掘進工作面長壓短抽通風出風口風流調控參數研究

龔曉燕， 彭高高， 宋濤， 馮雄， 陳菲， 劉輝， 謝沛， 薛河

(1.西安科技大學 機械工程學院， 陜西 西安 710054；2.陜西陜北礦業有限責任公司， 陜西 榆林 719000)

0 引言

目前掘進工作面長距離及快速掘進下產塵量增大[1]，傳統的長壓短抽通風方式采用粗放式通風總量控制，風筒出風口風流不能動態變化，導致巷道風流分布不合理，粉塵聚集嚴重。因此，需要對現有的長壓短抽通風控制方式進行改造，通過改變風筒出風口參數，以調控風流狀態，進而優化風流分布，提高降塵效果。眾多專家學者通過數值模擬、實驗測試等方法對掘進工作面長壓短抽通風出風口風流分布及降塵效果的影響因素進行了大量研究。陳芳等[2]通過模擬分析及現場應用研究了長壓短抽通風分流控塵及抽風筒除塵之間關聯的最佳匹配參數，得出1∶3的軸徑向出風比降塵效果最佳。周全超等[3]研究了風筒出風口距掘進端面最佳的通風降塵距離，得出出風口距掘進端面5 m時的降塵效果最好。王文才等[4]模擬分析了長壓短抽通風壓抽風筒距掘進端面的距離對粉塵運移分布的影響，得出當壓抽比一定時，壓抽風筒的最佳距離分別為22.5 m和4 m。張義坤等[5]在現有長壓短抽通風方式的基礎上，通過增加附壁風筒進行旋流分風，降低了掘進端面風速，優化了掘進巷道風流及粉塵濃度的分布。蔣仲安等[6]研究了不同風筒高度對降塵效率的影響，得出了風筒高度為2 m時降塵效果最好。龔曉燕等[7-9]通過大量數值模擬和井下實測研究發現，通過改變風筒出風口口徑、方向偏轉角度和出風口距掘進端面距離等參數來調控風流狀態，可以優化掘進工作面風流分布，且降塵效果更好。上述研究都只是單一地分析了風筒出風口參數變化對掘進工作面風流分布及降塵效果的影響，未考慮各參數之間對粉塵場運移分布的交互影響，且對在不同掘進階段，出風口參數如何綜合變化才能達到最佳通風降塵效果的研究不深入。

針對上述問題，本文以陜西榆林神木檸條塔礦S1204掘進工作面為研究對象，建立了出風口參數可以變化的風流調控有限元模型，并對風流及粉塵場進行了模擬分析，提取了司機位置處和回風側行人位置處的風速及粉塵濃度數據。通過小生境遺傳算法，以司機位置處及回風側行人位置處的粉塵濃度同時最低為優化目標獲取了出風口距掘進端面最近距離5 m和最遠距離10 m的最佳風流調控參數。設計搭建了檸條塔礦S1204掘進工作面風流智能調控實驗測試平臺，進行最佳風流調控參數的試驗測試分析。結果表明，調控后，司機位置處及回風側行人位置處的粉塵濃度明顯降低，驗證了最佳風流調控參數的準確性。

1 粉塵場模擬

1.1 粉塵擴散理論

掘進工作面粉塵顆粒隨風流運動，風流屬于連續相，粉塵屬于離散相。通常采用 Euler-Lagrange方法[10]對風流和粉塵場運移分布進行求解計算，粉塵運動求解方程為

(1)

式中：m為粉塵顆粒質量，kg；t為粉塵在風流中的運動時間，s;v為粉塵運動速度，m/s；F為外力，N；μ為空氣動力黏度系數，Pa·s;dp為粉塵直徑，m;u為風流速度，m/s。

F=Fd+Fg+Ff+Fx

(2)

式中：Fd為拖曳阻力，N；Fg為重力，N；Ff為浮力，N；Fx為所受的Saffman力、Basset力等[11]，N。

1.2 風流調控有限元模型建立

1.2.1 風流智能調控裝置布局

本文以檸條塔礦S1204掘進工作面為研究對象，對傳統的長壓短抽通風控制方式進行改造，在壓風筒出風口安裝風流智能調控裝置(圖1)，通過該裝置可以改變風筒出風口參數，調控風流狀態，優化粉塵場。

圖1 風流智能調控裝置布局Fig.1 Air flow intelligent control device layout

1.2.2 有限元模型建立

檸條塔礦S1204掘進巷道長為40 m，寬為6.0 m，高為3.75 m，采用傳統的長壓短抽通風，壓抽風筒分別安裝在煤壁面左右兩側，風筒中心距側壁0.75 m、距底板3.05 m，直徑均為1.0 m。本文根據該巷道實際參數，利用FLUENT軟件建立了出風口參數可以變化的風流調控有限元模型，如圖2所示。掘進端面左下底角為坐標原點，掘進巷道寬為X，高為Y，長為Z，回風側行人位置沿程為X=5 m，Y=1.5 m，Z=0～40 m，司機位置沿程為X=3 m，Y=2 m，Z=7.5 m，模擬參數設定見表1、表2。通過建立的風流調控有限元模型可以對不同出風口參數變化下的粉塵場運移分布進行模擬分析，研究不同掘進階段長壓短抽通風降塵的最佳風流調控參數。

(a) 幾何模型

(b) 網格劃分圖2 風流調控有限元模擬模型Fig.2 Air flow control finite element simulation model

表1 邊界條件設定Table 1 Boundary condition setting

表2 離散相參數設定Table 2 Discrete phase parameter setting

1.3 風流調控參數變化對粉塵場運移分布影響分析

根據煤礦井下掘進通風的實際情況，風筒出風口距掘進端面最近距離為5 m，最遠距離為10 m，且在這2個極限位置易發生粉塵聚集。因此，利用建立的風流調控有限元模擬模型，以出風口距掘進端面最近距離5 m為例，對不同出風口口徑、水平右偏角度和垂直上偏角度參數變化下的粉塵濃度運移分布規律進行模擬分析，如圖3所示。

(a) 不同出風口口徑對粉塵分布的影響

(b) 不同水平右偏角度對粉塵分布的影響

(c) 不同垂直上偏角度對粉塵分布的影響圖3 不同出風口參數對粉塵濃度分布的影響Fig.3 Effect of different air outlet parameters on the distribution of dust concentration

由圖3(a)可知，隨著出風口口徑的增大，出風口風速變小，掘進端面產生的粉塵向回風側位置運移，有利于抽風筒抽出粉塵。由圖3(b)可知，隨著水平右偏角度的增大，聚集在掘進機前端的粉塵被風流稀釋，掘進端面粉塵濃度明顯降低。由圖3(c)可知，隨著垂直上偏角度的增大，風流擴散范圍增大，掘進機周圍區域粉塵濃度明顯降低。

綜上分析可知，長壓短抽通風風筒出風口口徑、水平右偏角度和垂直上偏角度各參數變化對掘進端面和回風側位置粉塵濃度分布有顯著影響，且各參數之間對于粉塵濃度分布往往存在交互影響，因此，要實現在不同掘進階段達到最佳的風流調控與降塵效果，需獲取出風口口徑、水平右偏角度和垂直上偏角度綜合變化下的最佳風流調控參數。

2 通風降塵的最佳風流調控參數獲取

2.1 風流調控樣本數據提取

通過上一節對不同出風口風流調控參數變化下的粉塵場模擬分析可知，要實現在不同掘進階段最佳的通風降塵風流調控效果，需獲取出風口口徑、水平右偏角度和垂直上偏角度綜合變化下的最佳風流調控參數。目前，煤礦掘進工作面人員活動區域主要是掘進機司機位置和回風側行人位置，該區域的粉塵濃度對井下工作人員有很大危害。因此，本文將調控后司機位置處和回風側行人位置處的粉塵濃度大小作為不同掘進階段最佳風流調控參數的判斷依據，將出風口風流調控參數作為條件屬性，司機位置處及回風側行人位置處的風速及粉塵濃度作為決策屬性[12-13]，見表3。

表3 風流調控的條件屬性及決策屬性Table 3 Condition and decision attributes of air flow control

根據文獻[14]得出在出風口距掘進端面5～10 m范圍內風流調控參數合理變化范圍：出風口口徑為0.8～1.2 m，水平右偏角度為0～25°，垂直上偏角度為0～6°，設計了出風口距掘進端面最近距離5 m時風流調控參數綜合變化下的數值模擬實驗方案，并通過建立的風流調控有限元模型對各參數綜合變化下的風流及粉塵場進行模擬分析，提取調控后司機位置處和回風側行人位置處的風速及粉塵濃度數據，模擬實驗方案及風流調控數據見表4。

表4 模擬實驗方案及風流調控數據Table 4 Simulation experiment schemes and air flow control data

2.2 司機位置及回風側行人位置雙目標優化的最佳風流調控參數

2.2.1 基于小生境遺傳算法的雙目標優化求解算法

以司機位置處的粉塵濃度d3和回風側行人位置處的粉塵濃度d4同時最低為優化目標，初步建立了獲取最佳風流調控參數的小生境遺傳算法的適應度函數：

(3)

式中：d3 min為司機位置處最小粉塵濃度；d4 min為回風側行人位置處最小粉塵濃度；a,b為評價偏重,a=b=0.5。

為了保證調控方案的多樣性，利用類共享函數[15]對初步建立的適應度函數進行改進。

(4)

式中：M為調控方案的種群規模；Sc(xi,xj)為類共享函數；i,j為種群的不同個體。

小生境遺傳算法流程如圖4所示。圖中T0為開始進化代數，為0;T為最大進化代數，為10。

圖4 最佳風流調控參數獲取的算法流程Fig.4 Algorithm flow for obtaining the optimal air flow control parameters

利用Matlab對最佳風流調控參數獲取的小生境遺傳算法進行編寫，部分程序如下：

SD_P=DataPre(SD); {輸入: SD風流調控數據，輸出: SD_P預處理后的風流調控數據}

?

a=0.5;b=0.5; {評價偏重}

d3_min=min(DecodedPop(:,1)); {司機位置處最小粉塵濃度}

d4_min=min(DecodedPop(:,2)); {回風側行人位置處最小粉塵濃度}

fori=1:size(DecodedPop,1)

f(i)=a*(d3_min/DecodedPop(i,1))+

b*(d4_min/DecodedPop(i,2));

{以司機位置處和回風側行人位置處的粉塵濃度同時最低為優化目標}

end

2.2.2 最佳風流調控參數的獲取

(1) 風流調控數據預處理。為了提高算法對風流調控參數獲取的準確性，以《煤礦安全規程》中規定的風速范圍0.25～4 m/s作為約束條件[16]，首先對表4中的風流調控數據進行預處理，剔除不符合要求的方案7、16、22、27、28、32。然后依據出風口各參數調控范圍、最佳降塵的風速范圍0.4～1.0 m/s[17]和表4中粉塵濃度數據的區間范圍劃分各調控屬性的候選分割點集，見表5。

表5 調控參數候選分割點集Table 5 Control parameters candidate segmentation point set

根據表5中調控屬性的候選分割點值，采用四段式二進制編碼[18]對預處理后的風流調控數據進行轉換，見表6。

(2) 最佳風流調控參數的獲取。將表6中編碼后的風流調控數據作為小生境遺傳算法挖掘分析的初始種群，通過Matlab編寫的算法程序確定初始種群進行遺傳操作的參數，見表7。

表6 風流調控數據四段式二進制編碼Table 6 Four-segment binary code of air flow control data

表7 遺傳操作參數Table 7 Genetic operating parameters

通過算法遺傳操作后，首先對每個調控方案個體適應度值大小進行調整排序，然后提取適應度值排序前三的風流調控方案作為較優結果集進行解碼，見表8。以司機位置處和回風側行人位置處的粉塵濃度同時最低為前提，選擇適應度值最大的個體為最佳風流調控參數。由表8可看出，方案1為出風口距掘進端面最近距離5 m時的最佳風流調控參數。應用于風流智能調控裝置時，出風口口徑調節范圍為1.1～1.2 m,水平右偏角度調節范圍為10～15°,上偏角度調節范圍為3～6°。

表8 適應度值排序前三的風流調控方案Table 8 The top three air flow control schemes in the order of fitness value

同理可得出風口距掘進端面最遠距離10 m時應用于風流智能調控裝置的最佳風流調控參數：出風口口徑調節范圍為0.8～0.9 m,水平右偏角度調節范圍為0～5°，垂直上偏角度調節范圍為0～3°。

3 最佳風流調控參數測試分析

3.1 實驗測試平臺搭建

基于相似理論確定了簡化后的原型和實驗平臺之間的相似準則數為斯托克斯準則數、顆粒雷諾數和幾何相似準則數[19]。在此基礎上，設計搭建了1∶5的S1204掘進工作面長壓短抽通風風流智能調控的實驗測試平臺，各組成部分如圖5所示。通過該平臺進行最佳風流調控參數的測試及調控效果分析。

圖5 S1204掘進工作面風流智能調控實驗測試平臺Fig.5 Air flow intelligent control experimental test platform of S1204 heading face

3.2 風速及粉塵濃度測點布置

在實驗測試平臺回風側位置沿程(X=1 m，Y=0.3 m，Z=1～6 m)布置6個風速傳感器和粉塵濃度傳感器；在實驗測試平臺掘進機司機位置(X=0.6 m，Y=0.4 m，Z=1.5 m)布置1個風速傳感器和1個粉塵濃度傳感器，各測點位置如圖6所示。

圖6 風速及粉塵傳感器測點位置Fig.6 Air speed and dust sensor measuring point position

3.3 最佳風流調控參數降塵調控效果分析

通過搭建的S1204掘進巷道長壓短抽通風風流智能調控的實驗測試平臺對出風口距掘進端面最近距離5 m的最佳風流調控參數(出風口口徑為1.1～1.2 m，水平右偏角度為10～15°，垂直上偏角度為3～6°)和出風口距掘進端面最遠距離10 m的最佳風流調控參數(出風口口徑為0.8～0.9 m，水平右偏角度為0～5°，垂直上偏角度為0～3°)進行了試驗測試，提取各測點的粉塵濃度數據與調控前的數據進行對比，結果如圖7所示。

(a) 出風口距掘進端面5 m

(b) 出風口距掘進端面10 m圖7 調控前后的粉塵濃度對比Fig.7 Comparison of dust concentration before and after control

從圖7可看出,出風口距掘進端面最近距離5 m時，調控前司機位置處的粉塵濃度為240.24 mg/m3，調控后為128.89 mg/m3，降低了 46.4%；調控前回風側行人位置處的平均粉塵濃度為382.91 mg/m3，調控后為170.64 mg/m3，降低了55.4%。出風口距掘進端面最遠距離10 m時，調控前司機位置處的粉塵濃度為231.23 mg/m3，調控后為110.28 mg/m3，降低了52.3%；調控前回風側行人位置處的平均粉塵濃度為402.49 mg/m3，調控后為158.70 mg/m3，降低了60.6%，驗證了獲取的最佳風流調控參數的準確性。

4 結論

(1) 通過數值分析選取了風筒出風口口徑、水平右偏角度和垂直上偏角度作為不同掘進階段長壓短抽通風降塵的出風口風流動態調控參數。

(2) 基于小生境遺傳算法建立了以司機位置處和回風側行人位置處的粉塵濃度同時最低為優化目標的最佳風流調控參數獲取的求解算法。

(3) 獲取了S1204掘進工作面出風口距掘進端面最近距離5 m和最遠距離10 m時的最佳風流調控參數：在5 m處，出風口口徑為1.1～1.2 m,水平右偏角度為10～15°,垂直上偏角度為3～6°；在10 m處，出風口口徑為0.8～0.9 m,水平右偏角度為0～5°,垂直上偏角度為0～3°。

(4) 搭建了1∶5相似模擬的S1204掘進工作面的風流智能調控實驗測試平臺，對最佳風流調控參數進行了測試分析，結果表明：司機位置處的粉塵濃度最高降低了52.3%，回風側行人位置處的粉塵濃度最高降低了60.6%，驗證了最佳風流調控參數的準確性。