Conduction transfer functions (CTF) are commonly used in the building services to quickly estimate hourly conduction heat loads through multilayered walls without resorting to expensive, time-consuming solutions of the heat equation. It is essential for any software developed for this purpose to be able to simulate walls of varying weight with a high degree of accuracy. A robust algorithm for computing CTF coefficients and thermal response factors based on power series expansions of solutions of the governing equations in the complex s-domain is presented and validated. These series expansions are used to to construct Pad\'e approximants of the system's transfer functions, which greatly simplifies the inversion of the solution from the complex domain to the time domain, and allows for an easy recovery of a time series representation via the Z-transform. The algorithm is also implemented in an open-source C++ code. Its performance is validated with respect to exact theoretical frequency characteristics and its results are compared with data generated by previously established methods for computing CTF coefficients / response factors.


翻译:在建筑服务中,通常使用行为转移功能(CTF),通过多层墙快速估计小时导电热负荷,而不必使用昂贵、耗时的热方程式,为此开发的任何软件必须能够模拟不同重量的墙壁,并具有高度准确性;根据复杂区域内治理方程式解决方案的电源序列扩展计算CTF系数和热响应因子的可靠算法,提出并验证。这些序列扩展用于构建系统转移功能的Pad\'e 近似值,大大简化了解决方案从复杂域转换到时间域,并便于通过Z- Transform 轻松恢复时间序列的表示;该算法还用于在开放源C++代码中实施;其性能被验证为精确的理论频率特性,其结果与先前制定的计算CTF系数/反应因子的方法所产生的数据进行比较。

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
44+阅读 · 2021年2月1日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【NeurIPS 2020】大规模分布式鲁棒优化方法
专知会员服务
25+阅读 · 2020年10月13日
专知会员服务
39+阅读 · 2020年9月6日
简明扼要!Python教程手册,206页pdf
专知会员服务
47+阅读 · 2020年3月24日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
39+阅读 · 2019年10月9日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
已删除
将门创投
14+阅读 · 2019年5月29日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Arxiv
0+阅读 · 2021年5月21日
Arxiv
0+阅读 · 2021年5月20日
VIP会员
相关VIP内容
专知会员服务
76+阅读 · 2021年3月16日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
44+阅读 · 2021年2月1日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【NeurIPS 2020】大规模分布式鲁棒优化方法
专知会员服务
25+阅读 · 2020年10月13日
专知会员服务
39+阅读 · 2020年9月6日
简明扼要!Python教程手册,206页pdf
专知会员服务
47+阅读 · 2020年3月24日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
已删除
将门创投
14+阅读 · 2019年5月29日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Top
微信扫码咨询专知VIP会员