一种果树根区附近加热管道埋设方法与流程

1.本发明涉及温室果树根区土壤加热领域，适用于果树根区附近加热管道埋设方案的设计。


背景技术：

2.温度对于果树正常生长来说是至关重要的因素，尤其是冬季夜间室外温度急剧下降的情况下。为保证果树不受冻害，冬季夜间需要给温室供暖。常用供暖方式是加热温室内空气，然而在加热过程中空气受热浮力作用聚集在温室顶部，对于温室内种植的果树并没有很好的加热效果，一旦供暖设备停止工作温室内空气温度会迅速下降。果树根区土壤温度影响气体、无机盐等各种营养元素在土壤中的溶解度，进而影响离子交换活性和微生物活动，最终影响到果树根系的生长和果树产量。因此，在冬季夜间可以通过加热果树根区附近土壤来达到果树适宜的生长温度。
3.对于加热果树根区附近土壤常采用类似于地暖的方式，在果树根区附近埋设管道，以热水为介质通过在管道中循环流动实现加热附近土壤的目的。不同于商用住房的地暖系统，果树的根区对温度更加敏感。然而在实际应用中，管道的埋设多靠工人的经验，并没有结合果树的根区结构和生长需求确定最优的管道埋设间距和埋设深度。此外，还有研究者通过数值模拟的方法探究不同管道埋设方案对作物根区温度场的影响，进而选择最优的管道埋设方案。但是他们也都是采用交叉对照的方法做几组实验，从这几组中选取最优，实验数据量太少导致很难准确找出管道最优埋设方案。


技术实现要素：

4.为了克服现有加热管道埋设方法依靠经验缺乏准确数据依据、未考虑果树根区结构的问题，本发明提供一种基于流场分析和参数优化的加热管道埋设方法。
5.本发明的技术构思为：基于计算流体动力学(computational fluid dynamics，以下简称cfd)仿真获取不同加热管道埋设方案下果树根区加热温度场分布情况，并记录果树根区各监测点温度值。在应用萤火虫算法(firefly algorithm，以下简称fa)算法时，每次迭代过程中萤火虫个体实现位置更新，萤火虫个体所在位置代表的就是加热管道埋设的间距、深度参数。对于一组新的埋设间距和埋设深度参数，调用knn机器学习模型就会输出相对应的监测点温度数值，再返回fa算法，判断监测点温度是否满足约束条件，并以果树根区加热温度场分布均匀性为目标进行加热管道埋设间距和埋设深度参数寻优。
6.本发明解决其技术问题所采用的技术方案是：
7.一种果树根区附近加热管道埋设方法，其步骤如下：
8.s1、针对待埋设加热管道的果树，构建用于获取不同管道埋设参数组合下果树根区加热温度场分布情况的计算流体动力学仿真模型，并在果树根区分布设置温度的监测点；所述管道埋设参数组合包括加热管道的埋设间距和埋设深度两个管道埋设参数；
9.s2、预先根据果树根区适宜生长温度范围确定加热管道的埋设间距范围和埋设深
度范围，并在两个范围内各自采样一系列的参数点组成不同的管道埋设参数组合；对每一个管道埋设参数组合分别在计算流体动力学仿真模型中进行cfd仿真，得到果树根区不同位置监测点的温度值，从而形成一系列训练样本组成的训练样本集合；
10.s3、以所有监测点的温度均位于果树根区适宜生长温度范围内作为约束条件，以果树根区加热温度场分布均匀度作为目标函数，利用优化算法在所述埋设间距范围和埋设深度范围内对加热管道的埋设间距和埋设深度两个管道埋设参数进行迭代寻优；每一轮迭代均调用knn机器学习算法基于训练样本集合对当前管道埋设参数下各监测点的温度值进行预测，进而判断各监测点温度是否满足约束条件，若均满足则计算目标函数值；寻优过程中，通过最大化果树根区加热温度场分布均匀度，最终确定加热管道的最优埋设间距和最优埋设深度。
11.作为优选，每一棵果树的根部需要埋设两条加热管道，两条加热管道对称排布在主根的两侧。
12.作为优选，所述的计算流体动力学仿真模型通过流体仿真软件fluent进行构建，构建时需根据果树所在温室内的实际环境情况设置仿真的边界条件、初始条件和求解方法。
13.作为优选，所述的s3中，调用knn机器学习算法基于训练样本集合对当前管道埋设参数下各监测点的温度值进行预测的具体方法如下：
14.s311、以输入的当前管道埋设参数作为测试样本的特征向量，以训练样本的管道埋设参数作为训练样本的特征向量，计算测试样本与每个训练样本的特征向量之间的欧氏距离，确定最近邻的k个邻近训练样本；其中测试样本与第i个训练样本的欧式距离的计算公式为：
[0015][0016]
式中：x
i(1)
,x
i(2)
分别第i个训练样本对应的加热管道的埋设间距和埋设深度，x
j(1)
,x
j(2)
分别测试样本对应的加热管道的埋设间距和埋设深度；
[0017]
s312、基于测试样本与每个邻近训练样本之间的欧式距离，通过高斯函数为每个邻近训练样本赋予权重；其中第i个邻近训练样本的权重为：
[0018][0019]
式中：μ和σ分别为测试样本到k个邻近训练样本的欧式距离值的平均数和标准差；
[0020]
s313、将k个邻近训练样本的监测点温度值进行加权运算，得到测试样本的监测点温度值，其计算公式为：
[0021][0022]
进一步的，所述的k优选为4。
[0023]
作为优选，所述的优化算法为是萤火虫算法，且每一轮迭代过程中，以萤火虫个体
所处的2维空间位置坐标代表待优化的埋管间距和埋管深度两个参数，通过调用knn机器学习模型获取果树根区范围内分布的不同监测点温度值，以所有监测点的温度标准差的相反数作为代表萤火虫发光亮度的目标函数，以所有监测点的温度均位于果树根区适宜生长温度范围内作为约束条件，进而控制发光亮度弱的萤火虫个体向发光亮度强的萤火虫个体移动从而实现本轮迭代的位置更新；当达到迭代终止条件后结束寻优过程，输出最终的最优埋管间距和最优埋管深度。
[0024]
进一步的，所述的目标函数公式为：
[0025][0026]
式中，f(i)表示第i个萤火虫的目标函数值，n为果树根区中分布的温度监测点个数，t
i,k
为第i个萤火虫所在空间位置对应的第k个监测点的温度，t
i
为所有n个监测点温度的平均值。
[0027]
作为优选，所述的迭代终止条件为迭代次数达到预设的最大迭代次数。
[0028]
本发明的有益效果主要表现在：
[0029]
1)结合果树根区结构特点，采用基于cfd仿真模拟方法获取不同管道埋设方案下果树根区加热温度场分布情况。
[0030]
2)通过机器学习的方法快速获取不同加热管道埋设参数情况下监测点的温度值。
[0031]
3)基于fa
‑
knn优化算法能够遍历求解范围内所有加热管道埋设参数，并以果树根区附近温度场分布均匀度作为评价标准，最终确定最优的加热管道埋设间距和深度，为加热管道埋设提供数值依据。
附图说明
[0032]
图1是果树根区以及加热管道埋设示意图，图中编号1为加热管道1，2为加热管道2，a～g表示不同的温度监测点。
[0033]
图2是不同k取值情况下mae曲线图。
[0034]
图3是不同k取值情况下rmse曲线图。
[0035]
图4是基于fa
‑
knn算法实现果树根区附近加热管道埋设参数优化的流程图。
具体实施方式
[0036]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。
[0037]
在本发明的一个较佳实施例中，以温室内种植的红美人柑橘作为目标进行加热管道埋设方案的优化。根据红美人柑橘品种特点，其根系一般埋土深度约为25cm，其中包括主根10cm和旁根、须根15cm。此外，须根的延展半径大约为25cm。为了保证果树根区的温度处于植株的适宜生长范围，可根据果树主根、侧根、须根结构特点设置温度监测点，以反应整个果树根区范围内的温度场情况。在本实施例中，如图1所示，为了在冬季夜间给果树根区
提供均匀的温度条件，在果树根区两侧埋设图1中编号1、2所示的加热管道，埋设的管道以果树主根为轴对称分布。因此，果树根区两侧的温度环境应该是一致的。所以只需要在果树一侧设置如图1中a、b、c、d、e、f、g一共7个温度监测点。
[0038]
本实施例中果树根区附近加热管道埋设方法的具体步骤如下：
[0039]
一、cfd仿真模型构建
[0040]
温室内的红美人柑橘是成排种植的，由于每一排的种植参数基本相同，因此本实施例中针对单排红美人柑橘进行仿真模拟，基于流体仿真软件fluent构建计算流体动力学(cfd)仿真模型，用于获取不同管道埋设参数组合下果树根区加热温度场分布情况，待优化的管道埋设参数组合包括加热管道的埋设间距和埋设深度两个管道埋设参数。在该仿真模型中，对于加热管道不同的埋设间距和埋设深度，只需修改cfd模型中加热管道的位置即可获得不同埋设方案下果树根区加热温度场分布情况和各监测点温度值。
[0041]
二、基于cfd仿真的训练样本获取
[0042]
在cfd仿真模型中，按照图1中的布点形式在果树根区分布设置7个温度监测点。同时，根据实际温室情况合理设置仿真的边界条件、初始条件和求解方法，仿真结束后即可获得每个时刻各监测点的温度值。温室供暖系统在下午6时开启，而室外温度在夜间12点降至一天的最低点，因此需要监测供暖系统在工作6小时后的果树根区附近温度是否满足果树生长需求。因此根据果树根区生长适宜温度为15℃～25℃，通过cfd仿真，可以大致确定加热管道埋设间距和埋设深度的参数范围。在加热管道的埋设间距范围range1和埋设深度范围range2内各自采样一系列的参数点组成不同的管道埋设参数组合，每一个管道埋设参数组合包含了埋设间距范围range1内的一个埋设间距值以及埋设深度范围range2内的一个埋设深度值。对每一个管道埋设参数组合分别在计算流体动力学仿真模型中进行cfd仿真，得到果树根区不同位置监测点的温度值，从而作为一个下一步机器学习的训练样本。所有的管道埋设参数组合对应得到一系列的训练样本，作为训练样本集合。
[0043]
三、基于fa
‑
knn的参数优化
[0044]
本实施例中，通过结合萤火虫算法(fa)和k
‑
近邻(knn)机器学习算法形成一种fa
‑
knn优化方法，对埋设间距、埋设深度两个管道埋设参数进行全局优化。基于fa
‑
knn进行参数优化的基本流程为：以所有监测点的温度均位于果树根区适宜生长温度范围内作为约束条件，以果树根区加热温度场分布均匀度作为目标函数，利用优化算法在前述埋设间距范围range1和埋设深度范围range2内对加热管道的埋设间距和埋设深度两个管道埋设参数进行迭代寻优；每一轮迭代均调用knn机器学习算法基于训练样本集合对当前管道埋设参数下各监测点的温度值进行预测，进而判断各监测点温度是否满足约束条件，若均满足则计算目标函数值。寻优过程中，通过最大化果树根区加热温度场分布均匀度即使果树根区加热温度场分布尽可能均匀，最终确定加热管道的最优埋设间距和最优埋设深度。
[0045]
knn机器学习算法的输入变量为加热管道的埋设间距和埋设深度。当新输入一组加热管道埋设参数，knn算法会以欧氏距离为准则寻找新输入样本周围最邻近的k个训练样本，根据距离远近赋予k个训练样本不同的影响权重，通过权重分配决定新输入样本的输出值，即各监测点的温度值。在本实施例中，调用knn机器学习算法基于训练样本集合对当前管道埋设参数下各监测点的温度值进行预测的具体方法如下：
[0046]
1)以输入的当前管道埋设参数作为测试样本的特征向量x
j
＝(x
j(1)
,x
j(2)
)，以训练
样本的管道埋设参数作为训练样本的特征向量，计算测试样本与每个训练样本的特征向量(第i个训练样本的特征向量记为x
i
＝(x
i(1)
,x
i(2)
))之间的欧氏距离，通过计算并比较测试样本与训练样本之间的距离即可确定距离最小的k个训练样本，记为最近邻的k个邻近训练样本。其中测试样本与第i个训练样本的欧式距离的计算公式为：
[0047][0048]
式中：x
i(1)
,x
i(2)
分别第i个训练样本对应的加热管道的埋设间距和埋设深度，x
j(1)
,x
j(2)
分别测试样本对应的加热管道的埋设间距和埋设深度；
[0049]
s312、基于测试样本与每个邻近训练样本之间的欧式距离，通过高斯函数为每个邻近训练样本赋予权重。其中第i个邻近训练样本的权重为：
[0050][0051]
式中：μ和σ分别为测试样本到k个邻近训练样本的欧式距离值的平均数和标准差。
[0052]
测试样本的输出值是由其周围训练集中最邻近的k个样本的输出值决定的，距离近的样本赋予的权重大一点，距离远的样本赋予的权重小一点，按照距离的远近通过高斯函数赋予这k个邻近训练样本不同的影响权重。
[0053]
s313、将k个邻近训练样本的监测点温度值与对应影响权重相乘进行加权运算，然后将其结果累加，再将累加和除以权重之和，得到测试样本的监测点温度值y
j
，其计算公式为：
[0054][0055]
在knn机器学习算法应用中，最重要的就是k值的选取。如图2和图3所示，无论是以平均绝对误差mae(mean absolute error)还是均方根误差rmse(root mean squared error)作为机器学习效果的评价标准，k＝4时误差值都是最小的。因此，本实施例中选择k＝4。
[0056]
上述knn机器学习算法的作用是对每一组加热管道埋设参数进行果树根区的温度预测，而参数的寻优优化则需要基于萤火虫算法实现。在本实施例中，萤火虫算法的具体参数寻优过程如下：
[0057]
在加热管道埋设参数寻优过程中，以果树根区温度场分布均匀性为目标，计算果树根区附近所有监测点温度标准差，计算结果值越小代表温度场分布越均匀。而萤火虫算法是目标值越大萤火虫个体发光亮度越强进而寻找最优值，因此可以将所有监测点温度标准差的相反数作为fa的目标函数，并且监测点温度要满足果树适宜生长温度范围，其目标函数和约束条件可表示为：
[0058]
[0059]
15≤t
i,k
≤25,(k＝1,2,3,4,5,6,7)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0060]
式中，n为温度监测点个数，t
i,k
为萤火虫i所在空间对应的第k个监测点的温度，t
i
为所有监测点温度的平均值。
[0061]
如图4所示，基于fa
‑
knn参数优化过程包括设定初始参数，种群数量npop＝20，种群个体维数d＝2，最大迭代次数tmax＝100，吸引力β＝1，光强吸收系数γ＝1，步长因子α＝0.2，随机进行种群初始化。萤火虫个体所在2维空间位置代表的就是待优化的埋管间距和埋管深度两个参数，调用knn机器学习模型获取果树根区范围内分布的不同监测点温度值，通过计算前述公式(4)中的目标函数值得到萤火虫发光亮度，同时还需要以所有监测点的温度均位于果树根区适宜生长温度范围内作为约束条件即判断监测点的温度是否满足前述公式(5)，若满足约束条件则对萤火虫种群进行移动，控制发光亮度弱的萤火虫个体向发光亮度强的萤火虫个体移动从而实现本轮迭代的位置更新，若不满足约束条件则直接进行下一轮迭代。
[0062]
本实施例中，萤火虫个体的移动是根据发光亮度来控制的，发光亮度弱的萤火虫个体i向发光亮度强的萤火虫个体j移动过程中实现位置更新：
[0063]
x
i,k
(t 1)＝x
i,k
(t) β(x
j,k
(t)
‑
x
i,k
(t)) α(rand
‑
1/2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0064]
式中，t为迭代次数，x
j,k
(t)和x
i,k
(t)分别为萤火虫j和i在第t次迭代时所在空间的k维位置，x
i,k
(t 1)为当前迭代完成后萤火虫i所在空间的k维位置，rand为[0,1]上服从均匀分布的随机数。本实施例中，萤火虫的空间位置仅有两维，因此公式(6)内的维度k＝2。
[0065]
萤火虫算法达到迭代终止条件后结束寻优过程，本实施例中迭代终止条件为迭代次数达到最大迭代次数tmax。因此可记录当前迭代次数最优值，判断是否到达最大迭代次数tmax，若没有达到最大迭代次数则重复上述寻优过程；如果达到最大迭代次数，结束寻优过程，输出最终的最优埋管间距和最优埋管深度。
[0066]
以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员还能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。