地源热泵是一种直接利用地下岩土低品位热能的暖通空调技术,将地下岩土作为热源（热汇）,向系统中输入少量的高品位电能,从而将热能在地下岩土和地上建筑物间进行转移,实现对建筑物及室内空气的加热（采暖工况）和冷却（制冷工况）。在地源热泵系统中,地埋管换热器是其核心的能量交换设备,通过该设备地源热泵可以实现冬季从岩土中提取热量向建筑物供暖,夏季将建筑物中的热量向地下岩土排放实现制冷。在工程实践中,如何建立计算精度高、计算速度快的地埋管换热器传热分析模型,对地源热泵系统的设计、运行监控和运行优化管理等具有非常重要的现实意义。人工神经网络是通过对现有大量数据进行自我学习,能够从中自动获取数据间内在关联关系的一种技术,该技术具有非线性、非凸性、非常定性、泛化能力强等优点,在工业领域中已得到大规模应用。本文旨在把地埋管换热器传热过程与人工神经网络技术进行结合,将人工神经网络技术应用于地埋管换热器钻孔内热阻计算和地埋管换热器传热分析模型中,充分利用人工神经网络具有较强的自适应性、非线性和强泛化能力等优点,建立一个具有高计算精度、高可靠性、能满足工程实践需求的人工神经网络地埋管换热器传热模型。在地埋管换热器钻孔内热阻计算方面,本文采用BP（Back-Propagation）神经网络建立钻孔内无量纲热阻（2πKg?Rb）的预测计算模型。在此基础上通过改变神经网络结构来寻求最优的网络拓扑结构。结果显示,BP神经网络最优拓扑结构为3＿5＿7＿1时其训练集和验证集的相关系数最高,分别为0.99992和0.9999,此时测试集的相关系数为0.99992。用该结构BP神经网络预测的钻孔内无量纲热阻与基准值间最小的相对误差为-1.68%,最大的相对误差为2.30%,平均绝对误差为0.19%。相对于其他钻孔内热阻经验或计算拟合公式,本文所构建的BP神经网络计算模型具有更好的预测计算精度。在地埋管换热器传热模型方面,本文使用LSTM（Long Short-Term Memory）神经网络建立预测地埋管出口处载流体温度的地埋管传热分析模型。在此基础上,探寻了不同样本输入方式、数据窗口大小等因素对LSTM网络性能的影响规律,并将该网络与地埋管换热器的CFD数值分析模型进行对比分析。结果表明,在采用4)方式输入训练样本、惩罚函数为0.001、学习率衰减、数据窗口大小为30、隐藏层LSTM神经单元数为10个等条件下,训练好的LSTM神经网络在测试集上的性能最好。与采用CFD模型计算结果的平均绝对误差为0.00563%,最大的相对误差为3.6%,误差主要集中在每个模型的初始时刻,此后时刻的预测值与CFD计算值非常吻合。此外,训练好的LSTM神经网络对单个地埋管换热器在24h运行时间内的出口温度预测所需计算时间仅为6s,相比CFD数值模拟而言,在相同条件下的计算时间缩短了4个数量级。因此,本文建立的地埋管换热器LSTM神经网络模型能够很好地预测地埋管出口载流体温度随时间的变化关系,相对于其他计算模型而言,该模型具有计算精度高、计算时间短等优点,基本能够满足地源热泵系统的工程实践需要。