陳薈多 ,周東一,2 ,肖湘華
(1.邵陽學院機械與能源工程學院,湖南 邵陽 422000;2.邵陽學院高效動力系統(tǒng)智能制造湖南省重點實驗室,湖南 邵陽 422000)
在地鐵實際運營過程中,車站站廳與地鐵隧道之間不斷進行氣體交換,其中列車停站屏蔽門開啟階段由于地鐵隧道的活塞效應,大量氣流會沿著地鐵屏蔽門流入站廳。這些氣流不僅會影響乘客的舒適度,還會加大地鐵環(huán)控系統(tǒng)的負擔。當前,國內外學者對地鐵通風的研究主要集中在地鐵站廳的空調系統(tǒng)[1-2]以及地鐵隧道風井通風系統(tǒng)[3-4]方面。例如,劉垚等(2019)采用一維仿真的方式對地鐵車站活塞風井的換氣量進行了數值模擬,利用擬合的方式得到了活塞風井進出風量的變化曲線[5];姜金言等(2016)對地鐵通風空調系統(tǒng)進行了研究,分析了地鐵通風節(jié)能措施[6]。前人研究較少涉及地鐵屏蔽門系統(tǒng)的通風換氣相關內容。
為了保證乘客的舒適度,減輕地鐵環(huán)控系統(tǒng)耗能,本文引入了廣義回歸神經網絡模型來對地鐵屏蔽門通風量進行實時預測。
廣義回歸神經網絡(GRNN)是徑向基函數神經網絡的改進之一,具有很強的非線性映射能力,常用于樣本數據少的數據集預測,數據預測效果好[7-8]。因此本文采用廣義回歸神經網絡模型對地鐵屏蔽門通風量進行預測。
廣義回歸神經網絡的核心是進行非線性回歸分析。利用聯(lián)合概率密度函數F(x,y)來預測輸出值。在聯(lián)合概率密度函數F(x,y)中,x和y為自變量,X為x的觀測值,則y相對于X回歸,即條件均值為:
根據上述表達式可知,GRNN模型的誤差主要由平滑因子決定。因此,GRNN模型只須通過調整平滑因子便可調整獲得相對較好的預測性能,具有可操作性。
GRNN網絡結構如圖1所示。根據圖1可以看出,該模型主要由四層結構組成,分別是輸入層、模式層、求和層以及輸出層。
圖1 廣義回歸神經網絡結構圖
(1)輸入層
輸入層的神經元個數等于學習樣本總輸入向量的維數,直接將變量傳遞到模式層。
(2)模式層
模式層神經元數目為學習樣本的數目n,每個神經元對應不同的樣本,該層神經元傳遞函數表達式為:
式中,X為網絡輸入變量;Xi為第i個神經元對應的學習樣本。
(3)求和層
求和層使用兩種類型神經元進行求和。
①第一類是對所有模式層神經元的輸出進行算數求和,其模式層與各個神經元連接權值為1,其計算公式和傳遞函數分別如式(5)(6)所示。
②第二類是對所有模式層的神經元進行加權求和,模式層中第i個神經元與求和層第j個分子求和神經元之間的連接權值為第i個輸出樣本Yj中的第j個元素,其計算公式和傳遞函數分別如式(7)(8)所示。
(4)輸出層
輸出層中神經元個數等于學習樣本中輸出向量的維數k,各神經元將求和層的輸出相除,神經元j的輸出對應估計結果的第j個元素,即:
本文采取廣義回歸神經網絡算法對地鐵屏蔽門通風量進行預測,根據地鐵通風仿真實驗隨機選取50組仿真數據作為樣本數據,其中45組數據為訓練集,其余5組為測試集。
在所建GRNN模型中,選取屏蔽門處所測得的風速和行進地鐵列車離屏蔽門的距離為輸入變量,輸出變量為屏蔽門通風量。樣本數據如表1所示。
表1 樣本數據
在廣義回歸神經網絡模型中,數據預測結果的精度取決于平滑因子的設置,所設置的值越好,數據預測結果越精確。因此,本文采用交叉驗證的方式來選取平滑因子,將訓練樣本數據隨機劃分10份,其中9份數據用于訓練數據集,剩余1份數據驗證數據集,核對每個值對應的測試誤差,搜尋輸出值與實際值的最小均方差對應的平滑因子,得到最佳平滑因子為0.1。
將數據集代入本文所構建的廣義回歸神經網絡屏蔽門通風量預測模型中,訓練集所得通風量預測結果如圖2所示。
根據圖2可知,訓練集預測值與實際值變化規(guī)律基本一致,預測值平均準確率為99.45%,其中最大差值為97.77 m3/h,最小差值為7.65 m3/h。
圖2 訓練集預測結果
測試集所得通風量預測結果如圖3所示。
根據圖3可知,測試集預測值與實際值變化規(guī)律基本一致,預測值平均準確率為99.69%,其中最大差值為96.37 m3/h,最小差值為0.54 m3/h。
圖3 測試集預測結果
為了對本預測模型有一個系統(tǒng)、精準的評價,本文引入回歸評價指標中的決定系數,該值越接近1代表模型越好,該評價值指標數學公式如式(10)。
根據公式(10)計算出本文。一般求得值大于0.95則認為該模型擬合程度高,模型預測值準確可靠。因此,本文所建廣義回歸神經網絡模型能準確、有效地對地鐵屏蔽門通風量進行預測。
本文建立了基于廣義回歸神經網絡的地鐵屏蔽門通風量預測模型,該模型通過輸入變量風速與車距來預測地鐵屏蔽門的通風量,實驗所得結果為該模型訓練集平均準確度為99.45%,測試集準確度為99.69%,并通過計算該模型回歸系數得到。綜上表明,本文所建通風量預測模型準確、有效。