标准规范下载简介

GB／T 41743-2022 真空玻璃保温性能及其衰减快速检测评估方法 非稳态法.pdf简介：

GB/T 41743-2022 标准全称为《真空玻璃保温性能及其衰减快速检测评估方法 非稳态法》，这是一项关于真空玻璃的检测标准。真空玻璃是一种特殊的节能玻璃，通过在两层玻璃之间形成真空层，以提高其隔热性能，降低能量消耗。

非稳态法是一种测量保温材料保温性能的评估方法，它不是立即测量温度的变化，而是模拟实际使用环境，让系统在一段时间内（非稳态过程）达到平衡，记录温度随时间的变化，以此来评估材料的保温效果。这种方法能够更准确地反映材料在实际使用过程中的保温持久性和衰减情况。

在这个标准中，非稳态法被用来快速检测真空玻璃的保温性能，包括其初始的热阻、稳态热阻以及随时间的衰减情况。通过对真空玻璃的这些性能进行评估，可以为产品的设计、生产和质量控制提供科学依据。

GB／T 41743-2022 真空玻璃保温性能及其衰减快速检测评估方法 非稳态法.pdf部分内容预览：

下列文件的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅 该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单)适用于本文件。 GB/T8484一2020建筑外门窗保温性能检测方法 GB/T38586—2020真空玻璃

GB/T8484一2020建筑外门窗保温性能检测方法 GB/T38586—2020真空玻璃 术语和定义 下列术语和定义适用于本文件。 3.1 真空玻璃保温性能thermalinsulationperformanceforvacuuminsulatingglass 真空玻璃阻止热量从一侧向另一侧传递的能力。 注：真空玻璃保温性能一般用传热系数来表征。 3.2 保温性能衰减度declinedegreeof thermalinsulationperformance 传热系数在一定测试周期（一个月)的变化率。 注：保温性能衰减度可快速评估真空玻璃保温性能的衰减。

下列术语和定义适用于本文件。 3.1 真空玻璃保温性能thermalinsulationperformanceforvacuuminsulatingglass 真空玻璃阻止热量从一侧向另一侧传递的能力。 注：真空玻璃保温性能一般用传热系数来表征。 3.2 保温性能衰减度declinedegreeof thermalinsulationperformance 传热系数在一定测试周期（一个月）的变化率。 注：保温性能衰减度可快速评估真空玻璃保温性能的衰减。

基于瞬态响应，真空玻璃一侧(热端)温度迅速地阶跃上升，同时精确测量另一侧(测量端)较小的较 慢的温升，可获得真空玻璃非稳态传热特性（此温升过程在特征时刻的温度变化率与传热系数正相关)。 而此温度变化率检测会受到环境温度与温差的影响，所以，通过建立以测量端温度、环境温度与热端温 度为输人变量，以传热系数为输出变量的智能模型，可实现真空玻璃保温性能的快速检测与评估。 定期检测真空玻璃的保温性能，传热系数保持不变的时间为保温性能保持时间，从开始衰减的时间 到达到分级阈值的时间为保温性能衰减时间，可通过退化幂律模型拟合，以评估保温性能衰减趋势

“多审合一”施工图审查过程中 有争议的常见问题及处理意见5.1真空玻璃保温性能智能检测仪

真空玻璃保温性能智能检测仪由热端（由加热器、热端温度传感器及温度控制 测量端（由

真空玻璃保温性能智能检测仪由热端（由加热器、热端温度传感器及温度控制器组成）、测量端（由

测量端温度传感器及模数转换器组成）、环境温度检测系统（由环境温度传感器、温度测量仪组成)及计 算机系统组成，如图1所示

应由K型热电偶制成，与试样接触面积不大于5mm²，测量位置放在试样支撑点矩阵单元的正 且对应热端中心偏差不大于5mm，经模数转换器温度测量分辨率不低于0.001K。

度检测系统包括传感器及温度测量仪，温度测量分

计算机系统主要实现热瑞、测量端

试验在下述条件下进行： a 测量装置和待测试样不应阳光直射； 放置测量装置和试样的台面应无震动。

GB/T 417432022

试验在下述条件下进行： a） 测量装置和待测试样不应阳光直射； b) 放置测量装置和试样的台面应无震动。

.2.1 试样为真空玻璃，尺寸不小于300mm（长）×300mm（宽）。试样的支撑物排列规则，不应 失、明显移位等情况。 .2.2试样试验前，应置于6.1a）试验条件下不少于8h

6.3.1传热特性检测

6.3.1.1开启真空玻璃保温性能智能检测仪装置，预热30min。 6.3.1.2热端温度控制应高于环境温度40C～60C。 6.3.1.3待热端温度稳定后，将试样置于热端和测量端之间，并应接触良好。 6.3.1.4开始检测测量端温度，获得至少连续5min数据。

6.3.2保温性能检测

6.3.2.1智能模型建立

6.3.2.1.1制备系列基准样品，按GB/T8484—2020或GB/T38586—2020分别检测传热系数（U值或 K值)。 6.3.2.1.2用真空玻璃保温性能智能检测仪按6.3.1分别检测测量端温度，并记录相应的环境温度和热 端温度。 6.3.2.1.3按式(1)建立以测量端温度、环境温度、热端温度为输人变量，传热系数为输出变量的智能模 型，见附录A。

6.3.2.2保温性能检测

6.3.2.2.1取待测样品，按6.3.1检测测量端温度至少记录连续5min数据，并记录相应的环境温度和 热端温度。 6.3.2.2.2将6.3.2.2.1检测的测量端温度、环境温度、热端温度输人6.3.2.1.3所建智能模型，运行输出 传热系数，见附录A。

6.3.2.2.1取待测样品，按6.3.1检测测量端温度至少记录连续5min数据，并记录相应的环境温度和 热端温度。 6.3.2.2.2将6.3.2.2.1检测的测量端温度、环境温度、热端温度输人6.3.2.1.3所建智能模型，运行输出 传热系数，见附录A。

3.3保温性能衰减评估

6.3.3.1按6.3.2每月检测同一片真空玻璃传热系数一次，每次取连续三天平均值。按式（2)计算保温性 能衰减度，直到真空玻璃传热系数年增加0.1W/(m²·K)[对于传热系数小于或等于1.0W/(m²·K)的样 品]或者保温性能年衰减度达到10%以上[对于传热系数大于1.0W/(m²·K)的样品]时，记录保温性能保 持时间。 223，微纯每日检测支定对境体共至数，收年为爱次结示于平也生，生报18个月留期数报核收

6.3.3.1按6.3.2每月检测同一片真空玻璃传热系数一次，每次取连续三天平均值。按式（2)计算保温性 能衰减度，直到真空玻璃传热系数年增加0.1W/（m²·K)[对于传热系数小于或等于1.0W/（m²·K)的样 品]或者保温性能年衰减度达到10%以上[对于传热系数大于1.0W/(m”·K)的样品]时，记录保温性能保 持时间。 6.3.3.2继续每月检测真空玻璃传热系数一次，每次取连续三天平均值。依据12个月周期数据按附录

表B.1，预测出真空玻璃保温性能衰减时间。 6.3.3.3用保温性能保持时间和保温性能衰减时间来评估真空玻璃保温性能衰减趋势 注：真空玻璃真空寿命预测研究参见附录C

U 传热系数，单位为瓦每平方米开尔文[W/（m²·K)]； f 预测模型； t。 测量端温度，单位为摄氏度（C)； th 热端温度，单位为摄氏度（C)； t 环境温度，单位为摄氏度（℃）。

U=f(te,th，to)

U'一保温性能衰减度； U"—每月检测的传热系数，单位为瓦每平方米开尔文[W/（m²·K)]，n=1,2,…,12； U'一传热系数初始值，单位为瓦每平方米开尔文[W/（m²·K）]。 7.3 测量端温度在小数点后保留三位数字，环境温度和热端温度在小数点后保留两位数字。 7.4温度变化率在小数点后保留三位数字。 7.5 传热系数在小数点后保留两位数字。 7.6保温性能衰减度在小数点后保留两位数字。

试验报告至少应包括以下内容： a） 依据的标准(本文件编号)； b) 2 委托单位、生产单位及检测类别； c） 试样名称、产品信息、尺寸及编号： d） 使用仪器； e） 检测环境温度； f） 检测结果； g） 2 检测人员、审核人员及日期； h）检测单位。

试验报告至少应包括以下内容： a） 依据的标准(本文件编号)； b) 2 委托单位、生产单位及检测类别； c） 试样名称、产品信息、尺寸及编号； d） 使用仪器； e） 检测环境温度； f） 检测结果； g） 2 检测人员、审核人员及日期； h）检测单位。

附录A （规范性） 真空玻璃保温性能检测

附录A （规范性） 真空玻璃保温性能检测

图A.1随机森林法的结构原理

通过对训练数据进行回写采样，得到的样本数与原始数据集的样本数一致，有些样本数是重复的； 或者对训练数据进行不带回写的抽样，提取60%的原始样本构成数据集，其余作为检验误差的检验集。 将提取的样本作为生成的决策树，然后将提取的样本放回原始数据集进行新一轮的提取。这样，依次生 成的多个决策树就构成了一个随机森林。若采用随机森林分类，则每棵决策树的计算原则为基尼指数。 基尼指数是随机抽取的样本被错误分类的一种概率。基尼指数越低，样品被错误分类的概率就越低，这 意味着样品的纯度越高，样本集更高。基尼指数很高，就意味着样本集的纯度很低。基尼指数的计算方 法见公式（A.1）。

基尼指数等于样本被选中的概率乘以样本被分类错误的概率，其中，P：是样本属于k类的相 1一P)是样本不属于k类的概率，即分类错误的概率。对于回归问题，原则是最小均方误差。通 收据集进行随机分割，得到均方误差最小的数据集的分割点。c和c2分别是数据集样本的平均 直，具体计算方法见式（A.2）。

随机森林为每组重采样数据集训练一个最优模型，共k个模型。令X：为随机可放回抽样的子数据集 的N维变量，根据可返回采样并使用相同模型的子数据集的相似性，每个模型具有近似相等的偏差和 方差，模型的分布也大致相同，但不是独立的（因为子数据集之间存在重复变量)。基于集成学习的套袋

方法，可从该方法的角度分析随机森林的偏差和方差，计算方法见式（A.3）。

采用极限分析法对袋装法的方差问题进行分析【浙江省】建筑信息模型（BIM）应用统一标准DB33/T1154-2018，将其分为两种不同的情况。

式(A.4)和式（A.5)分别表示模型完全相同和模型完全独立的两种情况。结论是，套袋方法的子数 据集既不完全相同，也不完全独立，子数据集之间存在相似性，方差值介于两种情况之间，可用公式法分 析袋装模型的方差，见式（A.6)~式（A.9）。

机森林的主要功能是降低模型的复杂度，解决过

智能模型构建如图A.2所示。

图A.2智能模型构建

以测量端温度、环境温度、热端温度为输人变量，传热系数为输出变量DB62／T 3081-2018 绿色建筑施工与验收规范.pdf，构成样本数据集。 其中，测量端温度需取至少连续5min的数据，按式（A.10)计算第5分钟温度变化率，为中间变量

GB/T 417432022