外文翻譯-鍋爐用人工神經(jīng)網(wǎng)絡(luò)模型和信息分析及外文翻譯-空氣溫度和相對(duì)濕度對(duì)豬生理健康的影響

附件二(外文文獻(xiàn))Constrainedoptimizationofcombustioninasimulatedcoal-firedboilerusingartificialneuralnetworkmodelandinformationanalysisAbstractCombustioninaboileristoocomplextobeanalyticallydescribedwithmathematicalmodels.Tomeettheneedsofoperationoptimization,on-siteexperimentsguidedbythestatisticaloptimizationmethodsareoftennecessarytoachievetheoptimumoperatingconditions.Thisstudyproposesanewconstrainedoptimizationprocedureusingartificialneuralnetworksasmodelsfortargetprocesses.Informationanalysisbasedonrandomsearch,fuzzyc-meanclustering,andminimizationofinformationfreeenergyisperformediterativelyintheproceduretosuggestthelocationoffutureexperiments,whichcangreatlyreducethenumberofexperimentsneeded.Theeffectivenessoftheproposedprocedureinsearchingoptimaisdemonstratedbythreecasestudies:(1)abench-markproblem,namelyminimizationofthemodifiedHimmelblaufunctionunderacircleconstraint;(2)bothminimizationofNOxandCOemissionsandmaximizationofthermalefficiencyforasimulatedcombustionprocessofaboiler;(3)maximizationofthermalefficiencywithinNOxandCOemissionlimitsforthesamecombustionprocess.ThesimulatedcombustionprocessisbasedonacommercialsoftwarepackageCHEMKIN,where78chemicalspeciesand467chemicalreactionsrelatedtothecombustionmechanismareincorporatedandaplug-flowmodelandaload-correlatedtemperaturedistributionforthecombustiontunnelofaboilerareused.IntroductionAlthoughtherehavebeenalotofexperimentalandtheoreticalstudiesonthebasicphysicalandchemicalprinciplesofaboiler’soperation,andgreatadvancehasbeenmadeinunderstandingvariousaspectsoftheoperation,itisstillimpracticable,asCaravelleandcoworkers[1]havejustpointedout,tocoupledetailedfluiddynamicsandkineticsinthecombustionsystemdesignevenwiththecontinuousincreaseofcomputerpower,nottomentiontosimulateaboileranditsvariousauxiliarysubsystemsasawhole.Iffuelandenvironmentconditionsarespecified,thethermalefficiencyofagivenboilerdependsmainlyontheairtofuelratio,andonthedistributionofairandfueltoburnersatdifferentlocationsiftwoormoreburnersareused.Fordifferentfuelsanddifferentfurnaceconfigurations,thebestairtofuelratioandthebestairandfueldistributionsaresurelydifferent,whichmayberoughlyestimatedbyanalysisbutcanonlybedeterminedaccuratelybytestingruns.Asforthecontroloftracepollutantemissions(intermsofppmorppdNOx,SO2,etc.)ofaboiler,allofsuchuncertainfactorsasfuelcompositions,complexityofflowandtemperaturefieldsintheburningchamber,andthecomplicatedmechanismofchemicalreactionsmakemodelpredictionhighlyunreliable.Theinabilityoftheoreticalanalysismakesempiricalapproachesnecessarytoexploretheoptimumoperationconditionsofaboiler.Nardinetal.[2]usedfractionalfactorialdesignprocedureandidentifiedtheimportantfactorsofNOxreductioninafluidizedbedcombustor(FBC)withprimarymeasuresandselectivenon-catalytic-reduction.Henrytonetal.[3]performedanoptimizingcontrolofNOxandSO2emissionsintheFBCprocessbasedonstaticmodelswhichwereregressedfromexperimentaldata.George[4]suggestedaboilertestsysteminordertomonitorNOxemissionsthroughoptimizingvariousoperationconditionsinacomprehensiveandsystematicalmanner,andclaimedthatachievingNOxemissionreductiontargetsdoesnotnecessarilymeanequipmentretrofitsorpoorboilerperformance.Thecapabilityofartificialneuralnetworks(ANNS)asauniversalmodelingtoolhasbeenwidelyrecognizedinthelast20years,andCyberpunk[5]showedthatANNScouldapproximateanyarbitrarynon-linearfunctions.ANNSofferanalternativeapproachtomodelprocessbehavior,astheydonotrequireaprioriknowledgeoftheprocessphenomena.Theylearnbyextractingimpedepatternsfromdatathatdescribetherelationshipbetweentheinputsandtheoutputsinanygivenprocessphenomenon.WhenappropriateinputsareappliedtoanANN,theANNacquires‘knowledge’fromtheenvironmentinaprocessknownas‘learning’.Asaresult,theANNassimilatesinformationthatcanberecalledlater.ANNSarecapableofhandlingcomplexandnon-linearproblems,processinginformationrapidlyandreducingtheengineeringeffortrequiredinmodeldevelopment.ANNShavebeensuccessfullyappliedtoavarietyofproblemssuchasprocessfaultdiagnosis,systemidentification,patternrecognition,processmodelingandcontrol,andstatisticaltimeseriesmodeling.Karyological[6]gaveareviewontheapplicationofANNSinenergysystems.Reifmanetal.[7]developedanintelligentemissionscontrollerforfuelgasre-burningincoal-firedpowerplant,andintheirstudy,afeed-forwardneuralnetwork(FFN)wasusedtomodelthestaticnon-linearrelationshipsbetweenthedistributionofinjectednaturalgasintotheupperregionofthefurnaceofacoal-firedboilerandthecorrespondingoxidesofnitrogenemissionsexitingthefurnace.ZHOUetal.[8]usedanANNmodelandgeneticalgorithmstooptimizelowNOxpulverizedcoalcombustion.OtherinstancesofANNSappliedinsolvingcombustionproblemsinclude:modelingthetemporalevolutionofareducedcombustionsystem[9],predictingcoalashfusiontemperature[10],predictingcoal/charcombustionrate[11],conductingmodelpredictivecontrolinthermalpowerplant[12],etc.Itisobviousthatoptimizationofcomplexsystemssuchasthecombustionprocessofaboilerisatrial-and-errorprocess.Insuchaniterativeprocess,experimentaltestisperformed,andthetestdataareanalyzed,andfurthertestissuggestedbasedontheanalysis,andsuchiterationscontinueuntilsatisfactoryperformanceisachieved.Inthisstudy,anoveloptimizationprocedureisproposedbyextendingtheexperimentaldesignmethoddevelopedbytheauthors[13]toconstrainedcases,andisusedtosearchforthebestoperationconditionsofasimulatedcoal-firedcombustionprocess.TheproposedoptimizationprocedureusesANNstomodeltherelationshipoftheperformanceindexwithvariousoperatingvariables,searchesthebuiltresponsesurfaceunderconstraintstoproducecandidatepointsofnextbatchoftest,determinesthetestpointsofnextbatchthroughinformationanalysis.Thisprocedureworksiterativelyandoptimumconditionsareexpectedafterseveralbatchesoftest.Themajoradvantagesoftheproposedprocedureareitsabilitiestodealwithmultivariables,topreciselydeterminethenumberandlocationoffuturetestexperiments,toconsiderthenon-catalyticalconstraints,andtolocatemultipleoptima.Theobjectiveofthisstudyistodemonstratetheeffectivenessoftheproposedoptimizationprocedureinsearchingfortheoptimumoperationconditionsofaboiler.Inthefollowingcontext,asimplifiedmodelforthecombustionprocessofacoal-firedboilerisbuilt,andtheoptimizationprocedureisintroducedandisappliedtooptimizetheoperationconditionsofthesimulatedcombustionprocess.Itshouldbenotedthattheintentofthispaperistodescribetheproposedoptimizationprocedureandtoshowitspowerinimprovingtheoverallperformanceofaboiler’scombustionprocesstoachieveashighthermalefficiencyandaslowpollutantemissionsaspossibleandnottoprovideanin-depthanalysisofaboiler’scombustionbehavior.Itshouldbenotedthattheabovemodelforcombustionisroughlyestimatedinthefollowingaspects.(a)Plug-flowisassumedthroughthecombustiontunnel.(b)HomogeneousreactionisusedinthecombustionprocessandthecontributionofunburntcharintheashtoNOxandCOformationisnotincluded.(c)Temperatureprofileusedinthisstudyisjustanestimatebecauseitiscorrelatedtocomplexheattransfer,flowfieldandotherfactors.(d)ThermalefficiencydefinedinEq.(4)isincomplete,sinceheatlosscausedbyashandwaterdischarge,byincompletelyburntcoalparticles,andbysurfaceconvectionwithandradiationtotheatmosphere,etc.isneglected.(e)Theincludedchemicalspeciesandreactionsareapproximatetothetruemechanismofchemicalchangeinthecombustionprocess.(f)Compositionsofcoalandairaresimplifiedwithoutconsideringashandwater.Theaboveconsiderationsandassumptionsinmodelbuildingwillsurelyproducesomeshiftanddistortiontothetruerelationshipamongallthevariablesofthecombustionprocess.Asaprimaryapproximation,however,themodelisbasedonthefundamentalmaterialandenergybalanceequationsandincludesallthemainaspectsofthecombustionprocess,anditisourbeliefthatthemodelisqualitativelycorrectandiscomplicatedenoughtoserveasanexampletodemonstratetheeffectivenessofanoptimizationprocedure.2.ProductionofcandidateoptimumpointsThisstepistogetanoverallunderstandingoftheresponsesurfacerepresentedbythesecondarymodelinthewholerangeofdesign/operationvariableswitharandomsearchmethod.Theresultofthisstepistheproductionofanear-optimumpopulationofpoints,orcandidateoptimumpoints,fulfillingalltheconstraints.Inproductandprocessdevelopmentthefeatureofinterestistheoptimaloperatingcondition.Multiplelocaloptimaarefrequentlyencountered.Itisoftennecessarytoratealternativelocaloptimabasedonsecondaryobjectivessuchassafety,robustness,andsoon.Thereforeanongradedsearchtechniqueisadoptedhere.Implementationofrandomsearchinthisstepisstatedindetailelsewhere[13].Randomsearchconvergestheoreticallytotheglobaloptimum,andseveralnon-gradientoptimizationmethodsaredetailedbyJANGetal.[19].3.DiscussionandconclusionIthasbeenknownthatdelayingthemixingofthecombustionairwiththefuel(i.e.airstaging)isaneffectivemeanstoreduceproductionofNOxinthecombustionprocess[22].Alsoweknowthatthereexistsabestairratioatwhichthermalefficiencyachievesthemaximumforagivenfuelandagivencombustionequipment.Fromthesebasicprinciplesofcombustion,theoptimumconditionsfortheabovetwocasesarejustified.Theimprovementofthermalefficiencyfrom72.4%inCase1to73.8%inCase2showsthegreatsignificanceinoptimizingtheoperationofboilers.Itshouldbenotedthattheresultsofoptimizationdependonvariousboundaryconditionssuchascoaltypes,furnaceconfigurations,seasonalatmosphericconditions,etc.Theabovecasestudiesonlyserveasexamplestodemonstrateouroptimizationstrategy.References[1]FARAVELLIT,BUAL,FRASSOLDATIA,ANTIFORAA,TogliattiL,RANZIE.AnewprocedureforpredictingNOxemissionsfromfurnaces.COMPUTChemENGNG2001;25:613.[2]NORDINA,ERIKSSONL,OHMANM.NOreductioninafluidizedbedcombustorwithprimarymeasuresandselectivenon-catalyticreduction.Fuel1993;74(1):128.[3]HenttonenJ,KojoIV,KortelaU.OptimizingcontrolofNOxandSO2emissionsintheFBCprocess.JInstEnergy1992;65:118.[4]GeorgeEM.NOxcontrolthroughboileroptimization.PowerEngng1994;Feburary:29.[5]CybenkoG.Approximationbysuperpositionsofasigmoidalfunction.MathControlSignSyst1989;2:303.[6]KalogirouSA.Applicationsofartificialneuralnetworksinenergysystems:areview.EnergyConversionMgmt1999;40:1073.[7]ReifmanJ,FeldmanEE,WeiTYC,GlickertRW.Anintelligentemissionscontrollerforfuelleangasre-burnincoal-firedpowerplants.JAirWasteMgmtAssoc2000;50:204–51.[8]ZhouH,CenK,MaoJ.CombiningneuralnetworkandgeneticalgorithmstooptimizelowNOxpulverizedcoalcombustion.Fuel2001;80:2163.[9]BlascoJA,FueyoN,DopazoC,BallesterJ.Modelingthetemporalevolutionofareducedcombustionchemicalsystemwithanartificialneuralnetwork.CombustFlame1998;113:38.[10]YinC,LuoZ,NiM,CenK.Predictingcoalashfusiontemperaturewithaback-propagationneuralnetworkmodel.Fuel1998;77:1777.[11]ZhuQ,JonesJM,WilliamsA,ThomasKM.Thepredictionsofcoal/charcombustionrateusinganartificialneuralnetworkapproach.Fuel1999;78:1755.[12]PrasadG,SwidenbankE,HoggBW.Alocalmodelnetworksbasedmultivariablelong-rangepredictivecontrolstrategyforthermalpowerplant.Automatica1998;34(10):1185.[13]ChenJ,WongDSH,JangS-S,YangS-L.Productandprocessdevelopmentusingartificialneural-networkmodelandinformationanalysis.AIChEJ1998;44(4):876[14]ChienCI.Operationoptimizationoftheboilerofacogenerationplant:higherthermalefficiencyandlowerNOxemissions.ThesisofMasterDegree,NationalTsinghuaUniversity,Taiwan;2001.[15]KalmanBL,KwasnySC.WhyTanh?Choosingasigmoidalfunction.IntJointConfNeuralNetworks,Baltimore,MD1992;.[16]HertzJ,KroghA,PalmerRG.Introductiontothetheoryofneuralcomputation.NewYork:Addison-Wesley;1991.[17]GorodkinJ,HansenLK,KroghA,SavrerC,WintherO.Aquantitativestudypruningbyoptimalbraindamage.IntJNeuralSyst1993;4:159.(中文翻譯)鍋爐用人工神經(jīng)網(wǎng)絡(luò)模型和信息分析摘要在鍋爐的燃燒是一種非常復(fù)雜的數(shù)學(xué)模型進(jìn)行的分析和描述。為了滿足優(yōu)化操作，現(xiàn)場(chǎng)實(shí)驗(yàn)的統(tǒng)計(jì)優(yōu)化方法指導(dǎo)往往是必要的，以達(dá)到最佳的工作條件下。本研究提出了一種新的約束優(yōu)化程序，利用人工神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)processes.Information分析的基礎(chǔ)上隨機(jī)搜索，模糊C-均值聚類(lèi)，信息的自由能最小化執(zhí)行過(guò)程中的迭代建議未來(lái)的實(shí)驗(yàn)中的位置，從而可以大大減少所需的實(shí)驗(yàn)的數(shù)目。在搜索最優(yōu)解所提出的方法的有效性，證明了三個(gè)案例研究：（1）基準(zhǔn)標(biāo)記的問(wèn)題，即一個(gè)圓約束下的的改性希梅爾布勞功能的最小化，（2）兩者的NOx和CO排放量和一個(gè)模擬的鍋爐的燃燒過(guò)程的熱效率最大化的最小化，（3）最大化熱效率在相同的燃燒過(guò)程中氮氧化物和一氧化碳的排放限值。模擬燃燒過(guò)程的基礎(chǔ)上，其中化學(xué)物種和有關(guān)的化學(xué)反應(yīng)的燃燒機(jī)制引入一個(gè)商業(yè)軟件包CHEMKIN和一個(gè)活塞式流動(dòng)模型和一個(gè)負(fù)載關(guān)聯(lián)使用的鍋爐的燃燒隧道的溫度分布。介紹雖然已經(jīng)出現(xiàn)了大量的實(shí)驗(yàn)和理論研究，對(duì)鍋爐的操作，物理和化學(xué)的基本原則和巨大的進(jìn)步已經(jīng)取得了各方面的理解操作，它仍然是行不通的，為Faravelli和他的同事剛才指出的，他們利用詳細(xì)的流體動(dòng)力學(xué)和動(dòng)力學(xué)的燃燒系統(tǒng)設(shè)計(jì)的不斷增加的計(jì)算能力，更遑論模擬鍋爐和它的各種形態(tài)輔作為一個(gè)整體的子系統(tǒng)。如果燃料和環(huán)境條件被指定，一個(gè)給定的鍋爐的熱效率取決于主要強(qiáng)奎的空氣燃料比，和到燃燒器的空氣和燃料的分布在不同的位置上，如果使用兩個(gè)或多個(gè)燃燒器。對(duì)于不同的燃料，不同爐配置，最佳的空氣燃料比和最佳的空氣和燃料的分布一定的不同，可通過(guò)分析粗略估計(jì)，但是只能精確地確定通過(guò)測(cè)試運(yùn)行。至于鍋爐痕量污染物的排放的控制（在ppm或ppb氧化氮，二氧化硫等方面），所有的作為燃料組合物，在燃燒腔室的流動(dòng)和溫度場(chǎng)的復(fù)雜性，和復(fù)雜的機(jī)構(gòu)等不確定因素化學(xué)反應(yīng)使模型的預(yù)測(cè)非常不可靠。無(wú)力的理論分析進(jìn)行了實(shí)證的方法，有必要探討鍋爐的最佳運(yùn)行條件。使用分?jǐn)?shù)因子設(shè)計(jì)程序確定原發(fā)性措施和選擇性非catalyticreduction一個(gè)流化床燃燒器（FBC）中的NOx還原是重要因素。進(jìn)行優(yōu)化控制FBC靜態(tài)模型，從實(shí)驗(yàn)數(shù)據(jù)進(jìn)行回歸分析的基礎(chǔ)上的氮氧化物和二氧化硫的排放量。喬治提出了鍋爐的測(cè)試系統(tǒng)，以監(jiān)測(cè)在全面而系統(tǒng)的方式，通過(guò)優(yōu)化各種操作條件下氮氧化物的排放，他并聲稱(chēng)，實(shí)現(xiàn)氮氧化物減排目標(biāo)并不一定意味著設(shè)備翻新或鍋爐性能差。人工神經(jīng)網(wǎng)絡(luò)（人工神經(jīng)網(wǎng)絡(luò)）作為一種通用的建模工具的能力已經(jīng)得到了廣泛的認(rèn)可，在過(guò)去的20年里，CYBENKO表明，人工神經(jīng)網(wǎng)絡(luò)可以近似任意非線性函數(shù)。人工神經(jīng)網(wǎng)絡(luò)模型的過(guò)程行為提供一種替代方法，因?yàn)樗鼈儾恍枰闰?yàn)知識(shí)的過(guò)程現(xiàn)象。他們學(xué)習(xí)和描述在任何給定的過(guò)程中的現(xiàn)象的輸入和輸出之間的關(guān)系的數(shù)據(jù)，通過(guò)提取嵌入的圖案。在適當(dāng)?shù)臅r(shí)候輸入施加到人工神經(jīng)網(wǎng)絡(luò)，“ANN收購(gòu)”知識(shí)“的環(huán)境，被稱(chēng)為”學(xué)習(xí)“的過(guò)程中。其結(jié)果是，將ANN同化的信息，可以購(gòu)買(mǎi)回顧。人工神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜的和非線性的問(wèn)題，迅速的處理信息和減少模型開(kāi)發(fā)所需的工程努力。人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成功地應(yīng)用于過(guò)程故障診斷，系統(tǒng)辨識(shí)，模式識(shí)別，過(guò)程建模與控制，統(tǒng)計(jì)時(shí)間序列建模的各種問(wèn)題，如KALOGIROU回顧了人工神經(jīng)網(wǎng)絡(luò)能源系統(tǒng)的應(yīng)用。他開(kāi)發(fā)了一種智能的排放量控制器，氣體燃料燃燒的燃煤電廠，并在他們的研究中，前饋神經(jīng)網(wǎng)絡(luò)（FFN）來(lái)模擬靜態(tài)非線性分布之間的關(guān)系注入天然氣轉(zhuǎn)化成的上部區(qū)域的燃煤鍋爐的爐中，和相應(yīng)的氧化物的排出爐內(nèi)的氮排放。ZHOU等人利用人工神經(jīng)網(wǎng)絡(luò)模型和遺傳算法優(yōu)化的低NOx煤粉燃燒。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于解決燃燒問(wèn)題的其他實(shí)例包括：減少燃燒的時(shí)間演化建模，并系統(tǒng)預(yù)測(cè)煤灰熔融溫度，預(yù)測(cè)煤炭/焦炭燃燒速率，進(jìn)行的模型預(yù)測(cè)控制在火電廠。復(fù)雜的優(yōu)化系統(tǒng)，如鍋爐的燃燒過(guò)程是一個(gè)反復(fù)試驗(yàn)和錯(cuò)誤的過(guò)程，這是顯而易見(jiàn)的。在這樣一個(gè)迭代的過(guò)程中，進(jìn)行了實(shí)驗(yàn)測(cè)試，以及測(cè)試數(shù)據(jù)進(jìn)行分析，并建議進(jìn)一步測(cè)試分析的基礎(chǔ)上，和與該迭代繼續(xù)，直到實(shí)現(xiàn)令人滿意的性能。在這項(xiàng)研究中，提出一種新的優(yōu)化過(guò)程通過(guò)延伸作者開(kāi)發(fā)的實(shí)驗(yàn)設(shè)計(jì)方法，他在約束的情況下，用于搜索一個(gè)模擬的燃煤燃燒過(guò)程的最佳的操作條件。建議的優(yōu)化過(guò)程使用的人工神經(jīng)網(wǎng)絡(luò)，以與各種操作變量的性能指標(biāo)的關(guān)系建模，搜索內(nèi)置的響應(yīng)面產(chǎn)生測(cè)試的下一批的候選點(diǎn)的約束條件下，通過(guò)信息分析確定下次批次的測(cè)試點(diǎn)。這個(gè)過(guò)程是迭代的，最佳的條件，預(yù)計(jì)后幾批的測(cè)試。所提出的方法的主要優(yōu)點(diǎn)是它的處理多變量，精確地確定的數(shù)量和位置，未來(lái)的測(cè)試實(shí)驗(yàn)中，考慮非分析的限制，并找到多個(gè)最優(yōu)解的能力。本研究的目的是為了演示的建議的優(yōu)化過(guò)程的有效性，在搜索的鍋爐的最佳的操作條件。在以下的情況下，內(nèi)置的燃煤鍋爐的燃燒過(guò)程的簡(jiǎn)化模型和優(yōu)化程序，被引入和被施加到優(yōu)化的模擬燃燒過(guò)程的操作條件。它應(yīng)該被指出的，本文的意圖是來(lái)描述的建議優(yōu)化程序和以顯示它的力量在改善的整體性能的一個(gè)鍋爐的燃燒過(guò)程中實(shí)現(xiàn)熱效率高和低污染物排放量盡可能降低，且不提供一個(gè)在鍋爐的燃燒行為的深入分析。應(yīng)當(dāng)指出，在以下幾個(gè)方面粗略估計(jì)上述模型用于燃燒。（一）假設(shè)插件流通過(guò)燃燒隧道。（二）均相反應(yīng)在燃燒過(guò)程中使用，飛灰中的未燃燒的炭，NOx和CO的貢獻(xiàn)的形成是不包括在內(nèi)。（三）溫度更新本研究中使用的僅僅是一個(gè)估計(jì)值，因?yàn)樗菑?fù)雜的傳熱，流場(chǎng)和其他因素相關(guān)。（四）不完整性，由于熱損失引起的灰分和水排出，由不完全燒的煤顆粒，并通過(guò)表面對(duì)流與輻射到大氣中等被忽略。（五）在包含的化學(xué)物種和反應(yīng)在燃燒過(guò)程中的化學(xué)變化的真正機(jī)理是近似的。（六）煤和空氣的組合物不考慮灰分和水的情況下簡(jiǎn)化。上述考慮和建立模型的假設(shè)，一定會(huì)產(chǎn)生一些移位和失真的真實(shí)的燃燒過(guò)程中的所有的變量之間的關(guān)系。然而，作為一個(gè)主要的近似模擬，該模型的基礎(chǔ)上的基本材料和能量平衡方程，并包括所有在燃燒過(guò)程中的主要方面，這是我們的信念，該模型定性是正確的，已經(jīng)夠復(fù)雜了，作為一個(gè)例子來(lái)說(shuō)明優(yōu)化過(guò)程的有效性。生產(chǎn)的候選最佳點(diǎn)這一步是為了得到一個(gè)全面的了解，在整個(gè)范圍內(nèi)的一個(gè)隨機(jī)搜索方法的設(shè)計(jì)/操作變量的二次模型為代表的響應(yīng)面。這一步的結(jié)果是一個(gè)人口接近最佳點(diǎn)，或候選人的最佳生產(chǎn)點(diǎn)，滿足所有的約束條件。模擬特征是在產(chǎn)品和工藝開(kāi)發(fā)的最佳工作條件。多個(gè)局部最優(yōu)解中經(jīng)常遇到的問(wèn)題。率替代基于局部最優(yōu)的次要目標(biāo)，如安全性，耐用性，所以它往往是必要的。因此，一個(gè)nongradient搜索技術(shù)在這里通過(guò)。在此步驟中的隨機(jī)搜索實(shí)現(xiàn)按的詳細(xì)文獻(xiàn)[13]。理論上，隨機(jī)搜索收斂到全局最優(yōu)。3.討論與結(jié)論總所周知的延遲的燃燒，用空氣與燃料的混合（即空氣分期）是一種有效的手段，以減少在燃燒過(guò)程中的NOx的生產(chǎn)。此外，我們知道，存在一個(gè)最佳的空氣比熱效率達(dá)到最大，對(duì)于給定的燃料和一個(gè)給定的燃燒設(shè)備。從這些基本原則燃燒，上述兩種情況的最佳條件是有道理的。提高熱效率鍋爐優(yōu)化運(yùn)行具有十分重要的意義。應(yīng)該指出的是優(yōu)化的結(jié)果依賴于不同的邊界條件，如煤的類(lèi)型，爐配置，季節(jié)性的大氣條件下，等以上的情況下研究只作為例子，以說(shuō)明我們的優(yōu)化策略。參考文獻(xiàn)[1]T，布阿L，F(xiàn)rassoldati一個(gè)，Antifora一個(gè)，Tognotti?，RanziE.AFaravelli從爐的氮氧化物排放量預(yù)測(cè)的新程序。COMPUT化學(xué)Engng2001年，25:613。[2]諾丁甲，埃里克森L，奧曼M.在流化床中進(jìn)行NO還原的燃燒室與主措施和選擇性非催化減少。燃料1993年，74（1）：128。[3]HenttonenJ，科喬IV，Kortela的U.優(yōu)化控制NOx和SO2FBC過(guò)程中的排放量。?研究所能源1992;65:118。[4]喬治·EM。鍋爐氮氧化物控制通過(guò)優(yōu)化。電源Engng1994年二月29。[5]CybenkoG.逼近疊加的S形曲線功能。數(shù)學(xué)控制標(biāo)志SYST1989;2:303.[6]KalogirouSA。人工神經(jīng)網(wǎng)絡(luò)在能源的應(yīng)用系統(tǒng)：檢討。能源轉(zhuǎn)換MGMT1999;40:1073。[7]ReifmanJ，費(fèi)爾德曼EE，魏TYCRWGlickert。智能燃料的排放量控制器重新燒燃煤電廠植物。J空氣廢物MGMT副教授2000;50:204-51。[8]周H，岑K表，毛J.結(jié)合神經(jīng)網(wǎng)絡(luò)和遺傳低NOx煤粉燃燒優(yōu)化算法。燃料2001年80:2163。[9]布拉斯科JA，F(xiàn)ueyo?，Dopazo?，BallesterJ.建模的時(shí)間減少燃燒化學(xué)系統(tǒng)與人工演化神經(jīng)網(wǎng)絡(luò)。1998年燃燒的火焰;113:38。[10]尹C，羅?，NIM，岑K.預(yù)測(cè)煤灰熔融溫度與BP神經(jīng)網(wǎng)絡(luò)模型。燃料1998年，77:1777。[11]朱Q，瓊斯JM，威廉姆斯，托馬斯KM。預(yù)測(cè)的煤/中焦炭燃燒率，采用人工神經(jīng)網(wǎng)絡(luò)方法。燃料1999年，78:1755。[12]·普拉薩德·SwidenbankE，G，：霍格體重。一個(gè)局部模型網(wǎng)絡(luò)火電的多變量預(yù)測(cè)控制遠(yuǎn)程戰(zhàn)略廠。自動(dòng)化，1998，34（10）：1185。[13]陳炯，黃DSH，張S-S，：楊S-L。產(chǎn)品和工藝?yán)萌斯ど窠?jīng)網(wǎng)絡(luò)模型和信息分析的發(fā)展。AICHE1998，44（4）：876[14]簡(jiǎn)CI。熱電聯(lián)產(chǎn)的鍋爐運(yùn)行優(yōu)化廠：更高的熱效率，降低氮氧化物的排放。臺(tái)灣國(guó)立清華大學(xué)，碩士，論文;2001年。[15]卡爾曼BL，KwasnySC。為什么雙曲正切？選擇的S形曲線的功能。詮釋聯(lián)合CONF神經(jīng)網(wǎng)絡(luò)，1992年馬里蘭州巴爾的摩市。[16]赫茲克羅A，J，帕爾默RG。簡(jiǎn)介理論，神經(jīng)計(jì)算。紐約：Addison-Wesley出版社，1991。[17]GorodkinJ，漢森LK，克羅一個(gè)，Savrer?，溫德O.一個(gè)修剪的最佳腦損傷的定量研究。研究神經(jīng)SYST1993;4:159?？諝鉁囟群拖鄬?duì)濕度對(duì)豬生理健康的影響介紹這項(xiàng)研究是關(guān)注在環(huán)境溫度和濕度變化的影響，體溫，呼吸頻率，脈搏，和豬的其他因素。也有人希望知道在什么溫度和濕度下豬是飼料轉(zhuǎn)化是最高的。一些研究者已經(jīng)研究，在極端的環(huán)境溫度的影響下的豬的體溫和呼吸頻率較高。同樣，幾個(gè)工人研究高溫和低溫的飼料利用率的效果，臨界溫度也得到了重視。早在1883年謝爾頓（1883）報(bào)道，在冬季在無(wú)保護(hù)的開(kāi)放環(huán)境下的豬比住在地下室的一個(gè)溫暖的谷倉(cāng)里的相似的豬需要更多的飼料大約25％。在加拿大的渥太華，在冬季的幾個(gè)月在小單育雛的母豬小屋的成本比常規(guī)育雛的母豬的房子要高出25％（Grisdale，1904）。在一個(gè)相似幼豬的測(cè)試中，那些美聯(lián)儲(chǔ)內(nèi)部獲得更為迅速，所需飼料轉(zhuǎn)化率較高，收益也是較低的。帕爾默（1917）曾報(bào)道過(guò)，由于太陽(yáng)直射使大氣溫度和相對(duì)濕度百分比增加。加上處理和鍛煉使豬的體溫增加。Tangl（1912）報(bào)道，禁食豬體重大約100磅的臨界溫度為20-23攝氏度（68-74華氏度）。他還表明，體重超過(guò)200磅的豬的臨界溫度低于17攝氏度（63華氏度）?？ㄆ账沟倏撕湍静模?922）報(bào)道，300磅禁食豬的臨界溫度是21攝氏度（70華氏度）。戴頓（1929年）的工作證實(shí)了這些早期的發(fā)現(xiàn)，他的結(jié)果表明，臨界溫度為16攝氏度（61華氏度）左右。杰克遜（1938年）的一份報(bào)告表明，當(dāng)大氣溫度平均為83度，豬會(huì)吃更多的飼料，它們還會(huì)一起打滾，比同類(lèi)飼料豬投入的更經(jīng)濟(jì)，體重增加的更迅速。實(shí)驗(yàn)結(jié)果與討論在我們的研究中使用的是絕緣測(cè)量9個(gè)由14英尺乘7英尺高的空調(diào)房間濕度的房間。通過(guò)腔室的空氣運(yùn)動(dòng)是相對(duì)恒定的（每分鐘20至30英尺）的空氣溫度和相對(duì)濕度可以控制在這些實(shí)驗(yàn)中的極限。純種杜洛克新澤西州或波蘭中國(guó)豬，或他們的第一代交叉，在這些試驗(yàn)中使用。他們?cè)谝粋€(gè)開(kāi)放的環(huán)境下用口糧喂養(yǎng)，每天要進(jìn)行兩次這樣的飼喂，如果他們有了的排泄物將會(huì)被清理：水會(huì)提供讓他們進(jìn)行自由的采食。在第一次試驗(yàn)中，它通過(guò)提供一個(gè)標(biāo)準(zhǔn)的澆水杯和一個(gè)普通水表。隨后，它被發(fā)現(xiàn)更理想的使用在右手遠(yuǎn)角圖1所示的澆水裝置。這可以防止水飛濺。供給一個(gè)加侖的水箱，通過(guò)重力讓水流從油箱進(jìn)入（上可見(jiàn)，圖1的后壁）。馴化的豬（一組兩個(gè)，三個(gè)或四個(gè)）在70華氏度，通常至少有一個(gè)星期，而他們被訓(xùn)練的越來(lái)越習(xí)慣于周?chē)沫h(huán)境以及空氣的溫度，然后改變隨意測(cè)試。整個(gè)測(cè)試期間空氣溫度盡可能恒定在一個(gè)固定的溫度。測(cè)試期間，通常長(zhǎng)為七天，偶爾會(huì)出現(xiàn)變化。直腸體溫讀數(shù)，脈沖使用聽(tīng)診器和呼吸速率（每分鐘呼吸），每天服用兩次，在早晨喂奶前，或者在下午晚些時(shí)候。我們已經(jīng)進(jìn)行了六個(gè)不同的試驗(yàn)。一直在關(guān)注這四個(gè)變化溫度和相對(duì)濕度的變化?？諝鉁囟鹊挠绊懮醿?nèi)的下限溫度是華氏40度。在這些實(shí)驗(yàn)中使用的是由我們的冷卻設(shè)備制冷來(lái)提供一個(gè)溫度值，由同樣的能夠承受熱環(huán)境相同的豬來(lái)進(jìn)行試驗(yàn)。體溫，呼吸和脈搏率。由于空氣的溫度上升至華氏40度，體溫和呼吸速率（每分鐘呼吸次數(shù)）增加（圖2）。兩個(gè)試驗(yàn)的結(jié)果（有代表性的）在圖2中給出。他們說(shuō)明了影響反應(yīng)的豬體重的差異，在一個(gè)給定的高溫度比重量超過(guò)150磅的豬體重在150磅的豬更舒適。重量更輕的動(dòng)物可以保持在約115華氏度的溫度下，而這是不可能的超過(guò)100華氏度采取較重的豬飼料消費(fèi)，日增重，飼料利用率，和水的消耗。在圖3中示出的增加飼料消耗上的空氣的溫度的效果。減少飼料消耗的空氣的溫度上升至40?100華氏度，出現(xiàn)這種減少是在較高的溫度下更快速。平均日增重也隨氣溫的變化（圖3）體重166至260磅的豬在60華氏度附近的上漲最為迅速，而重量更輕的動(dòng)物，體重70至144英鎊，上漲最為迅速的約75華氏度產(chǎn)生100磅的增益所需的飼料量是在最小增益的速率時(shí)，在最大（圖3）。低于和高于這些溫度下，約60華氏度的重量較重的豬和大約75華氏度為較輕的豬，飼料的利用率下降。耗水量是可變的。體重超過(guò)150斤的豬進(jìn)行試驗(yàn)，水耗下降耗料類(lèi)似的方式增加空氣溫度。在試驗(yàn)中，具有重量輕的豬，耗水量下降為空氣的溫度上升至40至90華氏度然而，從90至115°F。耗水量增加。相對(duì)濕度的影響實(shí)驗(yàn)中，濕度是變量已經(jīng)運(yùn)行在90和96華氏度90華氏度，我們的數(shù)據(jù)表明，有沒(méi)有太大的區(qū)別的響應(yīng)豬體重超過(guò)200磅，相對(duì)濕度30％和94％的呼吸速率，不同的是在較高的濕度增加。應(yīng)該提到的是在較高的濕度，這是不可能保持地板干燥。在華氏96度，相對(duì)濕度30％，體重超過(guò)200磅的豬失去了重量，但長(zhǎng)時(shí)間存活。當(dāng)相對(duì)濕度提高到94％，他們立即越來(lái)越心疼。在一個(gè)實(shí)驗(yàn)中在96華氏度的溫度下，相對(duì)濕度逐漸折痕英寸8小時(shí)期間從30％到94％，和體溫英寸折痕2.5華氏度，呼吸速率增加了一倍以上。這是不被視為建議持有的生豬在這些條件下，和相對(duì)濕度降低。在兩小時(shí)內(nèi)，相對(duì)濕度降低到58％，在實(shí)驗(yàn)開(kāi)始時(shí)，呼吸率和體溫回到那個(gè)。水和空氣運(yùn)動(dòng)蒸發(fā)冷卻豬水的蒸發(fā)。在我們的第一次審判，重約250磅的豬被保存期限在90華氏度，在干燥的地板，相對(duì)濕度35％。然后將溫度保持不變，7天期間，一滴滴的水在地板上運(yùn)行。用濕地板（約4.5加侖的水每小時(shí)流經(jīng)地板）期內(nèi)，收益率顯著升高，呼吸率是大約30％的干樓期間，體溫的?華氏度低。同樣的比較，在100華氏度類(lèi)似的差別。這是可能的空氣溫度提高到華氏115度與前地板上的水嚴(yán)重令人痛心的動(dòng)物。在干燥的地板相同的動(dòng)物在100華氏度心疼嚴(yán)重。由于水的蒸發(fā)的冷卻效果是非常迅速的。運(yùn)行與三個(gè)240磅豬一個(gè)實(shí)驗(yàn)在室溫下100度F.所有106.8華氏度和150次每分鐘的平均呼吸速率的平均體溫困擾。四公升的水，在100華氏度，傾在地板上，使潮濕的區(qū)域。豬在水中立刻開(kāi)始滾動(dòng)。在20分鐘內(nèi)身體的溫度分別平均降低1.0華氏度和呼吸率降低了50％的。在90分鐘的身體溫度降低2.0華氏度和80％的呼吸頻率。在豬的皮膚溫度比空氣溫度低的溫度下，空氣運(yùn)動(dòng)的影響是很有意義的。據(jù)推測(cè)由保迪（1945），扇是沒(méi)有好處，在這些條件下的非出汗物種。凱利和聯(lián)營(yíng)公司（1948年）是由豬和環(huán)境溫度的表面溫度之間的關(guān)系。增加空氣運(yùn)動(dòng)，潮濕的地板。在一個(gè)實(shí)驗(yàn)中，三個(gè)重周?chē)?50磅的豬潮濕的地板上，在約119華氏度的空氣運(yùn)動(dòng)變化范圍為每分鐘20至30英尺，在生豬一級(jí)在腔室。風(fēng)扇打開(kāi)，增加空氣運(yùn)動(dòng)估計(jì)平均每分鐘175英尺，但是從100到250英尺不等。在30分鐘內(nèi)，降低了大約60％的呼吸，體溫平均減少大約2.5華氏度。在80分鐘內(nèi)，體溫降低平均為3.0華氏度，當(dāng)豬與空氣運(yùn)動(dòng)以加速的速率上的濕地板。增加空氣運(yùn)動(dòng)與干地板。相比之下，四頭豬平均100斤左右干燥的地板上，在華氏113度開(kāi)啟風(fēng)扇，增加空氣流速和以前一樣。首先，呼吸率和體溫略有下降，因?yàn)樗遣豢赡苡械匕逋耆稍锖?，和豬略微潮濕的。隨著干燥的地板和豬，呼吸率和體溫再次升高，在啟動(dòng)時(shí)。經(jīng)過(guò)5個(gè)小時(shí)的加速空氣運(yùn)動(dòng)和干燥的地板，舒適的動(dòng)物沒(méi)有明顯的好處。這種類(lèi)型的實(shí)驗(yàn)已經(jīng)重復(fù)了四平均187斤的豬，在華氏99度和四個(gè)平均236斤的豬沒(méi)有明顯的影響在100華氏度。豬的行為。由于空氣的溫度上升80華氏度以上的動(dòng)物變得越來(lái)越懶惰，平躺在地板上，如圖4所示。豬體重大約100磅重量輕仍然相當(dāng)活躍，在80華氏度在高溫，一個(gè)生豬撒尿時(shí)，一些其他的豬通常耽溺中的水分。這是真實(shí)的，糞便中的水分在一定程度上。豬上繳不時(shí)暴露自己潮濕的一面。在高溫潮濕的地板上，豬的反應(yīng)完全不同。躺在匍匐在其兩側(cè)，而是從一側(cè)到另一側(cè)，他們?nèi)印胺浅；钴S，他們給人的印象是試圖保持他們的濕表面暴露。尸檢結(jié)果。它需要具備尸檢動(dòng)物死于高溫。因此，在第一個(gè)實(shí)驗(yàn)的第5天在100華氏度干燥的地板上，一手推車(chē)重達(dá)228磅死亡。在5天在100華氏度，此豬已經(jīng)失去了18磅。期間死亡前，他的呼吸率一直適度的高，他的體溫變化，從106.5到109.0度F.其他豬有體溫高達(dá)108.7華氏度存活。不久后死亡，直腸溫度為110.0華氏度在所有組織中不同程度的充血，尤其是在肋骨和肺部區(qū)域。擠塞肺血。討論類(lèi)似的工作已經(jīng)報(bào)道由里根及聯(lián)營(yíng)公司（1938年，1939年），與奶牛。增加體溫和呼吸頻率（每分鐘呼吸）和脈率增加空氣溫度下降非常相似奶牛（Regan和理查??德森，1938），本文報(bào)告我們的條件下，豬。我們呼吸和體溫的數(shù)據(jù)也印證了羅賓遜和李（1940年豬的工作，但在后期的工作中，他們報(bào)告心率增加，越來(lái)越多的環(huán)境溫度。我們已經(jīng)注意到在一些實(shí)驗(yàn)中有關(guān)冷卻水臨時(shí)增加脈率時(shí)，先放入水窮奢極侈，然后體溫下降，由于水分蒸發(fā)，脈率下降。羅賓遜和Lee（1941）報(bào)道，在106華氏度豬的直腸溫度是坐立不安。已經(jīng)發(fā)現(xiàn)這僅是真實(shí)的時(shí)，潮濕的地板上的生豬的可能性表明，羅賓遜和李的工作和上述所報(bào)告的動(dòng)物的皮膚的干燥度的差異所造成的差異。這將導(dǎo)致在皮膚溫度的差異（Kelly和聯(lián)營(yíng)公司，1948）。此外，使用由Robinson和李（重約130磅的伯克郡）的豬被引入到一個(gè)房間已經(jīng)在測(cè)試條件下為7個(gè)小時(shí)，而那些與我們的工作在房間平均約7天的期間和被馴化前的試驗(yàn)期間。Regan和米德（1939）報(bào)告說(shuō)，奶牛減少水的消耗，提高空氣的溫度，在大多數(shù)情況下，我們的數(shù)據(jù)證實(shí)這些發(fā)現(xiàn)與豬。羅賓遜和李（1941）報(bào)告上偉大的冷卻效果與水sousing的。我們的數(shù)據(jù)證實(shí)，并延長(zhǎng)他們的研究結(jié)果。按照與羅賓遜和李（1941）華氏96度在提高我們的實(shí)驗(yàn)條件下，豬的體溫在相對(duì)濕度高的效果觀察。我們的數(shù)據(jù)表明這些實(shí)驗(yàn)豬的體重大約100磅的條件下，在更大程度上利用飼料和發(fā)胖，更迅速地在附近的75華氏度，而較重的豬，體重約200磅在60附近做的更好華氏度同意這些發(fā)現(xiàn)與文獻(xiàn)報(bào)道的臨界溫度數(shù)據(jù)。據(jù)報(bào)道，空腹100磅的豬的臨界溫度由Tangl（1912）報(bào)道，以68-74華氏度，較重的豬是70華氏度（的卡普斯蒂克和木材，1922），6I華氏度（戴頓，1929年）和小于63華氏度（Tangl，1912）?？偨Y(jié)不同的權(quán)重的豬被保存在溫濕的時(shí)間平均為7天，溫度范圍從40到115華氏度相對(duì)恒定的相對(duì)濕度和空氣流動(dòng)的空間。由于空氣的溫度增加的體溫和呼吸速率（每分鐘呼吸次數(shù)）增加，脈率下降。由于空氣的溫度升高體溫，呼吸頻率和脈率的變化率增加。飼料消耗降低空氣溫度上升。這些實(shí)驗(yàn)的條件下，增益率是最大和產(chǎn)生100磅增益至少在平均溫度約75華氏度豬體重166重量70至144磅，約60華氏度所需的飼料量至260磅。由于空氣的溫度超出這些平均值的增加或減少，增益率下降，降低利用食物。在96華氏度，相對(duì)濕度30％至94％的上升產(chǎn)生超過(guò)200磅重的豬較為窘迫，呼吸率和體溫升高較快。水的蒸發(fā)冷卻效果的深刻證明。在濕的豬增加空氣運(yùn)動(dòng)的進(jìn)一步的冷卻效果已被證明有增加空氣運(yùn)動(dòng)時(shí)，他們的皮膚溫度低于環(huán)境的溫度，在干燥的地板上生豬的效果缺乏。在這些條件下的豬的行為的一個(gè)動(dòng)物在華氏100度死亡的尸檢結(jié)果的討論。

THEEFFECTSOFAIRTEMPERATUREANDRELATIVEHUMIDITYONTHEPHYSIOLOGICALWELLBEINGOFSWINEIntroductionTHISstudyisconcernedwiththeeffectofchangesinenvironmentaltemperatureandhumidityonthebodytemperature,respirationrate,pulserate,andotherfactorsinswine.Itwasalsodesiredtoknowatwhattemperatureandatwhathumiditythepigwasmostefficientinutilizingthefeedconsumed.Theeffectofextremeenvironmentaltemperaturesonthebodytemperatureandrespiratoryrateofthepighasbeenstudiedbyseveralinvestigators.Likewise,afewworkershavestudiedtheeffectofhighandlowtemperaturesonrateofgainandutilizationoffeed.Thecriticaltemperaturehasalsoreceivedsomeattention.Shelton(1883)reportedasearlyas1883thatitrequiredabout25percentmorefeedinwinterforpigskeptintheopenwithoutprotectionthanforsimilarpigshousedinthebasementofawarmbarn.InOttawa,Canada,itcost25percentmoretohousebroodsowsduringthewintermonthsinsmallsinglebroodcabinsthanintheregularbroodsowhouse(Grisdale,1904).Inasimilartestwithyoungpigs,thosefedinsidegainedmorerapidly,andthefeedrequiredfortheirgainswaslower.Bodytemperatureincreasesduetothedirectraysofthesun,tohandlingandexercise,andtoincreasedatmospherictemperatureandincreasedpercentagerelativehumidityhavebeenreportedbyPalmer(1917).Tangl(1912)reportedthatthecriticaltemperatureoffastingpigsweighingaround100poundswas20-23degreesC.(68-74degreesF.).Healsoshowedthatforhogsweighingover200poundsthecriticaltemperaturewaslessthan17degreesC.(63degreesF.).CapstickandWood(1922)reportedthatthecriticaltemperatureofa300poundfastinghogwas21degreesC.(70degreesF.).Deighton's(1929)workconfirmstheseearlierfindings,andhisresultsindicatethatthecriticaltemperatureisintheneighborhoodof16degreesC.(61degreesF.).AreportbyJackson(1938)indicatesthathogshavingaccesstoahogwallowwhentheatmospherictemperatureaveraged83degreesF.atemorefeed,gainedmorerapidly,andweremoreeconomicalusersoffeedthansimilarpigswithoutaccesstowallows.ExperimentalResultsandDiscussionThepsychrometricroomusedinourstudiesisaninsulatedairconditionedroommeasuringninebyfourteenfeetbysevenfeethigh.Airmotionthroughthechamberisrelativelyconstant(twentytothirtyfeetperminute)andtheairtemperatureandrelativehumiditycanhecontrolledwithinthelimitsoftheseexperiments.Figure1isaphotographofthepsychrometricroomwhileinoperation.PurebredDurocJerseyorPolandChinaswine,ortheirfirstgenerationcross,wereusedinthesetrials.Theywerefedthefollowingrationinanopentroughtwicedailyinsuchamountsastheywouldcleanupwithoutexcessivewastage:Waterwassuppliedadlibitum.Inthefirsttrialitwassuppliedinastandardcattlewateringcupthroughanordinarywatermeter.Subsequentlyitwasfoundmoresatisfactorytouseawateringdeviceshownintherighthandfarcorneroffigure1.Thispreventedsplashing.Itwassuppliedfromatank(visibleonrearwall,figure1)graduatedingallons,bygravityflow.Thepigs(ingroupsoftwo,threeorfour)wereacclimatedat70degreesF.,usuallyforatleastoneweekwhiletheywerebeinggentledandbecomingaccustomedtothesurroundings.Theairtemperaturewasthenchangedtothatdesiredforthetest.Theairtemperaturewasheldasconstantaspossiblethroughoutthetestperiod.Testperiods,usually7daysinlength,wereoccasionallyvaried.Rectalbodytemperaturereadings,pulse(withtheuseofastethoscope)andrespirationrates(breathsperminute)weretakentwicedaily,beforefeedinginthemorningandbeforefeedinginthelateafternoon.Wehavecarriedonsixdifferenttrials.Fourofthesehavebeenconcernedwithvariationintemperatureandtwowithvariationinrelativehumidity.TheEffectofAirTemperatureThelowerlimitoftemperature,40degreesF.,usedintheseexperimentswasdeterminedbythecoolingcapacityofourequipment;theupperlimit,bytheabilityofthehogstowithstandheat.Bodytemperature,respirationandpulserates.Astheairtemperatureincreasedfrom40degreesF.,thebodytemperatureandrespirationrate(breathsperminute)increased(figure2).Theresultsoftwotrials(whicharerepresentative)aregiveninfigure2.Theyillustratetheeffectofdifferenceinbodyweightonthereactionofthepigs;pigsweighingunder150poundsweremorecomfortableatagivenhightemperaturethanthepigsweighingmorethan150pounds.Thelighterweightanimalscouldbekeptatatemperatureofapproximately115degreesF.,whereasitwasnotpossibletotaketheheavierhogsmuchbeyond100degreesF.Pulseratedecreasedwithincreasedroomtemperature(figure2).Feedconsumption,averagedailygain,feedutilization,andwaterconsumption.Infigure3theeffectofincreasingairtemperatureonfeedconsumptionisillustrated.Feedconsumptiondecreasedastheairtemp