基于POD-ANN降阶模型的鸡舍空气龄预测方法技术

本发明专利技术涉及禽类科学养殖技术领域，公开了一种基于POD

【技术实现步骤摘要】
基于POD
‑
ANN降阶模型的鸡舍空气龄预测方法


[0001]本专利技术涉及一种基于POD
‑
ANN降阶模型的鸡舍空气龄预测方法，属于禽类科学养殖


技术介绍

[0002]我国禽类养殖业近年来发展迅速，为了让鸡群发挥出优良的形状，使鸡群养殖的生产效率提升、生产成本降低，我们需要对鸡舍环境质量进行研究。鸡群对生产环境要求较高，在高密度叠层养鸡舍中，普遍存在舍内空气流通不畅、分布不均和通风效率较低等问题。尤其在高温高湿的环境中，蛋鸡极易出现热应激，严重影响蛋鸡的生产性能。及时清粪、通风、合理降低饲养密度、降低能耗是鸡舍养殖一直以来的研究核心。借助机械的力量把鸡舍内的空气完成与外界的定时、定量交换，鸡舍的通风考虑的不仅仅是换气，还要考虑换气的成本。根据Sandberg等人的定义，空气龄是空气质点自进入房间至到达室内某点所经历的时间，反映了室内空气的新鲜程度，它可以综合衡量房间的通风换气效果，是评价室内空气品质常用的指标。
[0003]空气新鲜程度会直接影响到鸡的舒适感，优良的舍内环境是养好商品肉鸡的重要条件。因此，必须控制好鸡舍内部气候，使鸡只在清爽而舒适的环境中生活。考虑到空气龄在时空演化中可能存在的非线性规律，流场信息的维度较高，直接使用复杂的流场信息会产生维度灾难问题，需要先降低流场的维度采用先进技术对鸡舍环境质量进行评估分析，对多参数影响下的鸡舍空气龄提供一种高效准确的预测方法，以达到健康养殖的专业要求和经济目的；同时空气龄的准确预测可以对通风系统和降温系统的设计提供有效的理论依据与指导。

技术实现思路

[0004]针对现有技术存在的上述缺陷，本专利技术提出了一种基于POD
‑
ANN降阶模型的鸡舍空气龄预测方法。
[0005]本专利技术所述的一种基于POD
‑
ANN降阶模型的鸡舍空气龄预测方法，包括以下步骤：
[0006]步骤S1：提取鸡舍流场仿真收敛的空气龄数据，保存瞬态计算整体残差稳定在1e～05以下的m个连续时间步序列的空气龄数据构成原始样本集合；
[0007]步骤S2：抽取初始样本，采用基于函数响应偏差的自适应抽样方法在原始样本集合中抽取N个时间步序列的空气龄作为初始样本；
[0008]步骤S3：寻找最优正交基，采用快照本征正交分解的方法，即POD，对抽取的空气龄初始样本进行模态分解，提取鸡舍空气龄的主导模态，得到最优正交基Φ；
[0009]步骤S4：对目标空气龄进行预测，实现鸡舍空气龄降阶预测模型的构建，采用人工神经网络，即ANN，响应快照本征正交分解基函数的系数，将样本空气龄的时间步作为输入，将目标空气龄解快照本征正交分解模态系数作为输出，建立空气龄与神经网络模型，并确定神经网络模型的神经网络层数和节点个数，再结合根据样本空气龄获得的最优正交基Φ
对目标空气龄进行预测，实现鸡舍空气龄降阶预测模型的构建。
[0010]优选地，所述步骤S1中采用Fluent数值计算收敛的CFD仿真流场空气龄数据。
[0011]优选地，所述步骤S2中基于函数响应偏差的自适应抽样方法具体包括以下步骤：
[0012]步骤S21：将样本空间中的边界交点、空间中心点以及子空间中心点，作为初始样本集，然后计算子空间中心点的函数响应偏差来确定目标子空间，函数响应偏差公式如下所示：
[0013]F(u
i
)＝D(u
i
)E(u
i
)
[0014]式中：E(u
i
)为第i个空气龄快照u
i
的响应偏差；D(u
i
)为第i个空气龄样本u
i
与其他样本之间的相关性强弱；
[0015]步骤S22：在目标子空间中抽取下一代子空间的中心点，并将其增加到初始样本集中，然后在新样本集中重新确定目标子空间；
[0016]步骤S23：重复步骤S22，直至最终所有采样点的响应偏差均满足目标子空间的精度要求或总样本数目满足要求。
[0017]优选地，所述步骤S3中采用快照本征正交分解的方法对样本流场进行模态分解，提取流场的主导模态具体包括以下步骤：
[0018]步骤S31：根据初始样本得到快照矩阵U＝[u1 u2 ... un]，矩阵中每一个元素均为一个空气龄解，然后对矩阵进行去中心化处理：V＝U
‑
U；U为快照均值矩阵，V＝[v1 v2 ... vn]为快照脉动矩阵；
[0019]步骤S32：快照脉动矩阵的最优正交基Φ＝[φ1 φ2 ... φn]，以及与之对应的基系数矩阵A＝[a1 a2 ... an]，使其中的元素满足：vi＝aiφi；
[0020]步骤S33：获取最优正交基Φ后，将各个流场快照分别映射到Φ上，得到与各个初始流场解对应的基系数a；
[0021]步骤S34：按照基模态“能量”的定义，实现鸡舍空气龄的降阶重构，公式如下所示：
[0022][0023]式中：E
i
为基模态的“能量”，λi为自相关矩阵R＝VTV的第i个特征值。
[0024]优选地，步骤S32中最优正交基Φ通过奇异值分解求解最优值问题得到，公式如下所示：
[0025]Min:
║
V
‑
ΦA
║2[0026]式中：V为快照脉动矩阵，A为与快照脉动矩阵对应的基系数矩阵。
[0027]优选地，所述步骤S4中空气龄与神经网络模型的公式如下所示：
[0028][0029]l为神经网络层数，第0层为输入层，最后一层为输出层，中间为隐藏层；w
kjl
表示l
‑
1层第k个神经元与l层第j个神经元之间的权重值，b为起修正作用的偏置；非线性激活函数为：y
kl
‑1＝f(x
kl
‑1)，其中，
[0030]优选地，所述步骤S4中根据样本空气龄获得的最优正交基Φ对目标空气龄进行预测时，设定训练误差为：
[0031][0032]式中，下标ε
p
代表重构目标空气龄时间步数对应的误差值；L为流场空气龄分布云图中的节点数；ρ
pj
为该时刻重构流场中第j个流场节点的气体密度值；ρ
poj
为该时刻原始流场第j个节点的气体密度值。
[0033]本专利技术所述的基于POD
‑
ANN降阶模型的鸡舍空气龄预测方法，具有以下有益效果：
[0034](1)在鸡舍的空气龄预测中，利用POD本征正交分解对大规模数据进行高效的数据降维分解，将高维数据降阶投影到低维空间，获得一组最能够代表这组数据的正交基函数，可以提取出数据的主导模态，这些模态来识别流场中各种能级的结构，提高获得空气龄特征数据的效率。
[0035](2)采用基于函数响应偏差的自适应抽样方法获取降阶模型的初始样本，通过函数响应偏差确定敏感空间，考虑了样本对于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于POD
‑
ANN降阶模型的鸡舍空气龄预测方法，其特征在于，包括以下步骤：步骤S1：提取鸡舍流场仿真收敛的空气龄数据，保存瞬态计算整体残差稳定在1e～05以下的m个连续时间步序列的空气龄数据构成原始样本集合；步骤S2：抽取初始样本，采用基于函数响应偏差的自适应抽样方法在原始样本集合中抽取N个时间步序列的空气龄作为初始样本；步骤S3：寻找最优正交基，采用快照本征正交分解的方法，即POD，对抽取的空气龄初始样本进行模态分解，提取鸡舍空气龄的主导模态，得到最优正交基Φ；步骤S4：对目标空气龄进行预测，实现鸡舍空气龄降阶预测模型的构建，采用人工神经网络，即ANN，响应快照本征正交分解基函数的系数，将样本空气龄的时间步作为输入，将目标空气龄解快照本征正交分解模态系数作为输出，建立空气龄与神经网络模型，并确定神经网络模型的神经网络层数和节点个数，再结合根据样本空气龄获得的最优正交基Φ对目标空气龄进行预测，实现鸡舍空气龄降阶预测模型的构建。2.根据权利要求1所述的基于POD
‑
ANN降阶模型的鸡舍空气龄预测方法，其特征在于，所述步骤S2中基于函数响应偏差的自适应抽样方法具体包括以下步骤：步骤S21：将样本空间中的边界交点、空间中心点以及子空间中心点，作为初始样本集，然后计算子空间中心点的函数响应偏差来确定目标子空间，函数响应偏差公式如下所示：F(u
i
)＝D(u
i
)E(u
i
)式中：E(u
i
)为第i个空气龄快照u
i
的响应偏差；D(u
i
)为第i个空气龄样本u
i
与其他样本之间的相关性强弱；步骤S22：在目标子空间中抽取下一代子空间的中心点，并将其增加到初始样本集中，然后在新样本集中重新确定目标子空间；步骤S23：重复步骤S22，直至最终所有采样点...

【专利技术属性】
技术研发人员：王福宝，金鑫，贺凯讯，赵雅坤，曹鹏飞，
申请(专利权)人：青岛科创信达科技有限公司，
类型：发明
国别省市：