【研究意義】節能減排是當代制冷空調技術發展的主題。在面對新制冷劑、不斷提高的能耗標準、以及不斷涌現的新技術時，制冷空調產品的“經驗+實驗”的傳統設計方法正受到前所未有的挑戰，這直接促進了計算機技術被越來越多地應用于制冷空調系統的研發與設計之中。制冷劑熱物性計算是制冷系統研究計算機化的基礎，特別是制冷空調系統仿真、優化和控制的實現需要大量計算物性。面對日趨復雜的制冷空調系統設計和在線實時控制，需要發展函數形式簡單、快速、準確、穩健的熱物性計算方法。【國內外研究現狀綜述】制冷劑熱物性的計算方法一直是相關領域的研究熱點。從制冷空調系統仿真、優化和控制的應用角度來講，制冷劑熱物性的計算方法主要有以下幾種。第一種是狀態方程法。這是最常用的一種方法，其原理在相關教材1,2中有廣泛而深入的介紹。這種方法的優點是計算精度高、參數范圍廣。缺點是計算速度慢（特別是對于混合工質）、計算穩定性一般（由迭代計算造成），并不適合直接用于系統仿真、優化或控制。美國標準與技術局（NIST）提供的REFPROP軟件3是這種方法的典型代表，已成為國際通用的制冷劑標準數據庫。其它的計算方法大都以REFPROP提供的制冷劑熱物性數據為基準，從不同的途徑建立快速、穩定的簡化模型。第二種是多項式類簡化模型法。在相對較窄的參數范圍內，基于REFPROP提供的數據，采用多項式或者類多項式等比較簡單的經驗方程進行近似計算。這類方法的優點是計算速度快、計算穩健性高。缺點是參數范圍較窄、計算精度有不同程度的下降，且對于不同的熱力性質，為了提高精度，往往采用不同函數形式的經驗方程，通用性一般。Cleland提出的類多項式模型4-6、張春路和丁國良等提出的隱式多項式模型7-12是這類方法中的典型代表。其中，隱式多項式模型采用隱式低階多項式在同等階數下獲得更多的回歸系數，大大提高了回歸精度；然后通過求根公式獲得物性的顯示計算公式。但是，經常會出現一種物性計算模型由多個根分段復合而成的情況，根與根之間在分叉點上不連續。因此，往往需要花費大量時間反復嘗試將根的分叉點移出回歸的參數范圍。此外，除了飽和線之外，物性參數在其它的分區之間的邊界線上的連續性問題尚未解決。第三種是表格插值法。通過REFPROP按一定順序生成數據表格，采用某種搜索和插值方法（通常是線性或雙線性插值）完成估算。這類方法的優點是計算速度較快、計算穩健性較高、通用性好。缺點是為了保證計算精度需要存儲比較密集的數據，導致數據文件很大，普通的數據文件讀取方法會比較耗時。此外，線性/雙線性插值方法會導致一階（偏）導數不連續，影響導數相關模型計算的穩健性。第四種方法是人工神經網絡。人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型13。人工神經網絡近年來開始被應用于制冷劑熱物性計算14-19。由于人工神經網絡可以作為任意連續非線性函數的通用逼近器，其在制冷劑熱物性計算中的應用前景被看好。但是，當人工神經網絡結構比較復雜時，其本身就是一個非常復雜的非線性函數，人工神經網絡的訓練與驗證也是一個復雜的過程。第五種方法是數據挖掘。數據挖掘(Data Mining)，就是從存放在數據庫，數據倉庫或其他信息庫中的大量的數據中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程20。最近，Kucuksille等人21,22基于數據挖掘技術對制冷劑的部分飽和熱物性進行了研究，得到了含有冗余變量的一階線性模型，在 -5050C飽和溫度范圍內，模型最大誤差僅0.5%左右。盡量Kucuksille等人并未真正認識到冗余變量的作用，更未深入闡明其中的熱力學機理，但是冗余變量的加入使用計算模型變得異常簡單，這對于制冷空調系統仿真與優化、特別是在線實時控制非常有價值。通過增加冗余變量實現模型降階的思路在其它研究領域早有出現23，但是由于其反常規的思路（一般都是通過消除冗余變量來實現模型降階或降維），相關的研究至今仍是很少見。綜上所述，研究者們試圖通過各種方法來簡化制冷劑熱物性的計算。其中，在同等精度下，通過數據挖掘技術獲得的帶有冗余變量的熱物性簡單線性模型最為簡單。由于冗余變量的引入具有一定的偶然性、且異于常規思路，這種偶然性帶來的簡化效果、以及其背后的熱力學機理，尚未受到重視。申請人擬從此入手，深入研究其熱力學機理，建立完整的制冷劑熱物性計算的冗余變量法，并應用于常用制冷劑。【項目創新之處】與目前常用的制冷劑熱物性快速計算方法不同，提出一種基于冗余變量的制冷劑熱物性快速計算新方法，通過增加某些冗余變量，將熱物性參數之間的復雜非線性函數關系轉換為近似的低階、甚至一階線性函數關系，比目前的制冷劑熱物性快速計算模型更為簡單、且計算精度很高。本課題的研究在理論上探索了制冷劑熱物性模型的一種新的構造方法，豐富了制冷劑熱物性計算理論；在應用上為制冷空調系統的快速仿真和實時控制提供了一種簡單高效的制冷劑熱物性計算方法。【主要參考文獻】1 蘇長蓀. 高等工程熱力學M. 北京: 高等教育出版社, 1987.2 童景山. 流體熱物性學基本理論與計算M. 北京: 中國石化出版社, 2010. 3 Lemmon E W, Huber M L, McLinden M O. NIST reference fluid thermodynamic and transport properties REFPROP 9.0. NIST standard reference database 23, 2010, 4 Cleland A C. Computer subroutines for rapid evaluation of refrigerant thermodynamic properties J. International Journal of Refrigeration, 1986, 9(6): 346-351.5 Cleland A C. Polynomial curve-fits for refrigerant thermodynamic properties: extension to include R134a J. International Journal of Refrigeration, 1994, 17(4): 245-249.6 張春路, 于兵, 馮寅山, 等. 碳氫制冷劑熱力性質的快速計算J. 流體機械, 1997, 25(11): 57-60.7 張春路, 丁國良, 李灝. 制冷劑飽和熱力性質的隱式擬合方法J. 工程熱物理學報, 1999, 20(6): 673-676.8 張春路, 丁國良, 李灝. 制冷劑過熱氣體熱力性質的隱式擬合方法J. 工程熱物理學報, 2000, 21(5): 533-536.9 Ding G L, Wu Z G, Liu J, et al. An implicit curve-fitting method for fast calculation of thermal properties of pure and mixed refrigerants J. International Journal of Refrigeration, 2005, 28(6): 921-932.10 Ding G L, Wu Z G, Wang K, et al. Extension of the applicable range of the implicit curve-fitting method for refrigerant thermodynamic properties to critical pressure J. International Journal of Refrigeration, 2007, 30: 418-432.11 Ding G L, Han W, Zhao D, et al. Extension of the implicit curve-fitting method for fast calculation of thermodynamic properties of subcooled refrigerants J. HVAC&R Research, 2009, 15: 875-888.12 Zhao D, Ding G L, Wu Z G. Extension of the implicit curve-fitting method for fast calculation of thermodynamic properties of refrigerants in supercritical region J. International Journal of Refrigeration, 2009, 32: 1615-1625.13 百度百科: 人工神經網絡. /view/19743.htm.14 Laugier S, Richon D. Use of artificial neural networks for calculating derived thermodynamic quantities from volumetric property data J. Fluid Phase Equilibria, 2003, 210: 247-255.15 陳紅, 何祖威, 陳秀環. 基于改進BP 神經網絡的制冷劑狀態參數計算模型J. 重慶大學學報(自然科學版), 2005, 28(2): 43-46.16 Sozen A, Ozalp M, Arcaklioglu E. Calculation for the thermodynamic properties of an alternative refrigerant (R508b) using artificial neural network J. Applied Thermal Engineering, 2007, 27: 551-559.17 Sozen A, Arcaklioglu E. Determination of thermodynamic properties of an alternative refrigerant (R407c) using artificial neural network J. Expert Systems with Applications, 2009, 36: 4346-4356.18 Mohebbi A, Taheri M, Soltani A. A neural network for predicting saturated liquid density using genetic algorithm for pure and mixed refrigerants J. International Journal of Refrigeration, 2008, 31: 1317-1327.19 Sencan A, Kose I I, Selbas R. Prediction of thermophysical properties of mixed refrigerants using artificial neural network J. Energy Conversion and Management, 2011, 52: 958-974.20 百度百科: 數據挖掘. /view/7893.htm.21 Kucuksille E U, Selbas R, Sencan A. Data mining techniques for thermophysical properties of refrigerants J. Energy Conversion