s2、向数据同化算法程序中输入展陈空间内无线监测系统所采集的观测数据，构建测量值向量；
8.s3、通过cfd正演模型分别对初始集合中的各元素进行求解，获得观测节点位置对应的空气状态参数模拟值矩阵；
9.s4、基于各条件参数变量的取样样本值与各空气状态参数模拟值之间的协方差矩阵、各空气状态参数模拟值之间的协方差矩阵以及测量误差方差矩阵，计算卡尔曼增益矩阵；
10.s5、通过集合卡尔曼滤波法修正集合元素中的条件参数变量的参数值并更新初始集合为e'；
11.s6、计算空气状态参数模拟值与空气状态参数测量值之间的均方根误差，设定收敛标准，判定计算收敛与否；当所有空气状态参数的rmse均达到收敛标准时，则判定计算收敛，执行步骤s7；否则，令e＝e'，返回步骤s3，循环执行步骤s3～s6，直至迭代计算收敛；
12.s7、输出监测数据同化后博物馆展陈空间内气流组织的可视化结果。
13.进一步地，s1中，初始集合e的计算过程如下：
14.设模型边界条件中存在m个具有不确定性的条件参数变量x
i
，i＝1,2,3，
…
，m；设每个条件参数变量的取样数量为n，即初始集合中元素的数量为n，初始集合中的第j个元素为z
j
＝[x
1,j
，x
2,j
，x
3,j
，
…
，x
m,j
]，j＝1,2,3,
…
,n；构成初始集合e＝[z1，z2，z3，
···
，z
n
]，对应的矩阵形式为：
[0015][0016]
式中，x
i,j
——第i个条件参数变量的第j个取样样本值。
[0017]
进一步地，s2中，构建测量值向量的计算过程如下：
[0018]
设数据同化算法程序中所构建的测量值向量为y，假设在一次测量中，在c个测量点测量d种空气状态参数，则观测数据共包含b＝c
×
d个空气状态参数测量值y
a
，a＝1,2,3，
…
，b；则测量值向量y为：
[0019]
y＝[y
1 y2ꢀ…ꢀ
y
b
]
t
ꢀꢀꢀꢀꢀꢀ
(2)。
[0020]
进一步地，s3中，构建模拟值矩阵的具体计算过程如下：
[0021]
将模型中的边界条件设定为集合e中每个元素的样本值，一组边界条件为一种工况，将集合e中的元素z
j
分别代入cfd正演模型中，通过cfd模拟，对每个工况分别进行求解计算，获得各个工况对应的展陈空间流场分布模拟结果，构建模拟值矩阵p如下：
[0022][0023]
式中，p
a,j
——第j个集合元素对应的第a个空气状态参数模拟值。
[0024]
进一步地，s4中，卡尔曼增益矩阵的具体计算过程如下：
[0025]
k＝c
xp
(c
pp
+r)
‑1ꢀꢀꢀ
(4)
[0026]
[0027][0028][0029][0030][0031][0032]
式中，c
xp
——集合中的每个条件参数变量的取样样本值与各空气状态参数模拟值的协方差矩阵；c
xip
——集合中的第i个条件参数变量的取样样本值与各空气状态参数模拟值的协方差矩阵；c
pp
——各空气状态参数模拟值之间的协方差矩阵；r——测量误差方差矩阵，测量误差方差矩阵是由无线监测系统所采集的各测量值自身的背景噪声所组成的方差矩阵，其中σ
a
——第a个空气状态参数测量值标准差，由测量仪器误差限η
a
计算得，σ
a
＝η
a
/3；——输入的第i个条件参数变量n个样本的平均值；——第a个空气状态参数n个样本模拟值的平均值。
[0033]
进一步地，s5中，修正后的初始集合e’、修正后的初始集合元素z'
j
和修正后的条件参数变量样本x'
i,j
的计算过程如下：
[0034]
e'＝e+k(yh
‑
p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0035]
式中，h——将空气状态参数测量值投影至空气状态参数模拟值的投影矩阵，为1
×
n的元素均为1的矩阵，从而使空气状态参数测量值矩阵转化为b
×
n的矩阵；
[0036]
则集合中的条件参数变量样本x
i,j
修正并更新如下：
[0037]
[0038][0039]
进一步地，s6中，空气状态参数模拟值与空气状态参数测量值之间的均方根误差和收敛准则计算过程如下：
[0040]
第a个空气状态参数模拟值与空气状态参数测量值的均方根误差计算如下：
[0041][0042]
设置收敛准则为：
[0043]
rmse
a
≤|d
a
|2ꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0044]
式中，d
a
——第a个空气状态参数的测量值的最大误差。
[0045]
进一步地，s1中，判定模型边界条件中具有不确定性的条件参数变量的方法为：针对展陈空间内影响热湿环境的各个因素，分析其在展陈空间使用过程中或特定的研究时间段内的数值大小是否在一定区间范围内波动变化，若该因素波动变化，则判定其为具有不确定性的条件参数变量，否则判定其为常量。
[0046]
进一步地，s1中，所述的条件参数包括展陈空间内设备散热量、人体散热量、围护结构传热量、热源温度及空调运行参数。
[0047]
进一步地，s1中，所述的条件参数值的取值范围根据历史数据或设计值给出。
[0048]
有益效果：
[0049]
对于建筑空间流场的模拟，传统方法是根据室内热湿负荷设计值(或估计值)及空调系统设计参数设置cfd计算模型边界条件，当计算结果与实际测量不符时，根据测量值与模拟值的差异，以试错的方式人工调节模型边界条件等参数。不同于上述方法，本发明将cfd模拟技术与集合卡尔曼滤波法相耦合，基于ienkf原理，通过将监测系统的测量数据与cfd模拟结果相融合，并且不同于已有技术中直接通过卡尔曼滤波计算修正模拟结果，为了保证流场最终计算结果满足计算流体动力学控制方程的约束，该技术利用集合卡尔曼滤波法反向修正cfd计算模型的边界条件参数，并将cfd正向模拟与集合卡尔曼滤波反向修正边界条件的过程进行循环迭代，最终获得优化后接近实际工况的边界条件参数对应的流场模拟结果。该技术有效提高了模拟计算的精度，优化了博物馆展陈空间气流组织可视化的输出结果，同时，相比于传统方法，大大减少了人工试错的时间成本，具有灵活性强，实用性高等优点。针对对文物保存环境有极高要求的博物馆展陈空间，该技术通过有限数量监测点的数据，掌握温湿度空间场分布规律，更加准确地反映空间内的空气状态参数，实现对展陈空间内不同位置温湿度情况的监测，从而更好地指导展品的位置摆放和空调系统的运行调节，为博物馆藏品预防性保护和风险防控提供技术支撑。
[0050]
通过实验验证：送风风速的均方根误差减小到0.02m/s，为初始误差的10％，送风温度的均方根误差减小到0.1℃，为原来的2.5％，热源温度均方根误差减小到0.4℃，为原来的8％，说明采用本发明的方法大大减小了流场可视化的结果与实际观测值的误差。
附图说明
[0051]
图1为基于监测数据同化的展陈空间气流组织可视化技术流程图；
[0052]
图2为实施方式中所建立的理想空间结构立面图；
[0053]
图3为边界条件参数数据同化效果图；其中，图3(a)为送风口1风速数据同化结果；图3(b)为送风口2风速数据同化结果；图3(c)为送风口温度数据同化结果；图3(d)为热源温度数据同化结果；
[0054]
图4为优化前后气流组织可视化结果对比图；其中，图4(a)为优化前样本平均空间立面温度云图；图4(b)为优化后样本平均空间立面温度云图；图4(c)为优化前样本平均空间立面风速云图；图4(d)为优化后样本平均空间立面风速云图。
具体实施方式
[0055]
如图1所示，本实施方式所述的针对博物馆展陈空间气流组织可视化的监测数据同化方法，包括以下步骤：
[0056]
s1、针对展陈空间内影响热湿环境的各个因素(冷、热、湿源等)，分析其在展陈空间使用过程中(或特定的研究时间段内)大小是否在一定区间范围内波动变化，该因素若波动变化，则判定其为具有不确定性的条件参数变量，否则判定其为常量，从而确定模型边界条件中所有具有不确定性的条件参数变量，条件参数变量是影响室内环境的边界条件的变量，条件参数包括展陈空间内设备散热量、人体散热量、围护结构传热量、热源温度及空调运行参数(如送风风速、送风风温)等；
[0057]
统计具有不确定性的条件参数变量的数量，并输入到数据同化算法程序中，根据先验信息向数据同化算法程序中输入各条件参数变量对应的条件参数值的区间范围(各条件参数值的取值范围根据历史数据或设计值给出)；
[0058]
根据每个条件参数变量在其变化区间内的一般分布规律(通常为高斯分布，对于空调运行参数则是根据历史运行数据总结得到分布规律)，对各条件参数变量分别进行采样，并构建所有条件参数变量的初始集合，初始集合中的每个元素是由每个条件参数变量的单次取样样本共同组成；
[0059]
设模型边界条件中存在m个具有不确定性的条件参数变量x
i
，i＝1,2,3，
…
，m；设每个条件参数变量的取样数量为n(也可以说是取样次数)，即初始集合中元素的数量为n，初始集合中的第j个元素为z
j
＝[x
1,j
，x
2,j
，x
3,j
，
…
，x
m,j
]，j＝1,2,3,
…
,n；构成初始集合e＝[z1，z2，z3，
···
，z
n
]，对应的矩阵形式：
[0060][0061]
式中，x
i,j
——第i个条件参数变量的第j个取样样本值。
[0062]
s2、向数据同化算法程序中输入展陈空间内无线监测系统所采集的观测数据，构建测量值向量；设数据同化算法程序中所构建的测量值向量为y，假设在一次测量中，在c个测量点测量d种空气状态参数(空气流速、温度、湿度等)，则观测数据共包含b＝c
×
d个空气状态参数测量值y
a
，a＝1,2,3，
…
，b；则测量值向量y为：
[0063]
y＝[y
1 y2ꢀ…ꢀ
y
b
]
t
ꢀꢀꢀꢀꢀꢀ
(2)。
[0064]
s3、通过计算流体动力学cfd正演模型，分别对初始集合中的各元素进行求解，获
得观测节点位置对应的空气状态参数模拟值矩阵：
[0065]
将模型中的边界条件设定为集合e中每个元素的样本值，集合中的一个元素对应一组边界条件，一组边界条件为一种工况，也就是说从而在已知的变化范围内产生n种工况，将集合e中的元素z
j
分别代入cfd正演模型中，通过cfd模拟，对每个工况分别进行求解计算，获得各个工况对应的展陈空间流场分布模拟结果；每个元素代入cfd计算模型求解之后都会得到空气流速、温度和湿度等结果，从而输出展陈空间内布置监测传感器的位置所对应的空气状态参数模拟值，构建模拟值矩阵p；其中，模拟输出的空气状态参数的种类与监测系统所采集的空气状态参数种类一致，构建模拟值矩阵p如下：
[0066][0067]
式中，p
a,j
——第j个集合元素对应的第a个空气状态参数模拟值。
[0068]
s4、基于各条件参数变量的取样样本值与各空气状态参数模拟值之间的协方差矩阵、各空气状态参数模拟值之间的协方差矩阵以及测量误差方差矩阵，计算卡尔曼增益矩阵k；
[0069]
k＝c
xp
(c
pp
+r)
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0070][0071][0072]
[0073][0074][0075][0076]
式中，c
xp
——集合中的每个条件参数变量的取样样本值与各空气状态参数模拟值的协方差矩阵；c
xip
——集合中的第i个条件参数变量的取样样本值与各空气状态参数模拟值的协方差矩阵；c
pp
——各空气状态参数模拟值之间的协方差矩阵；r——测量误差方差矩阵，测量误差方差矩阵是由无线监测系统所采集的各测量值自身的背景噪声所组成的方差矩阵，其中σ
a
——第a个空气状态参数测量值标准差，由测量仪器误差限η
a
计算得，σ
a
＝η
a
/3；——输入的第i个条件参数变量n个样本的平均值；——第a个空气状态参数n个样本模拟值的平均值。
[0077]
s5、通过集合卡尔曼滤波修正集合元素中的条件参数变量的参数值并更新初始集合为e'；
[0078]
e'＝e+k(yh
‑
p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0079]
式中，h——将空气状态参数测量值投影至空气状态参数模拟值的投影矩阵，为1
×
n的元素均为1的矩阵，从而使空气状态参数测量值矩阵转化为b
×
n的矩阵；
[0080]
则集合中的条件参数变量样本x
i,j
修正并更新如下：
[0081][0082][0083]
s6、计算空气状态参数模拟值与空气状态参数测量值之间的均方根误差(root mean squared error，rmse)，设定收敛标准，判定计算收敛与否；
[0084]
第a个空气状态参数模拟值与空气状态参数测量值的均方根误差计算如下：
[0085][0086]
设置收敛准则为：
[0087]
rmse
a
≤|d
a
|2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0088]
式中，d
a
——第a个空气状态参数的测量值的最大误差。
[0089]
当所有空气状态参数的rmse均达到收敛标准时，则判定计算收敛，执行步骤s7；否则，令e＝e'，返回步骤3，循环执行步骤3～6，直至迭代计算收敛。
[0090]
s7、输出监测数据同化后博物馆展陈空间内气流组织的可视化结果。
[0091]
对于建筑空间流场的模拟，传统方法是根据室内热湿负荷设计值(或估计值)及空调系统设计参数设置cfd计算模型边界条件，当计算结果与实际测量不符时，根据测量值与模拟值的差异，以试错的方式人工调节模型边界条件等参数。不同于上述方法，本发明将cfd模拟技术与集合卡尔曼滤波法相耦合，基于ienkf原理，通过将监测系统的测量数据与cfd模拟结果相融合，并且不同于已有技术中直接通过卡尔曼滤波计算修正模拟结果，为了保证流场最终计算结果满足计算流体动力学控制方程的约束，该技术利用集合卡尔曼滤波法反向修正cfd计算模型的边界条件参数，并将cfd正向模拟与集合卡尔曼滤波反向修正边界条件的过程进行循环迭代，最终获得优化后接近实际工况的边界条件参数对应的流场模拟结果。该技术有效提高了模拟计算的精度，优化了博物馆展陈空间气流组织可视化的输出结果，同时，相比于传统方法，大大减少了人工试错的时间成本，具有灵活性强，实用性高等优点。针对对文物保存环境有极高要求的博物馆展陈空间，该技术通过有限数量监测点的数据，掌握温湿度空间场分布规律，更加准确地反映空间内的空气状态参数，实现对展陈空间内不同位置温湿度情况的监测，从而更好地指导展品的位置摆放和空调系统的运行调节，为博物馆藏品预防性保护和风险防控提供技术支撑。
[0092]
实施例1：
[0093]
如图2所示，根据典型空调房间进行简化，建立一个二维立面的理想空间，该空间立面尺寸为宽
×
高＝5
×
3m，其顶面为层间楼板，两侧为建筑内墙，底部为地面且设有热源，该房间采用上送下回的气流组织形式；其中，顶板上设有两个送风口，两送风口风速、风温协同变化(即风量成定比，风温一致)，两侧壁面下方分别设有一个回风口。此外，图2中设置了3个室内温度和风速的观测点，分别为观测点1、观测点2和观测点3。
[0094]
经分析，针对该空间气流组织模拟设置的边界条件中共包含3个独立的条件参数变量，分别为送风风速、送风风温及热源温度，即m＝3，条件参数变量为x
i
，i＝1,2,3。已知该空间的设计条件和空调系统的历史运行数据，各边界条件参数值的分布规律如表1所示：
[0095]
表1边界条件参数变量设计值分布规律
[0096][0097]
根据表1中边界条件的分布规律对各条件参数变量分别进行随机采样并构建初始集合e，取样本数量为30，则初始集合e由30个元素构成，即n＝30，那么初始集合e＝[z1，z2，z3，
···
，z
30
]，改写为矩阵形式为：
[0098][0099]
当前实际工况下该空间的空气状态参数测量数据如表2所示，在三个测点位置(观测点1、观测点2和观测点3)分别测量了两种空气状态参数(温度和风速)，共6个空气状态参
数测量值，则b＝6，获得测量值向量y：
[0100]
y＝[y
1 y2ꢀ…ꢀ
y6]
t
ꢀꢀꢀꢀꢀꢀ
(2)
[0101]
表2空气状态参数测量数据
[0102][0103][0104]
将上述30种边界条件工况分别代入cfd正演模型中进行计算求解，获得30种流场模拟结果，输出每种工况下对应3个测点位置的温度、风速模拟值，得到模拟值矩阵p如下：
[0105][0106]
计算条件参数变量的取样值与各空气状态参数模拟值之间的协方差矩阵c
xp
、各空气状态参数模拟值之间的协方差矩阵c
pp
以及空气状态参数测量值误差方差矩阵r，计算过程如下：
[0107][0108]
[0109][0110][0111][0112][0113]
基于以上协方差矩阵的计算结果计算卡尔曼增益矩阵k，
[0114]
k＝c
xp
(c
pp
+r)
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0115]
依据卡尔曼滤波方程修正集合元素中的条件参数变量的参数值并更新集合为e’，
[0116]
e'＝e+k(yh
‑
p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0117]
则集合中的条件参数变量的样本值x'
i,j
修正并更新如下：
[0118][0119][0120]
计算空气状态参数模拟值与测量值之间的方根误差rmse，判断计算是否收敛。若未收敛，令e＝e'，返回步骤3，循环执行步骤3～6，直至迭代计算收敛，最终输出该空间优化的气流组织可视化结果。
[0121]
各边界条件参数在数据同化过程中的优化效果如图3(a)
‑
图3(d)所示，可见集合中各条件参数变量的30个样本在迭代计算过程中不断向真实值逼近，最终达到收敛。送风风速的均方根误差减小到0.02m/s，为初始误差的10％；送风温度的均方根误差减小到0.1℃，为原来的2.5％；热源温度均方根误差减小到0.4℃，为原来的8％；此外，对集合中30个样本条件参数变量及其对应的模拟结果分别取平均，优化前后的数据对比如表3所示，优化前后气流组织可视化结果对比如图4(a)
‑
图4(d)所示，可见该技术有效提高了空间气流组织可视化结果的精度。
[0122]
表3优化前后数据对比
[0123]