选取湘南地区某住宅小区高层住宅楼户型作为研究对象(图1).通过实地测量与记录,得到样本住宅的建筑特征信息(表1).

图1 建筑样本平面图
Fig.1 Floor plan of the sample building

表1 样本住宅建筑的基本特征数据值进行对比验证
Tab.1 Basic characteristics of sample residential buildings

根据高层住宅样本的信息建立建筑模型,运用软件Phoenics进行室外风环境模拟,得到建筑外 立面表面的风压值^[13].依据风压值进行住宅室内风环境模拟,将模拟得到的风速数据值与实测的风速.

计算域的尺寸设置会对计算精度产生直接的影响^[14].本模拟采用日本建筑协会 AIJ的研究建议,即建筑模型与模拟区域边缘的距离在水平方向至少5倍于建筑模型高度,高度方向3倍于建筑模型高度.最终确定本研究计算域的长度为500 m,是建筑高度的10倍; 宽度为500 m,是建筑高度的10倍; 高度为150 m,是建筑高度的3倍(表2).网格划分设置为137 m×91 m×53 m,对建筑所在区域进行网格局部加密处理,以获得较准确的模拟数值.

由于地表摩擦作用的影响,风速存在着梯度变化,即接近地表的风速随着离地高度的减小而降低,风速与高度的关系通常采用指数律,即

(V_h)/(V_o)=(h/(h₀))ⁿ　(1)

式中:V_h为高度为h处的风速; V₀为基准高度h₀处的风速; n为与地面粗糙度有关的指数.根据《中国建筑热环境分析专用气象数据集》 可知,湘南衡阳地区夏季盛行偏南风,风向频率为85%,平均风速V₀=2.3 m·s^-1,代表10 m高度处2.3 m·s^-1的偏南风.根据模型计算要求,应依据建筑周围的实际环境,采用相应的地面粗糙指数.考虑场地周边是密集的高层住宅建筑小区,即计算认定的建筑周围存在高大障碍物的工况,因此地面粗糙指数n设定为0.5.

二方程标准 K-ε 模型计算成本低,在数值计算中波动小、精度高,在低速湍流模拟中应用较为广泛^[15].在考虑计算成本与精度的前提下,本研究在室外风场模拟中采用标准 K-ε 模型描述湍流.

在软件Phoenics中,按照表2中的参数条件要求进行设置,经计算收敛后得到样本建筑外立 面风口表面的风压值(图2).为样本住宅建立模型,依据计算得到的建筑室外表面风压值,采用改进型RNG K-ε湍流模型对住宅室内风环境进行模拟,可以得到室内各坐标点的精确风速值(图3).

表2 风压模拟设置参数
Tab.2 Setting parameters of wind pressure simulation

图2 建筑外立面表面的风压值
Fig.2 Wind pressure values on the facade of the building

图2 建筑外立面表面的风压值
Fig.2 Wind pressure values on the facade of the building

图3 住宅风场模拟云图与室内测点
Fig.3 Simulated cloud image of residential wind field and indoor measuring points

本研究采用实测数据与模拟数值进行对比的方法,以检验模拟研究结果的准确程度.实地测试时间为2019年7月15日,测试时段为09:00—15:00.经测试,室外风速平均值为2.34 m·s^-1,与模型所采用的来流风速值偏差为1.7%,且风速为南向,与软件中的风向设定一致,完全符合室外风速的测试条件.测试期间窗户处于全开启状态,且无人在家逗留,以保证测试准确度.测点分布情况见图1.主要测试室内各测点距室外地面28.2 m(距室内地面1.2 m处,人体坐姿头部位置 )处的平均风速,风速每5 min采集一次.

图4为各测点平均风速实测值与模拟值的对比图,可知对模型进行软件模拟得到的风速值与实测所得结果相近,其 R²=0.839,显示模拟结果与实测结果具有高度相关性.

图4 各测点平均风速模拟值与实测值的对比图
Fig.4 Comparison between the simulated and measured average wind speed of each measuring point

在不改变样本住宅的距地高度、层高、进风向窗墙面积比、进出风口面积比和开间进深比的情况下,调整住宅南向窗户开口与风向的夹角.设定室外风速为2.3 m·s^-1, 以30°角为单位,分别模拟风向夹角为-60°、-30°、0°、30°、60°时的住宅室内风速云图(图 11).由图5可以看出,当风向由负向夹角转为正向夹角的过程中,模型的室内平均风速开始逐渐增大,在风向夹角为30°时室内平均风速达到最大值; 而随着正向夹角的继续增大,平均风速值开始回落; 室内平均风速值整体呈现先变大后变小的趋势.

图5 不同风向夹角时的室内平均风速值
Fig.5 Average indoor wind speed at different angle

在不改变其他因子数值的情况下,仅改变住宅楼层的高度,设定室外风速为2.3 m·s^-1,分别模拟

不同层高条件下(目前高层住宅设计普遍采用的楼层高度)的室内风速云图(图 12).由图6可以看出,在模型的层高在最小值2.8 m时,室内平均风速达到最大值; 随着层高的逐渐增大,平均风速呈下降趋势,在层高3.1 m时,室内平均风速值最小; 而随着层高的继续增大,室内平均风速值不降反升.

图6 不同楼层高度时的室内平均风速值
Fig.6 Average indoor wind speed at different floor height

在不改变其他因子数值的情况下,仅调整住宅的进风向窗墙面积比,设定室外风速2.3 m·s^-1,分别模拟不同窗墙面积比下的室内风速云图(图 13).由图7可以看出,在模型的窗墙比为0.30时,室内平均风速值最小; 随着窗墙比的逐渐增大,室内平均风速也依次变大,两者之间呈正相关线性关系.

图7 不同窗墙面积比时的室内平均风速值
Fig.7 Average indoor wind speed at different window-wall area ratios

在不改变其他因子数值的情况下,仅改变住宅的前后风口面积比,设定室外风速为2.3 m·s^-1,分别模拟不同层高下的室内风速云图(图 14).由图8可以看出,在模型的进出风口面积比为1.00时,室内平均风速达到最大值; 当进出风口面积比<1.00时,随着面积比的变大,室内平均风速值同步变大; 当进出风口面积比>1.00时,随着面积比的变大,室内平均风速值逐渐变小.

图8 不同进出风口面积比时的室内平均风速值
Fig.8 Average indoor wind speed values at different air inlet and outlet area ratio

在不改变其他因子数值的情况下,仅调整住宅与室外地面的距地高度,设定室外风速为2.3 m·s^-1,通过CFD分别模拟距地高度为16.2 m、22.2 m、28.2 m、34.2 m、40.2 m时的住宅室内风速云图(图 15).由图9可以看出,当离地高度逐渐变大时,室内平均风速值同步变大,两者之间呈正相关线性关系.

图9 不同距地高度时的室内平均风速值
Fig.9 Indoor average wind speed at different heights from the ground

在不改变其他因子数值的情况下,仅调整住宅进深开间比.设定室外风速为2.3 m·s^-1,模拟不同进深开间比下的室内风速云图(图 16).由图 10可以看出,在模型的进深开间比为1.00时,室内平均风速达到最大值; 当进深开间比<1.00时,随着进深开间比值的变大,室内平均风速值先变大后变小; 当进出风口面积比>1.00时,随着进深开间比的增大,室内平均风速值反向变小.

图 10 不同进深开间比时的室内平均风速值
Fig.10 Average indoor wind speed values atdifferent depth ratio

在实地测量的基础上,结合上述风场影响因子作用研究,对湘南地区(衡阳、郴州、永州)的7个城市小区不同户型的高层住宅样本进行CFD模拟,共计得到210组数据信息.随机抽取其中120组模型数据,在SPSS软件中采用皮尔逊相关系数确定室内平均风速与各风场影响因子的相关性.由表3可见,室内平均风速与各风场影响因子的密切程度由大到小依次为FRAR、WWAR、HAG、DOR、WDA、FH.其中,FRAR、 WWAR和HAG呈现极显著水平,相关值分别为-0.834、-0.712和0.513,这表明FRAR是风场最主要的影响因子.同时,从表3看出,各风场影响因子也并不是孤立存在,如FRAR与WWAR存在极显著负相关,相关系数达到-0.872,HAG与WWAR也存在极显著负相关,相关系数为-0.597,因子间存在较高的多重共线性,说明如果利用多个因子来解释室内平均风速的变化会存在一定不确定性.

图 11 不同风向夹角时的室内风速云图
Fig.11 Indoor wind speed cloud images of different wind angles

图 12 不同楼层高度时的室内风速云图
Fig.12 Indoor wind speed cloud images of different floor heights

图 13 不同窗墙面积比时的室内风速云图
Fig.13 Indoor wind speed cloud images of different window-to-wall area ratios

图 14 不同进出风口面积比时的室内风速云图
Fig.14 Indoor wind speed cloud images of different air inlet and outlet area ratios

图 15 不同距地高度时的室内风速云图
Fig.15 Indoor wind speed cloud images of different heights from the ground

图 16 不同进深开间比时的室内风速云图
Fig.16 Indoor wind speed cloud images of different depth to depth ratios

表3 室内平均风速与各空间影响因子的相关性分析
Tab.3 Correlation analysis of indoor average wind speed and various spatial influence factor

为进一步探讨FRAR、WWAR、HAG、DOR、WDA、FH等6个空间影响因子对室内风场的综合效应,先对上述影响因子和室内平均风速的原始数据进行标准化处理,以解决各因子间量纲和单位不同造成的影响,然后采用逐步回归法将各因子的标准化数据与室内平均风速进行多元线性回归,去除偏回归系数不显著的因子,最终建立最优拟合回归方程式:

AIWS=0.801-0.096FRAR+0.004HAG　(2)

式(2)决定系数R²=0.732,并通过了p=0.01水平的显著性检验.由式(2)可看出,与室内平均风速相关的6个影响因子中,仅有FRAR和HAG 保留下来,说明前后风口面积比和距地高度是引发湘南地区高层住宅室内平均风速差异的主导因子,前后风口面积比越大,室内平均风速就越低; 离地高度越大,室内平均风速就越大.而从方程回归系数大小来看,前后风口面积比对室内平均风速的影响程度要大于距地高度.

通过随机选取30组样本数据,对上述回归模型拟合方程式进行有效性检验,最终有效率大于75%.因而,回归方程式(2)能为湘南地区高层住宅夏季室内风场的评估提供可靠的依据.