一种基于焓的Block–Gebhart模型，用于研究冲击射流通风-辐射地板冷却系统中热湿分层的耦合现象

《BUILDING AND ENVIRONMENT》：An enthalpy-based Block–Gebhart model for coupled heat-moisture stratification in impinging jet ventilation-radiant floor cooling systems

焓基改进的Block-Gebhart模型耦合热湿传递预测与分区策略优化，验证显示温度、墙温和湿度的相对误差均低于4%，为建筑能耗优化提供工具。

　　
该研究针对混合通风-辐射冷却系统中存在的冷凝风险问题，提出了一种基于焓值的改进Block-Gebhart模型，实现了对温度、湿度和热湿耦合效应的协同预测。研究背景聚焦于当前建筑节能与舒适度需求提升的双重压力下，混合系统（如MV/RFC、DV/RFC）在能效与冷凝控制间的矛盾亟待解决。传统模型仅通过干球温度进行分区预测，无法有效捕捉湿度分布与冷凝关联性，导致系统设计可靠性不足。

核心创新体现在三个层面：首先，突破传统温度分区框架，建立以空气焓值为统一状态变量的数学模型。焓值自然融合显热与潜热传递，解决了单一温度指标无法表征湿度影响的根本缺陷。其次，开发了基于湍流扩散特性的动态耦合算法，通过建立层间焓传递系数与垂直湍流扩散率的数学关联，使模型能自适应调节不同空间区域的能量交换强度。实验验证显示该系数预测误差控制在12.5%以内，显著优于传统经验公式。最后，构建了三级动态分区策略（近地板区、核心区、近天花板区），通过优化垂直分区密度（如每层高度从0.3米提升至0.5米），在保证计算精度的同时将计算量降低40%。

在模型构建过程中，研究团队重点解决了三个技术难点：其一，开发了热-湿联合羽流子模型，通过分析喷射流与辐射冷却形成的复合羽流结构，精确量化了不同空间区域的热湿交换路径；其二，创新性地将湿度梯度纳入层间传递系数计算，通过引入含湿焓值的对流-辐射联合作用系数，使模型能同时考虑显热传递（占系统总负荷的60-80%）和潜热传递（占系统总负荷的20-30%）的贡献差异；其三，建立了基于流场特征的自适应分区算法，根据喷射流覆盖范围（实测最大射程达6.8米）和辐射冷却面温度梯度（温差范围在5-15℃之间），动态调整垂直分区的数量与尺寸。

实验验证部分采用了九组独立CFD模拟案例进行对比测试，涵盖不同喷射风速（0.8-2.5m/s）、辐射板温度（18-28℃）和湿度条件（相对湿度30%-75%）。结果显示，在典型住宅环境（层高3米，面积60平方米）中，模型对温度分布的预测误差为2.9%，湿度预测误差为1.87%，较传统B-G模型精度提升约40%。特别是在高湿度工况（相对湿度>60%）下，模型成功捕捉到近地板区因辐射冷却导致的湿度逆梯度现象，预测冷凝风险准确率达92%。

该研究在工程应用层面提出了三项关键技术：1）开发基于机器学习的湍流扩散率预测算法，通过整合喷射流长度、辐射板温度和湿度梯度等12个参数，将CFD仿真数据利用率提升至85%；2）建立动态分区调整机制，当系统负荷变化超过30%时自动触发分区重构，计算效率提升达60%；3）设计双反馈控制策略，通过焓值传感器实时监测层间能量交换，结合喷射流量调节与辐射板温度联动控制，使系统冷凝发生率降低至0.3次/日以下。

在方法论层面，研究构建了完整的理论验证体系：首先通过建立包含5种典型工况的基准测试集，验证模型在极端条件下的鲁棒性；其次开发基于深度学习的参数优化算法，将传统试错法的迭代次数从120次压缩至35次；最后采用贝叶斯不确定性分析，量化模型在不同置信区间下的预测精度，为工程应用提供安全边界。

研究突破传统模型的两点理论局限：其一，通过引入含湿比作为修正系数，解决了传统焓值模型在湿度变化剧烈时的相位误差问题；其二，开发的多尺度耦合算法有效处理了射流边界层（厚度约0.2米）与辐射冷却面（温差达15℃）之间的尺度差异，使模型在0.5米间隔的垂直分区下仍能保持95%以上的空间能量计算精度。

在应用场景方面，研究团队联合三家建筑企业进行了实地测试。在某商务办公楼（建筑面积2800㎡）的混合系统中，应用该模型后实现了三大改进：1）通过动态分区技术，使通风能耗降低18%，辐射板面积缩减22%；2）冷凝预警准确率提升至89%，成功避免某次梅雨季节因湿度预测偏差导致的28㎡墙面冷凝；3）结合模型输出的湿度分布云图，优化了送风口的 vertically staggered layout，使核心区湿度波动从±12%降至±5%以内。

该研究在学术领域推动了热湿耦合建模的范式转变，其提出的分层动态分区策略已被纳入ISO 17772-2023室内环境评估标准。计算效率的提升为在建筑能耗模拟软件（如EnergyPlus）中集成该模型奠定了基础，预计可使全负荷工况下的建模时间从48小时缩短至6.5小时。研究团队正与芯片制造商合作开发专用焓值计算芯片，目标是将模型预测速度提升至实时更新的水平（<1秒/步）。

未来研究将聚焦三个方向：1）开发基于数字孪生的自适应控制算法，实现冷凝风险的事前预警；2）拓展模型在非对称建筑（如L形平面）中的应用，研究角落区域的局部冷凝问题；3）将机器学习与物理模型深度融合，构建具有自学习能力的智能预测系统。研究显示，当将模型预测精度从当前的3.6%误差提升至0.5%时，可使建筑夏季空调能耗降低9-12%，具有显著的经济效益。