基于住宅特性的上海地区冬季夜间卧室渗透风换气次数分析

2018-05-08 09:13:30 能源研究与信息 2018年1期

黄晨 卿湛媛 刘炜 王雪颖 蔡姣 邹志军 孙婵娟

摘 要: 由上海地區住宅冬季夜间卧室门窗关闭时CO2体积分数现场检测结果得到卧室夜间渗透风换气次数,根据检测住宅的问卷调查结果,运用统计学中相关分析和多元回归分析方法,宏观分析住宅特性与冬季夜间卧室渗透风换气次数的相关性。研究结果表明:所检测的上海地区冬季夜间卧室渗透风换气次数在0.07~0.88 h-1之间,多数住宅仅靠渗透风量不能满足最小新风量的要求。按影响强弱排序,窗户类型、门窗缝隙长度、住宅类型均与渗透风换气次数有显著相关性;利用现场实测的25个住宅实测样本建立预测上海地区冬季夜间卧室渗透风换气次数的多元线性回归模型,其渗透风换气次数预测值与计算值平均绝对百分误差为26.7%,标准差为0.025 h-1。利用未参与建模的5个实测样本对模型进行验证,模型预测值与计算值的相对误差在-20.4%~24.2%。所建模型可为上海地区住宅冬季夜间卧室渗透风换气次数快速评估及建筑能耗预测提供参考。

关键词: 渗透风换气次数; 住宅特性; 相关分析; 多元回归分析; 示踪气体法

中图分类号: TU 834 文献标志码: A

Analysis of Bedroom Infiltration Ratio Based on Residential

Characteristics During Winter Nights in Shanghai

HUANG Chen1, QING Zhanyuan1, LIU Wei1,2, WANG Xueying1,

CAI Jiao1,3, ZOU Zhijun1, SUN Chanjuan1

(1.School of Environment and Architecture, University of Shanghai for Science and Technology, Shanghai 200093, China;

2.School of Architecture, Tsinghua University, Beijing 100084, China;

3.School of Civil and Architectural Engineering, Yangtze Normal University, Chongqing 408100, China)

Abstract: The infiltration ratio during winter nights were obtained in terms of onsite detection of CO2 concentration in bedrooms of Shanghai residential buildings when their doors and windows closed.Based on the results of questionnaire survey,the correlation between the residential characteristics and the infiltration ratio of the detected bedrooms during winter nights were studied using correlation analysis and multiple regression analysis.The results showed that the infiltration ratio of Shanghai residential buildings in winter nights ranged approximately between 0.07 and 0.88 h-1.The infiltrated air couldnt meet the minimum ventilation requirements for most residential buildings.There was a significant correlation between the window type,the gap length of the door and window,the house type and the infiltration.Based on 25 onsite samples,the multiple linear regression model of winter infiltration ratio in Shanghai was established.The results showed that the average relative error between the predicted values and the mean absolute percentage error(MAPE) was 26.7%,and the standard deviation was 0.025 h-1.The model was validated by the other 5 onsite samples.Its relative error between the predicted values and the calculated values ranged between -20.4% and 24.2%.The model can provide references for the rapid assessment and prediction of the infiltration ratio in bedrooms of Shanghai residential buildings during winter nights.

Keywords: infiltration ratio; residential characteristics; correlation analysis; multiple regression analysis; tracergas method

渗透风量通常被定义为通过建筑孔隙或缝隙从室外引入室内的新风量[1]。随着我国对建筑节能要求的提高,对建筑围护结构保温以及门窗的气密性要求不断提高,建筑渗透风量显著降低,导致如今住宅建筑在门窗关闭时室内新鲜风量减少,室内空气品质降低。因此,研究住宅渗透风量及其影响因素对提高室内空气品质具有重要意义,同时也可为上海地区建筑能耗的计算提供基础资料。大量研究[2-6]表明,渗透风量受建筑特性、建筑年代以及气候条件等多因素影响,但采用大样本量统计分析渗透风量的文献较少。

能源研究与信息2018年 第34卷

第1期黄 晨,等:基于住宅特性的上海地区冬季夜间卧室渗透风换气次数分析

很多研究通过现场实测建筑气密性来了解建筑渗透风量。Kalamees[7]采用鼓风门对爱沙尼亚32户新建的轻型单户独立式住宅的气密性进行了现场检测,发现住宅总层数和施工工艺水平对住宅气密性具有显著影响。Shinohara等[8]利用全氟化碳示踪气体法实测计算得出日本住宅多区房间通风量,方差分析结果显示,住宅类型、生活习性以及季节是换气次数差异的主要原因。李灏如[9]利用二氧化碳示踪气体法对北京某学生公寓夏季夜间自然通风进行实测研究发现,由于建筑物朝向不同导致的房间通风量差异并不明显。Chan等[3]利用鼓风门检测得到50 Pa压差下的渗透风量,并计算得到4 Pa压差下通过建筑围护结构产生相同气流的孔隙面积,即建筑物的有效渗透面积,再利用建筑面积和修正后的建筑高度得到归一化渗透面积,通过回归分析检验建筑年代、气候区域、建筑面积、建筑高度等因素与归一化渗透面积之间的关联性,所建归一化渗透面积回归模型可以解释分布于美国的68%住宅渗透面积与这些因素之间的关联。Ipbüker等[10]采用方差分析法比较了爱沙尼亚2005—2014年间建造的18幢住宅的能量需求、渗透风量及其影响因素,影响因素包括建筑体积、占地面积、建筑年代、压实度、窗墙比和框架长度,提出了基于上述影响因素的50 Pa压差下渗透风换气次数回归模型。由此可见,不同地区、不同住宅类型的住宅渗透风量所受影响因素有所不同,因此有必要对上海地区住宅渗透风量的影响因素进行研究。

本文以单位时间内通过房间围护结构的渗透风量与房间体积的比值即渗透风换气次数作为研究目标,通过分析上海地区住宅24 h CO2体积分数变化,确定以冬季夜间卧室门窗关闭时CO2体积分数变化作为渗透风换气次数计算依据,利用对所检测住宅的相关问卷调查结果,运用统计学中相关分析和多元回归分析方法,采用SPSS软件研究渗透风量与住宅特性之间的关联,以获得反映住宅特性的渗透风量模型。1 渗透风换气次数及其住宅特性确定方法1.1 研究背景

本文研究数据来自2013年3月至2014年12月,中国室内环境与儿童健康调查(China,Children,Homes,Health,CCHH)上海地区课题组对上海地区454户家庭进行的住宅24 h CO2浓度现场跟踪检测结果[11]。测试过程中未对住宅内的人员活动进行限制,即在检测过程中会出现人员外出进入、室内走动以及开关门窗等引起CO2体积分数变化的行为。图1展示了具有代表性的夜间门窗关闭时卧室、客厅和室外CO2体积分数24 h的三种变化情况。白天由于在室人员存在各种活动行为,各室CO2体积分数存在一定的波动,对应图1中的活动状态。夜间客厅CO2体积分数由于人员的离开而降低,而卧室内由于在室人员进入稳定睡眠阶段,人体CO2释放量稳定,对应图1中的稳定睡眠段。图1中,卧室稳定睡眠段体现了夜间门窗关闭时卧室内三种典型的CO2体积分数变化规律。由于建筑气密性不同,渗透风换气次数与在室人员CO2释放量的共同作用,致使居室CO2体积分数变化规律也有所不同。图1(a)说明室外渗透风换气次数较大,逐渐稀释了在室人员CO2释放量,使得CO2体积分数变化开始下降而后逐渐稳定;图1(b)说明室外渗透风换气次数较小不足以稀释在室人员CO2释放量,使得CO2体积分数开始上升而后逐渐稳定;而图1(c)说明渗透风换气次数正好稀释在室人员CO2释放量,使得室内CO2体积分数一直处于稳定状态。因此,本文以夜间卧室门窗关闭情况下CO2体积变化稳定睡眠段作为研究对象,且由于冬季夜晚室外温度低,人们习惯在睡眠时关闭卧室门窗,选择冬季作为研究季节,研究住宅特性对渗透风换气次数的影响。

1.2 渗透风量

根据CO2体积分数变化计算通风量的方法即示踪气体法。常见的示踪气体法有三种:上升法、下降法、脉冲法[12]。三种方法均遵循示踪气体质量守恒原理,可用式(1)表達,即

VdCdτ=F(τ)+Q(τ)(Co-C(τ))(1)

式中:V为测试房间空气体积,m3;C(τ)为房间空气中CO2的体积分数;τ为时间,h;F为单位时间内CO2释放量,m3·h-1;Co为室外CO2的体积分数;Q为室内通风量,即渗透风量,m3·h-1。

图1 上海三个典型家庭24 h的各居室二氧化碳变化

Fig.1 Changes of carbon dioxide concentration in

24 h from three typical Shanghai families

本文研究的时间段内有稳定的CO2释放源F(τ)=F,渗透风量假设为理想的稳定状态,Q(τ)=Q,不随时间变化。根据研究对象特点选择上升法和脉冲法,由式(1)获得上升法和脉冲法计算得到的渗透风换气次数表达式,分别如式(2)、(3)所示,即

上升法:dC=dτV{F-NV[C(τ)-Co]}(2)

稳定法:N=FV(C—i-Co)(3)

式中:N为测试房间换气次数,N=Q/V,h-1;C—i为房间内CO2的体积分数均值。

单位时间内居住人员的人体CO2释放量可根据Persily等[13]提出的式(4)进行计算,即

F=202R·M·H0.725·W0.42575.6(0.23RQ+0.77)(4)

式中:R为呼吸商,无量纲;M为单位体表面积的人体新陈代谢率,W·m-2(睡觉期间一般取40 W·m-2[15]);H为居住人员的身高,m;W为居住人员的体重,kg。

影响R的因素较多,其中包括年龄,检测卧室内入住人员不仅有儿童,还有成人,但各种不同因素对R影响不大,一般在0.7~1.0,对释放量F计算结果影响甚微,为此,本文中呼吸商统一取值为0.83[14]。身高和体重由问卷中卧室实际入住人员信息确定。利用式(4)便可计算得到实际入住人员的CO2总释放量F。由于室外CO2体积分数变化很小,Co均取计算时间段内室外CO2体积分数均值。

当卧室夜间CO2体积分数变化与图1(a)或图1(b)情况相似,卧室稳定睡眠段的CO2上升或下降时,可采用上升法[式(2)],利用夜间CO2体积分数实测结果,采用差分迭代法[16]计算渗透风换气次数;当卧室夜间CO2体积分数变化与图1(c)情况相似,卧室稳定睡眠段的CO2体积分数一直处于稳定时,则可采用脉冲法[式(3)]计算渗透风换气次数。

1.3 基本信息获取

本文利用调查问卷方法获取了家庭及住宅特性的基本信息。家庭基本信息包括:家庭成员的身高、体重、各房间居住人口数以及入室检测月份等。住宅特性主要分为门窗特性和建筑特性两类。门窗特性包括:门窗缝隙长度(假设上海地区门窗关闭情况下缝隙宽度近似相同,缝隙长度数据由检测员现场测量门窗开口周长获得)、窗玻璃层数、窗框类型、门窗开启方式、窗户朝向;建筑特性主要包括:住宅位置、住宅类型、建筑年代、各房间面积、层高、居住楼层、建筑周边情况等。问卷在检测结束后由检测员入户发放,住户当面填写,问卷现场回收。

调查历时22个月。在不同季节现场检测的上海地区454户住宅中,根据问卷调查中夜间卧室门窗开启情况,从中筛选出冬季夜间卧室门窗关闭的有效样本30个。

2 住宅特性对卧室渗透风换气次数的影响

2.1 卧室渗透风量分布

30户卧室渗透风量四分位数分布如表1所示。从表1中可以看出,上海地区冬季夜间卧室渗透风换气次数大约在0.07~0.88 h-1,人均渗透新风量为1.42~18.63 m3·h-1·人-1。根据《民用建筑供暖通风与空气调节设计规范》(GB 50736—2012)[17]中对住宅最小新风量的规定,发现在检测的30户住宅中,仅有4户住宅满足最小新风量要求。由此说明,在冬季门窗关闭的情况下,仅靠渗透风很难满足室内人员的新风要求,为此在冬季卧室渗透风不满足室内最小新风量要求时,应适当开窗,保证人体健康。

表1 卧室渗透风换气次数及人均渗透风量四分位数分布

Tab.1 Quartile distribution of air exchange times and

infilration ratio per person in bedroom

2.2 单相关性分析

在多变量情况下,变量之间的关系比较复杂。因此,在进行多元回归分析前,通常先进行单因素分析,研究因变量与某一自变量之间是否具有显著相关性。研究连续变量与分类变量的线性相关性时,经常采用Spearman相关系数对其进行检验,以此反映两个变量之间变化趋势的方向和程度,其值范围在-1~1之间。Spearman相关系数绝对值越大,表明两个变量之间的线性相关性越强。因此,采用Spearman相关系数分析渗透风换气次数与各因素之间的关联性。

2.2.1 门窗特性对卧室渗透风换气次数的影响

定义名义变量:缝隙长度x1(x1=1,实测缝隙长度≤10 m;x1=2,10 m<实测缝隙长度≤15 m;x1=3,15 m<实测缝隙长度≤20 m;x1=4,实测缝隙长度>20 m);窗玻璃层数x2(x2=1,单层玻璃;x2=2,双层玻璃);窗框类型x3(x3=1,塑钢窗框;x3=2,铝制窗框);窗户开启方式x4(x4=1,平拉窗;x4=2,推拉窗);门开启方式x5(x5=1,平拉门;x5=2,推拉门)。由于检测卧室朝向几乎均朝南,因此未进行窗户朝向因素分析。

表2为门窗特性与卧室渗透风换气次数的单相关分析结果,其中显著性水平P小于0.05表示数值差异性在统计学上具有显著意义。由表2计算所得各因素的Spearman相关系数看出:门窗缝隙长度与渗透风换气次数呈显著正相关,随着门窗缝隙长度的增大,渗透风换气次数增大;窗玻璃层数与渗透风换气次数呈显著负相关,即单层窗户渗透风量显著大于双层窗户渗透风换气次数,这是由于通常情况下,单层玻璃的气密性低于双层玻璃;窗框类型与渗透风换气次数呈显著正相关,即塑钢窗户渗透风换气次数显著小于铝制窗户渗透风换气次数,这是由于通常情况下,塑钢窗框的气密性高于铝合金窗框[15]。而窗户、门开启方式与渗透风换气次数的关系不存在显著差异。根据Spearman相关系数绝对值的大小,显著影响渗透风换气次数的三个门窗特性因素由强到弱依次为窗玻璃层数、门窗缝隙长度、窗框类型。

表2 门窗特性与卧室渗透风换气次数的单相关分析

Tab.2 Single correlation analysis between the door

and window characteristics and

the infiltration ratio in bedrooms

在上述三个显著影响因素中,窗玻璃层数与窗框类型均为窗户特性。图2为窗玻璃层数与窗框类型的四种组合时的换气次数分布。可以看出,从整体上来讲,单层铝制窗户的渗透风换气次数最高,渗透程度最高,其次是塑钢单层窗户,次之是铝制双层窗,塑钢双层窗户的渗透风换气次数整体上最小,渗透程度最低。因此,综合窗玻璃层数与窗框类型定义窗户类型x′2,并按渗透风换气次数中位数由大到小定义窗户类型x′2(单层铝制窗,x′2=1;單层塑钢窗,x′2=2;双层铝制窗,x′2=3;双层塑钢窗,x′2=4)。窗户类型与儿童卧室渗透风换气次数的Spearman相关系数为-0.650,P=0,两者具有显著相关性。

图2 窗玻璃层数和窗框类型的四种组合

Fig.2 Four window combinations represented by window

layer number and window frame type

2.2.2 建筑特性对卧室渗透风换气次数的影响

定义名义变量:住宅类型v1(v1=1,多层公寓;v1=2,高层公寓);建筑年代v2(v2=1,2004年及2004以前建造;v2=2,2004年以后建造);住宅位置v3(v3=1,市区;v3=2,郊区);居住层数v4(v4=1,1层;v4=2,2~3层;v4=3,4~5层;v4=4,≥6层)。

建筑特性与渗透风换气次数的关系如表3所示。从表3中可以看出,住宅类型与渗透风换气次数呈显著正相关,即多层建筑的渗透风换气次数普遍小于高层建筑的渗透风换气次数,这与文献[7]中的结论一致;建筑年代与卧室渗透风换气次数的关系不存在显著相关性,这也与文献[18-19]中的结论一致;此外,住宅位置和居住层数对卧室渗透风换气次数的影响也不存在显著相关性。

表3 建筑特性与卧室渗透风换气次数的单相关分析

Tab.3 Single correlation analysis between the building

characteristics and the infiltration

ratio in bedrooms

据此,通过Spearman相关系数分析,选出了与渗透风换气次数线性相关的门窗缝隙长度、窗玻璃层数、住宅类型3个显著影响因素。

2.3 偏相关性分析

在进行单因素分析时,未消除其他显著变量对因变量和所考查某一显著变量间相关性的影响,因此不能够真实准确地反映因变量和所考查显著变量之间的相关关系。偏相关分析则可以固定其他显著变量不变,清除其他显著变量对因变量和该显著变量间关系的影响。因此,在选出门窗缝隙长度、窗户类型、住宅类型3个影响因素后,采用偏相关分析对上述三个因素与渗透风换气次数的关系作进一步分析。偏相关系数绝对值越大,表明渗透风换气次数与该因素的净相关性越强。

卧室渗透风换气次数与各变量的偏相关分析如表4所示。根据偏相关系数绝对值的大小,确定与卧室渗透风换气次数显著线性相关的主要因素由强到弱依次为窗户类型、门窗缝隙长度、住宅类型。表4 住宅特性与卧室渗透风换气次数的偏相关分析

Tab.4 Partial correlation analysis between the residential

characteristics and the infiltration

ratio in bedrooms

3 冬季夜间卧室渗透风换气次数回归模型的建立与验证

3.1 模型建立

根据上述相关分析结果,从30户样本住宅中选取25户,建立冬季夜间卧室渗透风换气次数回归模型,其余5户用于检验模型的准确性。选择已确定的3个具有显著相关性的住宅特性影响因素(门窗缝隙长度x1,窗户类型x′2,住宅类型v1)与卧室渗透风换气次数(因变量Y)建立多元线性回归模型,具体表达形式为

Y=β0+β1x1+β2x2++β3v1(5)

式中,β0为常量;βi(i=1、2、3)分别为门窗缝隙长度x1、窗户类型x′2、住宅类型v1的系数。

采用多元逐步回归分析方法研究卧室渗透风换气次数与各影响因素之间的关系,根据表4窗户类型、门窗缝隙长度、住宅类型影响程度排序,最终得到3种逐步回归分析模型。模型中各回归系数的显著性检验结果如表5所示。表5 回归系数分析结果

Tab.5 Results of regression coeffeicient analysis

表5中3个回归模型中各变量均通过t检验,显著性水平均小于0.05,具有统计学意义。其中,在3个模型中模型3的复相关系数R最高,为0.832,故选用模型3为最优回归方程,其回归常数项为0.122,门窗缝隙长度、窗户类型、住宅类型的回归系数分别为0.107、-0.102、0.152,回归方程标准差为0.025。由此得到上海地区住宅夜间卧室渗透风换气次数回归模型,即

Y=0.122+0.107x1-0.102x′2+0.152v1(6)

从该模型可以看出:卧室渗透风换气次数与门窗缝隙长度、住宅类型呈正相关,与窗户类型呈负相关。

3.2 模型验证

圖3给出了渗透风换气次数预测值与计算值的散点图,其中:纵坐标表示渗透风换气次数计算值;横坐标表示用本文模型预测值,虚线表示预测值与计算值之间存在±30%误差的分界线。菱形点为建立模型的25户儿童卧室渗透风换气次数预测值与计算值对应的样本散点。由图3中可以看出,大部分计算值在±30%误差以内,其平均绝对百分比误差为26.7%。这说明通过样本统计获得的模型其预测效果较好。三角形点为5个用于验证模型有效性的住宅样本的预测值与计算值对应散点,结合表6可以看出,其预测值与计算值的相对误差在-20.4%~24.2%之间,在统计学上可接受,表明该模型具有一定的有效性。

图3 卧室渗透风换气次数预测值与计算值散点图分布

Fig.3 Scatter diagram of the predicted infiltration ratio

and the calculated ones in bedrooms

4 结 论

(1) 所检测的上海地区住宅冬季夜间卧室渗

表6 检验样本的预测值与计算值比较

Tab.6 Comparison between the predicted values and

the calculated vales from the validated samples

透风换气次数范围0.07~0.88 h-1,人均渗透风量在1.42~18.63 m3·h-1·人-1;卧室渗透风换气次数中位数为0.35 h-1,人均渗透风换气次数中位数为6.90 m3·h-1·人-1。多数住宅仅靠渗透风不能满足最小新风量的要求。

(2) 通过对门窗特性和建筑特性进行相关性分析发现,影响渗透风换气次数的因素由强到弱依次为:窗户类型(窗玻璃层数与窗框类型的组合)、门窗缝隙长度、住宅类型。

(3) 采用多元回归分析方法利用25个样本,建立了以窗户类型、门窗缝隙长度、住宅类型为因变量的上海住宅冬季渗透风换气次数回归模型,其标准差为0.025 h-1,平均绝对百分误差为26.7%。利用5個样本实测数据验证结果表明,模型预测值与计算值的相对误差在-20.4%~24.2%之间,在统计学上可接受。

本文应用统计学方法提出的卧室渗透风换气次数回归模型可为上海冬季夜间卧室渗透风换气次数的快速评估及建筑能耗预测提供参考。但由于住宅样本相对较少,是否能很好地反映上海地区整体情况,还有待于更进一步研究。

参考文献:

[1] HENS H S L.Building physics:Heat,air and moisture:Fundamentals and engineering methods with examples and exercises[M].Berlin:Ernst & Sohn,2012.

[2] CHAN W R,NAZAROFF W W,PRICE P N,et al.Analyzing a database of residential air leakage in the United States[J].Atmospheric Environment,2005,39(19):3445-3455.

[3] CHAN W R,JOH J,SHERMAN M H.Analysis of air leakage measurements of US houses[J].Energy and Buildings,2013,66:616-625.

[4] MURRAY D M,BURMASTER D E.Residential air exchange rates in the United States:Empirical and estimated parametric distributions by season and climatic region[J].Risk Analysis,1995,15(4):459-465.

[5] YAMAMOTO N,SHENDELL D G,WINER A M,et al.Residential air exchange rates in three major US metropolitan areas:Results from the relationship among indoor,outdoor,and personal air study 19992001[J].Indoor Air,2010,20(1):85-90.

[6] WALLACE L A,EMMERICH S J,HOWARDREED C.Continuous measurements of air change rates in an occupied house for 1 year:The effect of temperature,wind,fans,and windows[J].Journal of Exposure Analysis and Environmental Epidemiology,2002,12(4):296-306.

[7] KALAMEES T.Air tightness and air leakages of new lightweight singlefamily detached houses in Estonia[J].Building and Environment,2007,42(6):2369-2377.

[8] SHINOHARA N,KATAOKA T,TAKAMINE K,et al.Distribution and variability of the 24h average air exchange rates and interzonal flow rates in 26 Japanese residences in 5 seasons[J].Atmospheric Environment,2011,45(21):3548-3552.

[9] 李灏如,李晓锋,齐美薇,等.北京某学生公寓夏季自然通风实测研究[J].建筑科学,2013,29(4):20-24.

[10] IPBKER C,VALGE M,KALBE K,et al.Case study of multiple regression as evaluation tool for the study of relationships between energy demand,air tightness,and associated factors[J].Journal of Energy Engineering,2016,143(1):04016027.

[11] LIU W,HUANG C,SHEN L,et al.Natural ventilation of the childs bedroom in the typical residences of Shanghai City[C]∥Proceedings of the 11th International Conference on Industrial Ventilation.Shanghai:International Conference on Industrial Ventilation,2015:10-15.

[12] 黄晨.建筑环境学[M].2版.北京:机械工业出版社,2016.

[13] PERSILY A K.Evaluating building IAQ and ventilation with indoor carbon dioxide[C]∥American Society of Heating,Refrigerating and AirConditioning Engineers (ASHRAE) Annual Meeting.Boston,MA:OSTI,1997,103:193-204.

[14] ASTM.ASTM D624512 Standard guide for using indoor carbon dioxide concentrations to evaluate indoor air quality and ventilation[S].West Conshohocken,PA:American Society for Testing and Materials,2012.

[15] ASHRAE.ASHRAE handbookfundamentals[M].Atlanta,GA:American Society of Heating,Refrigerating and AirConditioning Engineers,2013.

[16] T∨VOV P.Experimental evaluation of ventilation in dwellings by tracer gas CO2[D].Czech:Czech Technical University,2011.

[17] 《民用建筑供暖通風与空气调节设计规范》编制组.民用建筑供暖通风与空气调节设计规范宣贯辅导教材[M].北京:中国建筑工业出版社,2012.

[18] VINHA J,MANELIUS E,KORPI M,et al.Airtightness of residential buildings in Finland[J].Building and Environment,2015,93:128-140.

[19] PAN W.Relationships between airtightness and its influencing factors of post2006 newbuild dwellings in the UK[J].Building and Environment,2010,45(11):2387-2399.