流体机械

参数	参数范围	控制精度
送风温度	-30~60 ℃	±0.2
相对湿度	20%~90%	±2
送风风量	80~4 000 m³/h	±1%

参数	参数范围	控制精度
送风温度	-30~60 ℃	±0.2
相对湿度	20%~90%	±2
送风风量	80~4 000 m³/h	±1%

测试设备名称	测量参数	测量范围	测量精度
风速仪	出风风速	0.1~30 m/s	±5%
T型热电偶	人体测点温度	-200~350 ℃	±0.5%FS
红外摄像头Flir Lepton3.5	红外摄像	160×120	160×120

测试设备名称	测量参数	测量范围	测量精度
风速仪	出风风速	0.1~30 m/s	±5%
T型热电偶	人体测点温度	-200~350 ℃	±0.5%FS
红外摄像头Flir Lepton3.5	红外摄像	160×120	160×120

性别	年龄/岁	身高/cm	体重/kg
男	23.2±0.8	176.4±2.8	78.0±7.0
女	22.8±1.5	161.0±2.2	56.6±3.4

性别	年龄/岁	身高/cm	体重/kg
男	23.2±0.8	176.4±2.8	78.0±7.0
女	22.8±1.5	161.0±2.2	56.6±3.4

基于深度学习与热成像技术的热舒适度预测方法研究

严锦君 ¹ , 胡家云 ²^,³ , 王佳韵 ²^,³ , 李康 ²^,³

流体机械 | 应用技术 2026,54(2): 100-108

收起

流体机械 |应用技术 2026 , 54 (2) : 100 -108

基于深度学习与热成像技术的热舒适度预测方法研究

全屏

严锦君¹, 胡家云²^,³, 王佳韵²^,³, 李康²^,³

作者信息

¹中国三峡新能源（集团）股份有限公司，北京 101100

²上海理工大学新能源车辆热管理综合评估实验室，上海 200093

³上海理工大学能源与动力工程学院，上海 200093

通讯作者:

李康（1989），男，副教授，主要从事汽车热管理系统、热泵空调技术、涡旋式压缩机、储能热管理及安全技术方面的研究，通信地址：200093上海市杨浦区军工路516号上海理工大学能动学院，E-mail：lklk789@usst.edu.cn。

作者简介:

严锦君（1994），男，工程师，主要从事光伏储能空调技术、储能电池及储能安全技术方面的研究，通信地址：101100中国三峡新能源（集团）股份有限公司，E-mail：yan_jinjun@ctg.com.cn。

Research on thermal comfort prediction method based on deep learning and thermal imaging technology

Jinjun YAN¹, Jiayun HU²^,³, Jiayun WANG²^,³, Kang LI²^,³

Affiliations

¹China Three Gorges Renewables （Group） Co.，Ltd，Beijing 101100，China

²Integrated New Energy Vehicle Thermal Management Evaluation，University of Shanghai for Science and Technology，Shanghai 200093，China

³School of Energy and Power Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China

出版时间: 2026-02-28 doi: 10.3969/j.issn.1005-0329.2026.02.011

文章导航

摘要

收起

随着电气化和智能化的发展，对以人为中心的空调系统提出了更高要求。基于图像识别技术，构建一个以ResNet50为骨干网络，并融入空间注意力模块（Attention-ResNet50）的深度学习模型，用于以人为中心的空调系统。通过采集不同热舒适条件下的红外图像数据并分类为冷、舒适、热三类进行训练与测试，该方法显著提升了预测精度。试验结果表明，引入空间注意力机制后模型整体准确率提升约5%，其中对男性受试者的最佳模型准确率超过94%，对女性受试者的最佳模型准确率超过96%。研究证实了注意力机制在特征提取中的有效性，为个性化热舒适调控提供了可靠且普适的技术路径。

关键词

深度学习 / 热成像 / 注意力集中机制 / 个性化热舒适性模型

Abstract

收起

With the advancement of electrification and intelligent technologies，higher demands have been placed on human‑centric air conditioning systems.Based on image recognition technology，a deep learning model using ResNet50 as the backbone network and incorporating a spatial attention module （Attention-ResNet50） was constructed for human‑centric air conditioning systems.By collecting infrared image data under different thermal comfort conditions and classifying them into three categories，cold，comfort，and hot，for training and testing，this method significantly improved prediction accuracy.Experimental results showed that the introduction of the spatial attention mechanism increased the overall model accuracy by approximately 5%.The best model accuracy exceeded 94% for male subjects and surpassed 96% for female subjects.The study confirms the effectiveness of the attention mechanism in feature extraction，providing a reliable and universal technical pathway for personalized thermal comfort control.

Key words

deep learning / thermal imaging / attention mechanism / personalized thermal comfort model

引用本文

严锦君, 胡家云, 王佳韵, 李康. 基于深度学习与热成像技术的热舒适度预测方法研究. 流体机械, 2026 , 54 (2) : 100 -108 . DOI: 10.3969/j.issn.1005-0329.2026.02.011

Jinjun YAN, Jiayun HU, Jiayun WANG, Kang LI. Research on thermal comfort prediction method based on deep learning and thermal imaging technology[J]. Fluid Machinery, 2026 , 54 (2) : 100 -108 . DOI: 10.3969/j.issn.1005-0329.2026.02.011

正文

收起

0　前言

收起

随着自动化的不断发展，人们对质量和个性化的要求越来越高，高效、精准、节能的房间热管理调节系统受到越来越多的关注^［1-3］。传统空调系统的策略主要是根据房间内采集的换热特性数据来满足人的舒适性需求，而没有考虑不同个体的感受^［4-6］。建立个性化的热舒适性预测模型，可以提高空调控制策略的准确性和效率，并改善人的热感觉体验^［7］。

在建筑热环境研究中，Fanger提出的预测平均投票（predicted mean vote，PMV）指数及其对应的预测不满意百分比（predicted percentage dissatisfied，PPD）模型，是评估室内热舒适性的经典方法之一^［8］。

为提高模型对个体差异的适应性，国内外学者对传统PMV-PPD模型进行了多方面扩展与优化。LAOUADI等^［12］提出的人体代谢预测评估指数（metabolic‑based predicted mean vote，MPMV）模型，在PMV的基础上引入非稳态下的人体代谢变化，能够更真实地反映剧烈运动后或特殊生理状态下个体的热舒适感受，显著提升了模型在复杂和非典型工况下的个性化预测能力。LI等^［13］聚焦环境因素对人体不同部位（如手、脚、躯干等）热量分布的影响，建立了动态调温模型。研究发现，个体热舒适感取决于整体体温和局部温度分布及其反馈，该研究为热舒适建模提供了理论依据，并对局部空调或个性化冷暖设备的设计具有参考价值。尽管上述研究在热舒适建模领域取得了一定成果，但大多依赖宏观物理参数建模，尤其在移动场景和非稳态条件下，传统模型的泛化能力和响应速度仍存在一定局限。

随着卷积神经网络（convolutional neural networks，CNN）在图像识别领域的广泛应用^［14-15］，研究者开始将其引入热舒适性预测研究。刘颖^［16］提出了一种基于交叉注意模块的深度神经网络方法，使预测精度提升了22.86%~42.86%，并将其应用于HVAC系统的闭环控制，运行成本降低了4.69%~16.45%。徐雄飞等^［17］提出了改进版布谷鸟搜索算法（CS），通过自适应步长和高斯扰动优化RBF神经网络参数，以提升热舒适预测效果，实验结果表明，该算法的预测误差比CS-RBFNN降低了9.2%，比PSO-RBFNN降低了35.5%。

近年来，基于卷积神经网络的方法虽展现出潜力，但多数研究尚未充分利用视觉信息实现端到端的非接触式感知，制约了其在真实场景中的广泛应用。针对上述问题，本文提出一种融合深度学习与热成像技术的热舒适度预测方法。首先，搭建模拟试验台架，在调节室内温度的过程中同步开展热舒适度问卷调查，并使用红外热成像仪采集面部热红外图像。根据问卷反馈结果对图像进行主观标注，将热感类别划分为“热（+1）”“舒适（0）”与“冷（-1）”，最终构建一个包含1645张样本的热舒适红外图像数据集。在此基础上，基于ResNet-50深度卷积神经网络对该数据集进行训练，构建热舒适度预测模型。该模型可用于实时判断人员的热舒适状态，并据此调节室内空调的运行，实现个体感知驱动下的智能温控系统。

1　方法

收起

1.1　Resnet-50基本流程

ResNet-50的训练过程是一个基于深度残差网络的迭代优化流程，通过输入图像、前向传播、误差计算与反向传播来不断优化网络参数，以提升模型的预测能力^［18］。整个过程可划分为以下几个关键阶段：

（1）数据准备阶段。文中所使用的图像数据来源于模拟控制室内进行的人体热舒适性试验。图像在预处理过程中统一尺寸（裁剪为224×224像素）、格式和通道数，以适应ResNet-50网络的输入要求。随后，将数据集按8：1：1的比例划分为训练集（80%）、验证集（10%）与测试集（10%）。其中，训练集用于网络权重的学习和更新，验证集用于实时评估模型在非训练数据上的性能以防止过拟合，而测试集则用于最终性能评估，确保模型具有良好的泛化能力。

（2）模型训练阶段。图像被输入ResNet-50网络，依次通过多个深层残差块，提取多尺度的空间语义特征。网络最终通过全连接层输出一个三类别的概率分布，分别表示“冷”“舒适”和“热”三种热感状态的预测概率。分类结果由Softmax层生成，输出值代表各类别的预测置信度。

（3）损失计算阶段。采用交叉熵损失函数（cross‑entropy loss）作为分类任务的优化目标，用于衡量模型预测概率分布与真实标签之间的差异，具体定义如下：

L o s s = - ∑ y k l g p k

（1）

式中，

y k

为真实标签值；

p k

为模型预测该类别的概率值。

该损失值在每次迭代中通过反向传播引导权重的更新，从而优化网络性能。模型训练过程中会实时监测验证集上的准确率与损失变化，并在验证集性能最优时保存对应的模型参数，作为最终部署的模型。在性能评估阶段，采用准确率作为评价指标，衡量模型在测试集上的预测能力，其定义如下：

准确 率 = 正确 分类 样本 数量 测试 集样 本总 数

（2）

最终训练得到的ResNet-50网络可应用于实际环境中，对工作人员的热舒适状态进行高效、准确的预测，为空调控制系统提供智能调节依据，从而实现人因导向的个性化温控管理。模型训练算法的流程如图1所示。

1.2　Resnet-50具体结构

ResNet-50网络结构与空间注意力机制模块的整体框架如图2所示。

图2（a）展示了ResNet-50网络的基本结构，该网络可分为7个主要部分。第一部分不包含残差块，主要完成初始图像的特征提取工作，依次包括卷积操作、批量归一化（batch normalization）、ReLU激活函数以及最大池化（max pooling）等处理过程。第二至第五部分为核心模块，均由多个残差块组成，负责逐层提取更高维度的语义特征。其中，每个残差块内部包含多个卷积层，用于缓解深层网络中梯度消失的问题。整个ResNet-50网络包含49个卷积层（包括所有残差模块中的卷积操作），加上最后的全连接层（fully connected layer），共计50层深度结构。在此基础上，为进一步提升模型对关键区域的关注能力，文中在ResNet-50框架中引入了卷积块注意力模块（convolutional block attention module，CBAM）。如图2（b）左侧所示，该模块在训练阶段嵌入至网络结构中，主要作用于卷积层与池化层之间。通过引入空间维度上的注意力机制，CBAM能够有效引导网络关注图像中对分类更具判别力的区域，从而增强特征表达能力。图2（b）右侧展示了模型在处理图像过程中生成的热力图（heatmap），其中颜色深浅反映了模型对图像各区域的关注强度。该热力图能够直观展现ResNet-50网络在分类任务中所识别的关键特征区域，为模型可解释性提供了依据。

1.3　热舒适性反馈框架

为实现个性化的热舒适控制，文中提出了一种基于面部红外图像的热舒适性预测方法，并据此驱动热泵空调系统实现智能调控。试验流程与热泵空调反馈控制机制如图3所示。具体而言，系统首先通过Flir Lepton 3.5红外热成像仪对受试者面部进行实时成像，获取当前面部温度分布信息。接着，利用训练好的热舒适性预测模型对图像进行分类判断，输出当前状态为“冷”（-1）、“舒适”（0）或“热”（1）。根据预测结果，控制策略模块将指令发送至热泵空调系统，进行相应的升温或降温操作。空调调控后，系统重新采集面部红外图像，进行下一轮预测。若预测结果仍未达到“舒适”状态，则继续调整环境温度，如此形成一个闭环控制过程，直至模型判定受试者处于热舒适状态为止。此外，在每一轮调控过程中，受试者需同步填写热舒适度问卷，作为主观感知的参考依据。通过将问卷结果与模型预测结果进行对比，可验证系统调控的有效性与模型识别的准确性，为热泵空调在实际应用中的人因反馈调节提供技术支持。

2　试验设置

收起

在焓差室内搭建了模拟试验平台，用于热舒适性预测试验。该焓差室由控制室与环境室组成，其中环境室进一步分为室内侧与室外侧。三者均配备空气调节机组及独立送风风洞，能够精确控制温度、湿度与风速等环境参数，具体调控范围与精度见表1。

控制室内部配置有操作控制台与计算机化控制系统，试验人员可通过控制柜与软件界面对环境参数进行设定和实时监控，同时完成试验流程的启停操作。环境室、控制柜、模拟室以及整体试验布置如图4所示。试验中使用的主要测量设备包括：Flir Lepton 3.5红外热成像仪，用于采集受试者面部热红外图像；热电偶，用于测量受试者头部、躯干与脚部周围的空气温度；风速计，用于测量控制室内的风速；以及安捷伦数据采集设备，用于多通道同步监测与记录各类传感器数据。上述设备的具体技术参数见表2。

招募大学生及研究生作为试验对象，分别于冬季和夏季开展两轮试验，每轮20人（男女各10人）。为确保数据有效性，受试者在试验前一周需确保无感冒等症状，并避免服药、熬夜、饮酒或剧烈运动。试验时统一着装，以减少热阻差异对结果的影响。受试者的性别、年龄、身高、体重等生理信息均被详细记录（见表3），其中男性平均年龄为（23.2±0.8）岁。

每次试验安排两人参与，分别为受试者和记录员。受试者先在20~22 ℃的预备房间内静坐10 min以适应环境，并签署《知情同意书》及填写个人信息表。试验过程中，受试者坐于室内，红外热像仪以30°倾角拍摄其面部图像。受试者可进行轻度活动（如阅读、交谈），同时在头部、躯干和脚部设有温度监测点，以记录局部温度变化。

试验工况如图5所示。每位受试者在试验中依次经历冷、舒适与热三个阶段，在此期间保持相对静止状态。为保证受试者能够充分感受冷、热及舒适状态，环境室温度初始设定为13 ℃，此后每15 min调整一次温度并保持恒定。具体温度变化如下：0~15 min内环境室温度设定为13 ℃，15~30 min内设定为16 ℃，温度随时间的变化过程如图5所示。试验过程中，环境室的温度通过外部控制系统动态调节，实现温度的阶段性变化。整体温度调控范围覆盖了收集冷、热不适及舒适状态数据所需的条件。

试验期间，每隔5 min对受试者进行一次热舒适度问卷调查，填写《舒适性感知投票表》。热感知数据类别包括头部、躯干、上肢、腿部、整体热感、热舒适偏好、心率、血氧饱和度、疲劳值等项目。时间从0 min到70 min，以5 min为一个间隔依次记录。主观热感受分为“热（-2）”“温暖（-1）”“舒适（）”“微冷（+1）”“冷（+2）”，同时记录热舒适偏好，表示受试者倾向于调高（+1）、调低（-1）或维持（）当前环境温度。与此同时，使用Flir Lepton 3.5红外热像仪采集面部图像，并在不同角度（如上、下、左、右）和不同状态（如戴眼镜与否）下拍摄图像，以增强数据多样性并贴近真实应用场景，如图6所示。最终构建了一个包含1645张标注图像的热舒适红外图像数据集，该数据集为后续基于深度学习的热舒适度分类预测模型的训练提供了关键数据支撑。

3　试验结果

收起

选取部分红外图像（见图7）以展示其温度分布特征。通过脸部热红外图像可观察男性与女性受试者面部温度的变化。其中，脸颊、额头和鼻梁区域对温度变化尤为敏感。试验共获取1 645张有效图像，依据《舒适性感知投票表》划分为冷（234张）、舒适（638张）、热（782张）三类，并进一步按性别进行划分，以便分析不同性别的热反应差异。为减少环境干扰，所有图像均裁剪为224×224像素的统一尺寸，具体裁剪方式及分类结果如图8所示。

为评估空间注意力机制对模型性能的影响，首先使用试验采集的红外图像数据，分别构建引入空间注意力模块（Attention-ResNet50）与未引入该模块（ResNet50）的深度学习模型，并进行训练与验证。两组模型使用相同的训练集和验证集进行训练，所得训练损失率与验证准确率变化趋势如图9所示。可以看出，模型训练过程大致可划分为三个阶段：缓慢下降阶段、快速上升阶段以及稳定收敛阶段。在训练初期（缓慢上升阶段），由于深度神经网络中的大量参数（如卷积核权重和偏置）通常采用随机初始化，模型尚未学习到图像中的有效特征，因此其性能较差，预测结果与真实标签之间误差较大，表现为损失函数下降缓慢、验证准确率提升有限。

此外，该阶段学习率对训练稳定性的影响较大，优化器需在高维参数空间中缓慢调整参数，以避免不稳定的梯度波动，因而整体网络性能提升较慢。随着训练的深入，模型逐渐从训练数据中学习到低层次的纹理特征与温度分布模式，并开始建立图像内容与热舒适标签之间的初步关联，从而进入快速提升阶段。此时损失值快速下降，验证准确率显著上升，表明模型学习能力增强，开始具备较好的判别能力。进入稳定收敛阶段后，模型已完成对主要特征的学习，进一步训练仅带来微小性能提升，损失函数趋于平稳，准确率达到平台期，网络训练逐步收敛。

分别使用男性和女性受试者的数据对模型进行训练，结果如图10所示。

整体趋势表明，男性与女性模型的训练过程均遵循三阶段规律：初期缓慢上升、中期快速提升、后期稳定收敛，与热舒适性模型的训练过程一致。在验证集上，Attention-ResNet50与ResNet50模型的准确率均超过90%，损失率低于0.2，收敛性良好。与ResNet50相比，Attention-ResNet50的损失下降更快、稳定值更低，验证了空间注意力机制能够提升对关键特征的关注能力，从而加速模型收敛并提高预测准确性。

具体来看，在男性数据上，Attention-ResNet50的损失下降速度显著快于ResNet50，且验证准确率更高；在女性数据上，两类模型的趋势相似，但女性数据的波动更小，这可能是由于其特征分布更为集中、结构更为稳定，从而有利于模型收敛。

综上所述，Attention-ResNet50在损失率下降速度和准确率提升幅度上均优于ResNet50，进一步验证了空间注意力机制在热舒适预测任务中的有效性。

采用Grad-CAM算法对热舒适度预测模型的关注区域进行可视化，对比ResNet50与Attention-ResNet50生成的热力图，如图11所示。结果显示，ResNet50的激活区域较为分散，易受背景干扰；而引入空间注意力机制的Attention-ResNet50则能够将关注区域集中于面部的关键部位（如鼻梁、额头、脸颊），显著提升了模型对任务相关区域的聚焦能力。这一结果验证了空间注意力机制在增强模型特征提取的有效性、提升鲁棒性及预测准确率方面的积极作用。

4　结论

收起

针对热舒适性预测模型的构建，在焓差室模拟环境下开展了热成像图像采集试验，结合深度学习的ResNet50网络框架与红外热成像技术，初步建立了适用于男性和女性的热舒适性预测模型。主要结论如下：

（1）提出了一种基于深度学习与红外成像技术的人脸热舒适性识别方法。该方法采用引入空间注意力机制的Attention-ResNet50网络对采集的面部红外图像进行训练，构建了具有较高准确率与稳定性的热舒适预测模型。试验结果表明，相较于基准模型，引入注意力机制后模型整体准确率提升了约5%。

（2）引入空间注意力机制的Attention-ResNet50模型在男性受试者上的最佳预训练验证准确率超过94%，在女性受试者上则超过96%。

（3）男性和女性在热舒适性模型上存在差异，其中女性模型的准确性高于男性模型。

（4）男性与女性热舒适性模型均能有效预测人员的热舒适状态。随着信息化进程的推进及图像数据库的不断扩充，模型的准确性有望得到进一步提升。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

刘李珉，夏博，韩飞.基于性别差异的寒冷地区高校学生公寓冬季热舒适性研究［J］.建筑节能（中英文），2022，50（7）：136-141.

LIU L M，XIA B，HAN F.Thermal comfort of university student apartments in cold regions in winter based on gender differences［J］.Building Energy Efficiency，2022，50（7）：136-141.

伊虎城.整车乘员舱空调热舒适性评价体系研究［D］.天津：河北工业大学，2016.

YIN H C.The thermal comfort evaluation study in the condition ofair conditioning on vehicle′s passenger compartment［D］.Tianjin：Hebei University of Technology，2016.

赵树恩，朱冰，王荣，等.太阳辐射对汽车舱内热环境舒适性的影响研究与改善［J］.流体机械，2016，44（7）：70-76.

ZHAO S E，ZHU B，WANG R，et al.Study of the influence on the comfort of vehicle cabin thermal environment and improve cabin thermal environment comfort［J］.Fluid Machinery，2016，44（7）：70-76.

刘垠.助力实现“双碳”新能源汽车还需“跨界协同”［N］.科技日报，2021-09-17（02）.

LIU G.To contribute to achieving the "dual carbon" goals，new energy vehicles still need "cross‑sector collaboration"［N］.Science and Technology Daily，2021-09-17（02）.

刘凌雨.国家绿色成就对新能源汽车消费意愿的影响［D］.徐州：中国矿业大学，2024.

LIU L Y.The impact of national green achievementson the consumption intention of new energy vehicles［D］.Xuzhou：China University of Mining and Technology，2024.

吴博峰.年轻消费者对新能源车关注度更高［J］.新能源科技，2022，1（6）：31-32.

WU B F.Young consumers pay more attention to new energy vehicles［J］.New Energy Science and Technology，2022，1（6）：31-32.

张颖.新能源汽车已从政策驱动向消费驱动型市场转型［J］.汽车与配件，2021，3（2）：37-39.

ZHANG Y.New energy vehicles have transformed from a policy‑driven market to a consumption‑driven one［J］.Automobile & Parts，2021，3（2）：37-39.

DJONGYANG N，TCHINDA R，NJOMO D.Thermal comfort：A review paper［J］.Renewable and Sustainable Energy Reviews，2010，14（9）：2626-2640.

李芝也，邓梭梭.城市室外空间热舒适度研究综述［J］.建筑与文化，2023，4（12）：2-7.

LI Z Y，DENG S S.Review on the study of thermal comfort of urban outdoor space［J］.Architecture & Culture，2023，4（12）：2-7.

张欣宇，冯劲梅，尹世友，等.室内热舒适性评价指标研究与应用［J］.制冷，2023，42（4）：32-35.

ZHANG X Y，FENG J M，YIN S Y，et al.Research and application of indoor thermal comfort evaluation index［J］.Refrigeration，2023，42（4）：32-35.

FANGER P O.Thermal comfort：Analysis and applications in environmental engineering［J］.Thermal Comfort Analysis & Applications in Environmental Engineering，1972，3（1）：181.

LAOUADI A.A new general formulation for the PMV thermal comfort index［J］.Buildings，2022，12（10）：1572.

LI W，CHEN J，LAN F，et al.Numerical projection on occupant thermal comfort via dynamic responses to human thermoregulation［J］.International Journal of Automotive Technology，2022，23（1）：193-203.

郭志明，桑伟兴，杨忱，等.近红外光谱及成像在果品无损检测中的应用［J］.包装与食品机械，2024，42（5）：1-14.

GUO Z M，SANG W X，YANG C，et al.Application of nondestructive detection of fruit by near‑infrared spectroscopy and imaging［J］.Packaging and Food Machinery，2024，42（5）：1-14.

王伟辉，李阳，徐慧群，等. 基于深度学习的冬枣智能分选技术与装备研究［J］. 包装与食品机械，2024，42（4）：94-100.

WANG W H，LI Y，XU H Q，et al.Research on intelligent sorting technology and equipment for winter jujube based on deep learning［J］.Packaging and Food Machinery，2024，42（4）：94-100.

刘颖.基于机器学习的个人热舒适建模与控制方法研究［D］.南京：南京邮电大学，2022.

LIU Y.Research on the methods of personal thermal comfort modeling and control based on machine learning［D］.Nanjing：Nanjing University of Posts and Telecommunications，2022.

徐熊飞，周晓华，杨艺兴.改进CS优化RBF神经网络的汽车热舒适性预测［J］.广西科技大学学报，2023，34（4）：111-116.

XU X F，ZHOU X H，YANG Y X.Prediction of automobile thermal comfort based on RBF neural network optimized by improved CS［J］.Journal of Guangxi University of Science and Technology，2023，34（4）：111-116.

王海斌，程经纬，董杰，等.基于自适应多特征融合的12Cr1MoV钢球化等级智能判定研究［J］.压力容器，2025，42（5）：12-21.

WANG H B，CHENG J W，DONG J，et al.Research on intelligent determination of spheroidization grade for 12Cr1MoV steel based on adaptive multi‑feature fusion［J］.Pressure Vessel Technology，2025，42（5）：12-21.

2026年第54卷第2期

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1005-0329.2026.02.011

接收时间：2025-08-17
首发时间：2026-10-22
出版时间：2026-02-28

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-08-17
修回日期：2026-01-19

基金

作者信息

¹中国三峡新能源（集团）股份有限公司，北京 101100

²上海理工大学新能源车辆热管理综合评估实验室，上海 200093

³上海理工大学能源与动力工程学院，上海 200093

通讯作者:

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ltjx/CN/10.3969/j.issn.1005-0329.2026.02.011

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT