畢業(yè)論文--3d綠色機房設(shè)計

1、<p><b>　　3D綠色機房設(shè)計</b></p><p>　　摘 要：本文是對綠色機房設(shè)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(fēng)口溫度和風(fēng)速對機房溫度調(diào)節(jié)的作用分別建立了BP神經(jīng)網(wǎng)絡(luò)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{(diào)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(fēng)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(biāo)，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(fù)雜，運用純物理學(xué)公式的方法難以進行推導(dǎo)，本文就單純考慮各數(shù)據(jù)之間的內(nèi)部關(guān)系，首先對數(shù)據(jù)進行相關(guān)性分析，發(fā)現(xiàn)風(fēng)速對溫度的相關(guān)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(luò)的熱分布模型，通過距空調(diào)2.4M各高度點的溫度的預(yù)測值與真實值的比較，檢驗?zāi)Ｐ停?lt;/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(diào)4.1m，高度1.8m的區(qū)域。通過對附件3及相關(guān)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(luò)的加權(quán)熱分布模型，并合理進行插值預(yù)測，得到不同任務(wù)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(wù)量之間的關(guān)系，建立各通道對應(yīng)機柜與任務(wù)量的非線性回歸方程，對方程組做最優(yōu)化處理，預(yù)測出不同任務(wù)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(xué)公式，通過模型二，三中所得到的大量預(yù)測數(shù)據(jù)，運用能量守恒原理，考慮機柜產(chǎn)熱率與空調(diào)的制冷效率，及房間的結(jié)露率等方面，分別建立開機時機房溫度調(diào)節(jié)模型與關(guān)機時機房溫度調(diào)節(jié)模型</p><p>　　預(yù)測不同任務(wù)量下，機房最優(yōu)的降溫方案。</p><p>　　關(guān)鍵字 BP神經(jīng)網(wǎng)絡(luò)；非線性回歸方程；溫度調(diào)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(wù)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(wù)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(shè)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(shè)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(jì)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>　?。?）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(xué)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(wù)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(wù)器實際任務(wù)量為0.8及0.5的最優(yōu)任務(wù)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(shè)計規(guī)范》（附件3）C級要求控制機房溫度，討論服務(wù)器設(shè)計任務(wù)量一定條件下，如何控制空調(diào)的送風(fēng)速度或送風(fēng)溫度（可以通過送風(fēng)槽的出口風(fēng)速與溫度來描述）。</p><p><b>　　二、基本假設(shè)</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(guān)</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(jié)；</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(diào)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(fēng)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(guān)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(biāo)系，橫坐標(biāo) x表示距離空調(diào)的距離，縱坐標(biāo)y表示點距離地面的高度，立體坐標(biāo)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(fēng)口風(fēng)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(diào)的距離，Ｙ軸為該點距地面高度。箭頭大致表示風(fēng)的流向的

17、切線，箭頭的顏色和長短表示風(fēng)速的大?。ㄓ伤{色到紅色，長度由短到長，風(fēng)速依次增大）?？梢钥闯?，在距離空調(diào)回風(fēng)口較近的部位箭頭的顏色呈紅色（空調(diào)幾何尺寸高度為2米，回風(fēng)孔位于空調(diào)頂部。）在距離空調(diào)約７．５米處有一小部分紅色箭頭，此位置為機柜群另一側(cè)過道，風(fēng)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(diào)的距離，

18、Ｙ軸為高度。箭頭大致表示風(fēng)的流向的切線，箭頭的顏色表示風(fēng)速的大?。ㄓ伤{色到紅色，風(fēng)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(wù)器將熱量排入熱通道，再通過排風(fēng)系統(tǒng)排出，循環(huán)進入空調(diào)頂部。在機柜群底部的風(fēng)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(fēng)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(diào)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(diào)距離一定時，該區(qū)域溫度幾乎不受風(fēng)速與高度的影響。

20、</p><p>　　通過對流場圖個點坐標(biāo)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(diào)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(xué)模型及算法，在對問題二的分析中，我們查閱了大量的相關(guān)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(xué)方程，找出溫

21、度與各影響因素之間的熱力學(xué)關(guān)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(guān)系不明朗，要進行大量假設(shè)及控制變量，所得結(jié)果準(zhǔn)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(guān)系。</p><p>　　對溫度的確立涉及到位置坐標(biāo) 、高度、風(fēng)速、距空調(diào)距離等多個因素影響。我們首先對于溫度與風(fēng)速之間的關(guān)系進行相關(guān)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(guān)性不顯著的變量予以合適的處理，可以進行合理的假設(shè)，達到減少變量的處理效果。</p><p><b>　　表1 相關(guān)性分析圖</b></p><p>　　由表中分析得出溫度與風(fēng)速的相關(guān)性程度較低，因此對于風(fēng)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(fēng)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(fēng)速，熱空氣濃度，高度，還要考慮出風(fēng)口進風(fēng)口的位置，空氣的熱傳導(dǎo)效應(yīng)，影響因素多，任務(wù)量大，很難建立完整的數(shù)學(xué)模型，而BP神經(jīng)網(wǎng)絡(luò)在處理多參數(shù)，物體內(nèi)部的多重復(fù)雜關(guān)系，有著極好的效果。在運用BP算法進行預(yù)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(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。</p><p>　　4.2.3 基于神經(jīng)網(wǎng)絡(luò)的熱分布模型的建立：</p&g

24、t;<p>　　BP神經(jīng)網(wǎng)絡(luò)的介紹：</p><p>　　人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上提出和發(fā)展起來的，旨在反映人腦結(jié)構(gòu)及 </p><p>　　功能的一種抽象數(shù)學(xué)模型，它對非線性映射有任意近似能力，基于神經(jīng)網(wǎng)絡(luò)的智能辨識方法正廣泛地被用于復(fù)雜系統(tǒng)的辨識與控制。神經(jīng)網(wǎng)絡(luò)即使在具體物理模型與數(shù)學(xué)表達式均未知的情況下，也能通過網(wǎng)絡(luò)自身的訓(xùn)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(jié)果，網(wǎng)絡(luò)內(nèi)部有大量可調(diào)的參數(shù)，具有高度靈活性。網(wǎng)絡(luò)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(luò)的整個輸出影響不大。它包含三個主要因素：網(wǎng)絡(luò)的拓撲結(jié)果、神經(jīng)元的特征和訓(xùn)練規(guī)則。目前有不少于50種的人工神經(jīng)網(wǎng)絡(luò)模型，其中BP網(wǎng)絡(luò)(又稱多層感知機)是比較成熟的方法，它屬分層網(wǎng)絡(luò)結(jié)構(gòu)，使用BP算法(反向傳播學(xué)習(xí)算法)。。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)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(quán)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(quán)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(zhuǎn)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(quán)之后傳給另外一些神經(jīng)元，每個神經(jīng)元的作用相當(dāng)于一個加法

27、器及轉(zhuǎn)換器。</p><p><b>　　BP網(wǎng)絡(luò)的特點：</b></p><p>　　輸入和輸出是并行的模擬量；</p><p>　　網(wǎng)絡(luò)的輸入輸出關(guān)系是各層連接的權(quán)因子決定，沒有固定的算法；</p><p>　　權(quán)因子是通過學(xué)習(xí)信號調(diào)節(jié)的，這樣學(xué)習(xí)越多，網(wǎng)絡(luò)越聰明；</p><p>　　隱含層

28、越多，網(wǎng)絡(luò)輸出精度越高，且個別權(quán)因子的損壞不會對網(wǎng)絡(luò)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(shè)置三層分析層，將輸出樣本作為學(xué)習(xí)樣本，選擇正切Sigmoid型Tansig函數(shù)為激勵函數(shù)，構(gòu)建三層

29、神經(jīng)模型</p><p>　　Step3：設(shè)置學(xué)習(xí)速率及精度，將每次得出來結(jié)果與精度進行比較，滿足精度進行Step4，不滿足繼續(xù)轉(zhuǎn)入Step3.</p><p>　　Step4：將所得結(jié)果進行輸出。</p><p>　　以下圖所示的流程圖構(gòu)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(diào)5m，7.2m的指標(biāo)，插值作為學(xué)習(xí)對象，以距空調(diào)2.4m距離的各數(shù)據(jù)作為輸入檢驗，得到一組預(yù)測值，與真實值進行比較得出下表</p><p><b>　　表2 冷通道預(yù)測表</b></p><p>　　真實值 ——

31、 預(yù)測值 ——</p><p>　　圖5 冷通道真實值與預(yù)測值的擬合圖</p><p><b>　　表3 熱通道預(yù)測表</b></p><p>　　真實值 —— 預(yù)測值 ——</p><p>　　圖6 熱通道真實值與預(yù)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(jié)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(wù)量

33、與通道溫度之間成正比。</p><p>　　設(shè)X1-X5對應(yīng)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(biāo)</p><p>　　p（m，n，q）點的溫度，由熱力學(xué)公式可得：</p><p><b>　?。?）</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(dāng)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(xué)公式推

35、導(dǎo)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(jié)論：</p><p>　　1.表8 表中數(shù)據(jù)為機柜任務(wù)

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(wù)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(jié)論：其他機柜任務(wù)量保持0.5，當(dāng)1號機柜任務(wù)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(wù)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(guān)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(diào)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(diào)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(guān)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(diào)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(wù)量對最優(yōu)分配的影響，可以表現(xiàn)為任務(wù)量對溫度的影響，假設(shè)用熱點取代通道的平均溫度，建立起溫度與任務(wù)量的關(guān)系式。</p><p>　　4.3.1基于神經(jīng)網(wǎng)絡(luò)的加權(quán)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(wù)量也作為一個學(xué)習(xí)條件，構(gòu)建一個新的基于神經(jīng)網(wǎng)絡(luò)的加權(quán)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(yù)測值，用這些預(yù)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(wù)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(wù)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(wù)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(wù)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(wù)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(wù)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(wù)量w4之間的擬合曲線方程為：</p><p><b>　?。?0）

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(wù)量分別以0.8，0.5，即總?cè)蝿?wù)量以3.2，2.0，帶入，用Lingo軟件進行求解，結(jié)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(guān)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(diào)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(diào)出風(fēng)口輸出的冷空氣產(chǎn)生的降溫，空調(diào)送風(fēng)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>　?。?5）</b></p><p>　　（p為機柜功率，w為機柜工作量，氣體為出風(fēng)口

47、速度，為進風(fēng)口速度，為進風(fēng)槽面積 ，為出風(fēng)槽面積， 為 室內(nèi)熱空氣的熱量減去出風(fēng)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(dǎo)致空氣產(chǎn)生結(jié)露，由附錄三可得=10.） </p><p>　　4.4.2關(guān)機時機房溫度調(diào)節(jié)模型</p><p>　　在機房關(guān)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(yù)測出進風(fēng)口附近十個點的風(fēng)速，采用均值處理的方法，得出進風(fēng)風(fēng)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(jié)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>　　（2）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(yù)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(xué)公式，進行合理的推導(dǎo)。</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(yù)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>　　（1）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>　　（2）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(xué)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(diào)設(shè)計探討[ J]，安徽建筑，1999(4)</p><p>　　[3]葉其效 反應(yīng)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(chǔ)教程，北京：清華大學(xué)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(luò)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)<