畢業(yè)論文--3d綠色機房設計

1、<p><b>　　3D綠色機房設計</b></p><p>　　摘 要：本文是對綠色機房設計的研究，通過對機房內(nèi)各點溫度與影響因素之間的分析，以及出風口溫度和風速對機房溫度調節(jié)的作用分別建立了BP神經(jīng)網(wǎng)絡模型和非線性回歸模型。</p><p>　　對于問題一，通過對數(shù)據(jù)的分析，熱點出現(xiàn)在冷通道?？梢钥吹皆诰嗫照{距離一定，且高度小于2.1m時，冷通道溫度都

2、比熱通道低，但高度大于2.1m的區(qū)域，溫度卻相差不多。因為考慮到空間區(qū)域不同及溫差對風速的影響，而文中所給的數(shù)據(jù)較少，所以對所給數(shù)據(jù)進行多項式插值處理，得到各不同方位點的溫度坐標，運用Surfer軟件分別建立流場圖和熱分布圖。</p><p>　　對于問題二，因為機房環(huán)境較為復雜，運用純物理學公式的方法難以進行推導，本文就單純考慮各數(shù)據(jù)之間的內(nèi)部關系，首先對數(shù)據(jù)進行相關性分析，發(fā)現(xiàn)風速對溫度的相關性較低，便進行了

3、合理的取舍，然后運用計算機，對所給數(shù)據(jù)插值，得到更多數(shù)據(jù)進行處理，建立基于BP神經(jīng)網(wǎng)絡的熱分布模型，通過距空調2.4M各高度點的溫度的預測值與真實值的比較，檢驗模型，</p><p>　　對于問題三，首先對數(shù)據(jù)進行分析，發(fā)現(xiàn)將各通道區(qū)域內(nèi)部的最高溫度全部集中在距空調4.1m，高度1.8m的區(qū)域。通過對附件3及相關資料的查閱，本文將各區(qū)域的最高溫度作為考慮因素并命名為熱點。因為所給數(shù)據(jù)較少，所以將問題二中求出的模型

4、進行改進，建立基于BP神經(jīng)網(wǎng)絡的加權熱分布模型，并合理進行插值預測，得到不同任務量下各通道的最高溫度。并通過對表格采用控制變量法處理，發(fā)現(xiàn)通道4、5只受機柜1的影響，通道3靠近機柜2的位置的溫度只受機柜2的影響，通道3靠近機柜3的位置的溫度只受機柜3的影響。而通道2、1只受機柜4的影響，于是通過通道最高溫度與任務量之間的關系，建立各通道對應機柜與任務量的非線性回歸方程，對方程組做最優(yōu)化處理，預測出不同任務量下各機柜的最優(yōu)工作狀態(tài)。<

5、;/p><p>　　對于問題四，利用熱力學公式，通過模型二，三中所得到的大量預測數(shù)據(jù)，運用能量守恒原理，考慮機柜產(chǎn)熱率與空調的制冷效率，及房間的結露率等方面，分別建立開機時機房溫度調節(jié)模型與關機時機房溫度調節(jié)模型</p><p>　　預測不同任務量下，機房最優(yōu)的降溫方案。</p><p>　　關鍵字 BP神經(jīng)網(wǎng)絡；非線性回歸方程；溫度調節(jié)</p>&l

6、t;p><b>　　一、問題的重述</b></p><p>　　由于高密度計算、多任務計算的需要，越來越多的高性能數(shù)據(jù)中心或互聯(lián)網(wǎng)中心（DC、IDC）正逐漸建成。在現(xiàn)代的數(shù)據(jù)中心內(nèi)，由于刀片服務器成本與性價比高，體積小而被廣泛使用。由于自身能源與冷卻條件限制，這類大規(guī)模的數(shù)據(jù)中心或許每年需要花費數(shù)百萬美元，主要用于計算設備及系統(tǒng)冷卻所需的能源費用。因此有必要提高數(shù)據(jù)中心設備的能效，極大

7、化數(shù)據(jù)中心的能源利用率及計算能力。大約在上世紀90年代后期，IBM、HP等公司首先提出綠色數(shù)據(jù)中心的概念，并受到世界各國的廣泛重視。</p><p>　　（1）根據(jù)附件1的數(shù)據(jù)，繪出冷、熱通道的熱分布及流場分布及室內(nèi)最高溫度位置。</p><p>　?。?）建立描述該問題熱分布的數(shù)學模型及算法，并與測試案例進行比較。</p><p>　　（3）如果定義該機房的總體任

8、務量為1，根據(jù)你的模型及附件1的流場數(shù)據(jù)，確定服務器實際任務量為0.8及0.5的最優(yōu)任務分配方案，并給出室內(nèi)最高溫度。</p><p>　?。?）如果按照《電子信息系統(tǒng)機房設計規(guī)范》（附件3）C級要求控制機房溫度，討論服務器設計任務量一定條件下，如何控制空調的送風速度或送風溫度（可以通過送風槽的出口風速與溫度來描述）。</p><p><b>　　二、基本假設</b>

9、</p><p>　　1.不加入冷空氣時，內(nèi)部熱空氣已達到穩(wěn)定狀態(tài)</p><p>　　2.同一高度內(nèi)，空氣層內(nèi)部相對穩(wěn)定</p><p>　　3.機房內(nèi)部冷熱空氣處于平衡狀態(tài)，空間位置內(nèi)一點的溫度與時間無關</p><p>　　4.附錄三中通道的溫度可近似等于機柜的機身溫度</p><p>　　5.機柜各表面的材料相

10、同，即機柜的各表面的承熱能力是相同的</p><p>　　6.空氣的濕度相對不變</p><p>　　7.空氣的動能可忽略不計</p><p><b>　　三、符號說明</b></p><p>　　四、模型的建立與求解</p><p>　　4.1問題一的分析與求解：</p><

11、p>　　我們首先介紹以下概念：</p><p>　　1、等溫線： 同一水平面上氣溫相同的各點的連結；</p><p><b>　　等溫線上溫度相等；</b></p><p>　　氣溫高的地方的地方等溫線向高緯彎曲，氣溫低的地方向低緯彎曲。</p><p>　　等溫線越密集，表示溫差變化越大。</p>

12、<p>　　2、溫差越大，冷熱空氣之間的相對速度就越大</p><p>　　3、二維圖中x軸代表距離空調的距離，y軸代表高度；三維圖中z軸代表溫度。</p><p>　　4、箭頭方向表示風流向的切線，定義箭頭方向所指為正方向。</p><p>　　5、顏色的由藍到紅代表了溫度的由低到高，</p><p>　　對于問題一，題目要求利用

13、附錄一數(shù)據(jù)，但我們發(fā)現(xiàn)附錄一的數(shù)據(jù)太少，不足以找到最高溫度與位置的關系，因此我們利用插值來增加數(shù)據(jù)的個數(shù)，通過建立立體坐標系，橫坐標 x表示距離空調的距離，縱坐標y表示點距離地面的高度，立體坐標z表示該點溫度，借助專業(yè)軟件Surfer的強大數(shù)據(jù)處理和制圖功能，我們得到機房通道2和通道3（附錄一只提供通道2和通道3數(shù)據(jù)）的熱分布及流場分布圖如下：</p><p>　　圖1.1通道2熱分布</p>&l

14、t;p>　　圖1.2 通道2熱分布</p><p>　　通過對通道2插值擬合的圖像進行分析，因為通道2是冷通道，且地面有冷氣吹出，所以出風口風速越大，單位時間內(nèi)放出的冷空氣就越多，制冷的作用效果就越明顯，通道2的溫度也就越低；而冷空氣的密度相對較大，在高度高于柜高（2M）的區(qū)域，冷空氣下沉，熱空氣聚集，冷空氣的影響較小，溫度較高。而在同一等高層的空間，空間內(nèi)氣體的相對狀態(tài)是相似的，對于同一表流層而言，溫度是

15、相同的。</p><p>　　圖2.1通道3熱分布</p><p>　　圖2.2通道3熱分布</p><p>　　通過對于熱通道熱分布圖分析，熱通道內(nèi)，等溫線分布較均勻，無明顯張馳及繃緊的區(qū)域，可以看出，熱通道內(nèi)各區(qū)域的溫度差異不大，由于機柜群的阻擋，冷空氣對于溫度的影響效果不明顯。在高度高于柜高（2M）的區(qū)域，熱空氣上升聚集，溫度較高。觀察機房的機柜群分布，對比通

16、道1和通道5，通道3受到機柜的雙重作用，溫度最高的點肯定在通道三位置高于柜高的區(qū)域。</p><p>　　由于冷空氣較熱空氣密度大，所以冷空氣會向熱空氣擴散，且溫度相差越大，即密度相差越大，則擴散速度越快，據(jù)此我們繪出流場分布圖如下：</p><p>　　圖3通道2流場分布圖</p><p>　　該圖X軸為距離空調的距離，Ｙ軸為該點距地面高度。箭頭大致表示風的流向的

17、切線，箭頭的顏色和長短表示風速的大?。ㄓ伤{色到紅色，長度由短到長，風速依次增大）。可以看出，在距離空調回風口較近的部位箭頭的顏色呈紅色（空調幾何尺寸高度為2米，回風孔位于空調頂部。）在距離空調約７．５米處有一小部分紅色箭頭，此位置為機柜群另一側過道，風速較其他位置較大。而位于屋頂部分的空氣流速較穩(wěn)定。</p><p>　　圖4通道３流場分布圖</p><p>　　該圖X軸為距離空調的距離，

18、Ｙ軸為高度。箭頭大致表示風的流向的切線，箭頭的顏色表示風速的大?。ㄓ伤{色到紅色，風速依次增大）。由圖可以直觀的看出，整個分布圖紅色箭頭較通道２多，這是因為通道３為是熱通道，服務器將熱量排入熱通道，再通過排風系統(tǒng)排出，循環(huán)進入空調頂部。在機柜群底部的風速較大，原因是此處熱空氣較多、溫差較大，從而影響了空氣流動的速度。隨著高度的上升，風速整體減弱（溫差減小的緣故）</p><p>　　問題一要求找出機房的最高溫度，可

19、是附錄一只給出通道2、3的溫度數(shù)據(jù)，我組考慮認為有兩類情況：1、熱點出現(xiàn)在冷通道。通過對數(shù)據(jù)觀察分系，可以看到在距空調距離一定，且高度小于2.1時，該區(qū)域的冷通道溫度都比熱通道低，但高度大于2.1時，溫度卻相差不多，這是因為下方有冷空氣噴出，且該冷空氣還來不及到達上面區(qū)域，就被大部分被機柜吸掉和部分冷熱中和。所以對于這類情況成立時，熱點僅可能出現(xiàn)在機柜上面區(qū)域。2、熱點出現(xiàn)在熱通道。距空調距離一定時，該區(qū)域溫度幾乎不受風速與高度的影響。

20、</p><p>　　通過對流場圖個點坐標的處理，我們估計出室內(nèi)的最高溫度位置約在高度2.65M，距空調位置5.2M的地方，最高溫度為31.5攝氏度。</p><p>　　4.2問題二的分析與求解</p><p>　　問題二中要求給出熱分布的數(shù)學模型及算法，在對問題二的分析中，我們查閱了大量的相關資料，發(fā)現(xiàn)對這類問題的處理方法一般有兩種，一種是運用純熱學方程，找出溫

21、度與各影響因素之間的熱力學關系，但是這種方法公式難以找取，受外界影響較大，且在公式的求解中，各變量因素之間關系不明朗，要進行大量假設及控制變量，所得結果準確性較差。第二種是通過對實際測得大量數(shù)據(jù)的處理，找出數(shù)據(jù)之間所存在的內(nèi)部關系。</p><p>　　對溫度的確立涉及到位置坐標 、高度、風速、距空調距離等多個因素影響。我們首先對于溫度與風速之間的關系進行相關性檢驗，檢驗出自變量Y作用的顯著程度，對于顯著性程度不

22、高的與溫度相關性不顯著的變量予以合適的處理，可以進行合理的假設，達到減少變量的處理效果。</p><p><b>　　表1 相關性分析圖</b></p><p>　　由表中分析得出溫度與風速的相關性程度較低，因此對于風速產(chǎn)生的影響可以忽略不計。在后面的分析中，可以看出風速對溫度的影響極小。</p><p>　　對空間內(nèi)任意一點的溫度大小的確立，

23、不僅要考慮風速，熱空氣濃度，高度，還要考慮出風口進風口的位置，空氣的熱傳導效應，影響因素多，任務量大，很難建立完整的數(shù)學模型，而BP神經(jīng)網(wǎng)絡在處理多參數(shù)，物體內(nèi)部的多重復雜關系，有著極好的效果。在運用BP算法進行預測的時候，我們附錄中所給出的數(shù)據(jù)，首先采用三次樣條插值，得到大量基于不同位置的溫度值，并以此為輸入構建BP神經(jīng)網(wǎng)絡模型。</p><p>　　4.2.3 基于神經(jīng)網(wǎng)絡的熱分布模型的建立：</p&g

24、t;<p>　　BP神經(jīng)網(wǎng)絡的介紹：</p><p>　　人工神經(jīng)網(wǎng)絡是在現(xiàn)代神經(jīng)科學的基礎上提出和發(fā)展起來的，旨在反映人腦結構及 </p><p>　　功能的一種抽象數(shù)學模型，它對非線性映射有任意近似能力，基于神經(jīng)網(wǎng)絡的智能辨識方法正廣泛地被用于復雜系統(tǒng)的辨識與控制。神經(jīng)網(wǎng)絡即使在具體物理模型與數(shù)學表達式均未知的情況下，也能通過網(wǎng)絡自身的訓練，達到其輸出與期望輸出在一定誤差

25、范圍內(nèi)相符的結果，網(wǎng)絡內(nèi)部有大量可調的參數(shù)，具有高度靈活性。網(wǎng)絡由多個神經(jīng)元組成，容錯性強，少量神經(jīng)元的輸入錯誤對網(wǎng)絡的整個輸出影響不大。它包含三個主要因素：網(wǎng)絡的拓撲結果、神經(jīng)元的特征和訓練規(guī)則。目前有不少于50種的人工神經(jīng)網(wǎng)絡模型，其中BP網(wǎng)絡(又稱多層感知機)是比較成熟的方法，它屬分層網(wǎng)絡結構，使用BP算法(反向傳播學習算法)。。</p><p>　　BP神經(jīng)網(wǎng)絡是將神經(jīng)元分層排列，組成一個輸入層， 若干個

26、中間層(隱層)以及一個輸出層，相鄰兩層各神經(jīng)元相互聯(lián)系， 但每一層內(nèi)的神經(jīng)元各自獨立。前一層各神經(jīng)元的輸出經(jīng)過不同方式加權求和后，再作為后一層每個神經(jīng)元的輸入，圖1為BP神經(jīng)元的示意圖， 它有很多輸入通道，X0，X1……Xn，信息經(jīng)過這些通道進行加權之后輸入到該神經(jīng)元中，再進行相加并進行一定的函數(shù)轉換(通常取sigmoid函數(shù)) 之后形成一個輸出信息Yi，此輸出信息再經(jīng)過輸出通道加權之后傳給另外一些神經(jīng)元，每個神經(jīng)元的作用相當于一個加法

27、器及轉換器。</p><p><b>　　BP網(wǎng)絡的特點：</b></p><p>　　輸入和輸出是并行的模擬量；</p><p>　　網(wǎng)絡的輸入輸出關系是各層連接的權因子決定，沒有固定的算法；</p><p>　　權因子是通過學習信號調節(jié)的，這樣學習越多，網(wǎng)絡越聰明；</p><p>　　隱含層

28、越多，網(wǎng)絡輸出精度越高，且個別權因子的損壞不會對網(wǎng)絡輸出產(chǎn)生大的影響。</p><p><b>　　具體步驟：</b></p><p>　　Step1：將所得數(shù)據(jù)進行插值，得到大量樣本，將樣本歸一化處理后進行輸入</p><p>　　Step2：設置三層分析層，將輸出樣本作為學習樣本，選擇正切Sigmoid型Tansig函數(shù)為激勵函數(shù)，構建三層

29、神經(jīng)模型</p><p>　　Step3：設置學習速率及精度，將每次得出來結果與精度進行比較，滿足精度進行Step4，不滿足繼續(xù)轉入Step3.</p><p>　　Step4：將所得結果進行輸出。</p><p>　　以下圖所示的流程圖構建BP函數(shù)</p><p><b>　　圖7</b></p><

30、;p><b>　　具體程序見附錄</b></p><p>　　本模型中，我們以距空調5m，7.2m的指標，插值作為學習對象，以距空調2.4m距離的各數(shù)據(jù)作為輸入檢驗，得到一組預測值，與真實值進行比較得出下表</p><p><b>　　表2 冷通道預測表</b></p><p>　　真實值 ——

31、 預測值 ——</p><p>　　圖5 冷通道真實值與預測值的擬合圖</p><p><b>　　表3 熱通道預測表</b></p><p>　　真實值 —— 預測值 ——</p><p>　　圖6 熱通道真實值與預測值的擬合圖</p>&

32、lt;p>　　4.3 問題三的分析與求解</p><p>　　通過對附件二中的數(shù)據(jù)分析，我們可以得出如下表格，通過對表格的分析，我們可以得到以下結論：</p><p>　　1.單一通道只受單一機柜的影響，通道與通道之間熱量交換不明顯</p><p>　　2.機房內(nèi)處于穩(wěn)定狀態(tài)，且區(qū)域間的溫度相互對稱</p><p>　　3.機柜的任務量

33、與通道溫度之間成正比。</p><p>　　設X1-X5對應通道5-1， q代表通道的熱力密度，Qi代表通道的熱量，t代表在位置坐標</p><p>　　p（m，n，q）點的溫度，由熱力學公式可得：</p><p><b>　　（1）</b></p><p>　　為對流傳熱比例系數(shù)，tw為機柜壁溫度，tf為機柜附近空氣溫

34、度。</p><p>　　當機房內(nèi)處于穩(wěn)定狀態(tài)時，可認為機柜壁與空氣之間的溫度交換已經(jīng)達到了一個動態(tài)平衡</p><p><b>　?。?）</b></p><p>　　A代表氣體與固體間的接觸面積，</p><p>　　通道內(nèi)溫度已經(jīng)達到一個穩(wěn)定狀態(tài)，所以可以認為通道內(nèi)的熱力密度已達到一個穩(wěn)定值即為定值，由熱力學公式推

35、導可得：</p><p><b>　?。?）</b></p><p>　　為比例系數(shù)，T為該點與冷源點之間的溫差，</p><p>　　所以通道的熱量可以用溫差來線性的表示</p><p>　　通過對附件2中的數(shù)據(jù)進行分析，不難得出下面的結論：</p><p>　　1.表8 表中數(shù)據(jù)為機柜任務

36、量分別為所有機柜均為0.5、其他機柜不變，一至四號機柜任務量從0.5升至0.8五種情況，通過控制變量法分析易得出結論：其他機柜任務量保持0.5，當1號機柜任務量從0.5提升到0.8時，通道4、5的環(huán)境溫度明顯升高，而其他機柜任務量提升至0.8時，溫度沒有發(fā)生明顯的變化，可以得出通道4、5主要受機柜1的影響，其他機柜對其的影響可完全忽略不計。同理可以分析出通道3靠近機柜2的位置的溫度主要受機柜2的影響，通道3靠近機柜3的位置的溫度主要受機

37、柜3的影響。而通道2、1主要受機柜4的影響。</p><p>　　表4 機柜與通道關系表</p><p>　　2.通道Xi（1-5）的最高溫度區(qū)域都分布在高度1.8，據(jù)空調位置4.1米附近，為了方便求解，我們把五個通道的熱點都認為在高度1.8，距空調位置4.1米的范圍。</p><p>　　這樣，我們便找出了單一機柜對單一通道的溫度的極值點做單一影響這一關系。由公式

38、3可知，該區(qū)域熱量，便可用溫度來近似表示。</p><p>　　對一個封閉空間而言，機房的工作過程可以看作處于一個動態(tài)平衡中，也就是說，它每一時刻釋放的熱量與空調所提供的冷氣相對不變，可得機房的平均溫度處于一個恒定值，而為了分析任務量對最優(yōu)分配的影響，可以表現(xiàn)為任務量對溫度的影響，假設用熱點取代通道的平均溫度，建立起溫度與任務量的關系式。</p><p>　　4.3.1基于神經(jīng)網(wǎng)絡的加權熱

39、分布模型的建立</p><p>　　我們基于模型二的思想，將附錄二中的機柜任務量也作為一個學習條件，構建一個新的基于神經(jīng)網(wǎng)絡的加權熱分布模型。 </p><p>　　例如對于5通道X5可用矩陣（1.1 4.1 1.8 w1 0 0 0 ）來表示，w1分別以0.1的步長，在0-1的范圍內(nèi)輸入進模型內(nèi)進行搜索，得出一組溫度與工作量之間的預測值，用這些預測值來做擬合，得出第一個機柜工作量與通道

40、五之間的擬合曲線，如下：</p><p>　　圖7 通道5溫度與任務量的擬合表</p><p>　　我們對這個曲線采用三次擬合，發(fā)現(xiàn)擬合效果非常好，得出溫度TP與第一個機柜任務量w1之間的擬合方程為：</p><p><b>　?。?）</b></p><p>　　同理，得出通道4溫度TP與第二個機柜任務量w2之間的擬合

41、曲線方程為：</p><p><b>　　（5）</b></p><p>　　通道3靠近二機柜溫度TP與第二個機柜任務量w2之間的擬合曲線方程為：</p><p><b>　?。?）</b></p><p>　　通道3靠近三機柜溫度TP與第三個機柜任務量w3之間的擬合曲線方程為：</p>

42、<p><b>　?。?）</b></p><p>　　通道2溫度TP與第四個機柜任務量w4之間的擬合曲線方程為：</p><p><b>　?。?）</b></p><p>　　通道2溫度TP與第四個機柜任務量w4之間的擬合曲線方程為：</p><p><b>　　（10）

43、</b></p><p>　　綜合上述分析，可以得出該問題的模型為：</p><p><b>　　S.t.:</b></p><p><b>　?。?1）</b></p><p>　　W1=X1；W2=X3，W3=X4，W4=X5</p><p>　　根據(jù)上述模型

44、，我們將任務量分別以0.8，0.5，即總任務量以3.2，2.0，帶入，用Lingo軟件進行求解，結果如下：</p><p><b>　　表3 分配方案表</b></p><p>　　4.4問題四的分析與求解</p><p>　　我們查閱相關資料，發(fā)現(xiàn)對于機柜的工作效率極低，機柜的能量約有99.998%被用來產(chǎn)熱，只有極小一部分被用來內(nèi)部期間做功

45、。</p><p>　　4.4.1 開機時機房溫度調節(jié)模型</p><p>　　影響機房溫度的因素有，機柜自身工作產(chǎn)生的熱量，空調出風口輸出的冷空氣產(chǎn)生的降溫，空調送風口送出的熱空氣帶走的熱量。由能量守恒可得：</p><p><b>　?。?2）</b></p><p>　　方程兩邊同除t,可得：</p>

46、<p><b>　?。?3） </b></p><p><b>　　化簡得：</b></p><p><b>　?。?4）</b></p><p><b>　　（15）</b></p><p>　?。╬為機柜功率，w為機柜工作量，氣體為出風口

47、速度，為進風口速度，為進風槽面積 ，為出風槽面積， 為 室內(nèi)熱空氣的熱量減去出風槽處冷空氣的熱量，為室內(nèi)平均溫度的變化， 為室內(nèi)實際溫度，t為時間，為溫度的變化率，過大時，會導致空氣產(chǎn)生結露，由附錄三可得=10.） </p><p>　　4.4.2關機時機房溫度調節(jié)模型</p><p>　　在機房關機時，機器停止工作，將不再散熱此時：</p><p><b&

48、gt;　?。?6）</b></p><p><b>　?。?7）</b></p><p><b>　　（18）</b></p><p><b>　?。?9）</b></p><p>　　對于，我們用模型二預測出進風口附近十個點的風速，采用均值處理的方法，得出進風風速

49、為=0.804m/s。</p><p>　?。╬= 3kw，=0.804m/s , =0.7,=2.56,,=35,k=R/NA=1.38×10-23J·K-1，c=1.005kj/(kg*K),=1.205g/L, v=255.664）</p><p><b>　　五、結果分析與檢驗</b></p><p>　?。?）對

50、于溫度分布圖及流場圖的模擬，我們對附表1的數(shù)據(jù)進行了插值處理，得到各點的溫度及流場分布，再運用surfer軟件進行模擬，可靠性較高</p><p>　?。?）模型二，三，我們各自分別用一組數(shù)據(jù)作為輸入，得到一組預測值與真實值進行比較，得到了上面的比較曲線，除個別特殊點以外，其余點的擬合度都較好。</p><p>　?。?）模型四，運用物理學公式，進行合理的推導。</p>&l

51、t;p>　　六、模型的評價和推廣</p><p><b>　　1.模型的優(yōu)點</b></p><p>　?。?）本文采用計算機處理數(shù)據(jù)，所得預測值與真實值相對誤差較小，可信度高。</p><p>　?。?）方法易于操作處理，具有普遍性，便于推廣。</p><p><b>　　2.模型的缺點</b&g

52、t;</p><p>　?。?）本文許多地方用到的數(shù)據(jù)都是根據(jù)模型二中的BP模型生成的，與真實情況有一定的差距。</p><p>　?。?）模型的可靠性依賴于大量數(shù)據(jù)</p><p>　?。?）模型四中未考慮空氣濕度與空氣密度的變化，存在誤差</p><p><b>　　參考文獻</b></p><p

53、>　　[1]姜啟源、謝金星、葉俊，《數(shù)學模型》（第三版），高等教育出版社</p><p>　　[2]尹貞勤，程控交換機房空調設計探討[ J]，安徽建筑，1999(4)</p><p>　　[3]葉其效 反應擴散方程簡介 知識與進展 2010</p><p>　　[4]孫祥，徐流美，吳清。MATLAB7.0基礎教程，北京：清華大學出版社，2001.</

54、p><p><b>　　附錄</b></p><p><b>　　插值程序</b></p><p>　　A=[2.4 0.3 13;2.4 0.9 13;2.4 1.5 17;2.4 2.1 30;2.4 2.7 30;5 0.3 13;5 0.9 13;5 1.5 25; 5 2.1 30;5 2.7 30;7.2 0.3

55、13;7.2 0.9 13;7.2 1.5 19;7.2 2.1 30;7.2 2.7 30;];</p><p>　　x=A(:,1);y=A(:,2);z=A(:,3);</p><p>　　[X,Y,Z]=griddata(x,y,z,linspace(2.4,7.2,10)',linspace(0.3,2.7,10));</p><p><b&

56、gt;　　神經(jīng)網(wǎng)絡程序</b></p><p>　　x=A(:,1);y=A(:,2);z=A(:,3);</p><p>　　[X,Y,Z]=griddata(x,y,z,linspace(2.4,7.2,10)',linspace(0.3,2.7,10));</p><p>　　juli=[2.4 2.4 2.4 2.4 2.4 5 5 5

57、5 5];</p><p>　　gaodu=[0.3 0.9 1.5 2.1 2.7 0.3 0.9 1.5 2.1 2.7];</p><p>　　fengsu=[0.6 0.6 0.9 1.1 1.1 0.4 0.4 0.5 0.6 0.6];</p><p>　　wendu=[13 13 17 30 30 13 13 25 30 30];</p>

58、<p>　　p=[juli;gaodu;fengsu];</p><p><b>　　t=wendu;</b></p><p>　　[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); </p><p>　　dx=[-1,1;-1,1;-1,1];</p><p>　　net=

59、newff(dx,[3,6,1],{'tansig','tansig','tansig'},'traingdx');</p><p>　　net.trainParam.show=1000;</p><p>　　net.trainParam.Lr=0.035;</p><p>　　net.trainPar

60、am.epochs=90000;</p><p>　　net.trainParam.goal=1*10^(-6);</p><p>　　net=train(net,pn,tn);</p><p>　　an=sim(net,pn);</p><p>　　a=postmnmx(an,mint,maxt);</p><p>

61、　　pnew=[0.3 0.9 1.5 2.1 2.7;2.4 2.4 2.4 2.4 2.4;0.6 0.6 0.9 1.1 1.1];</p><p>　　pnewn=tramnmx(pnew,minp,maxp);</p><p>　　anewn=sim(net,pnewn);</p><p>　　y=postmnmx(anewn,mint,maxt)<