基于CO-需風量理論的隧道施工通風控制優化模型研究

張佳鵬, 郭 春, *

(1. 西南交通大學土木工程學院, 四川 成都 610031; 2. 西南交通大學 交通隧道工程教育部重點實驗室, 四川 成都 610031)

0 引言

隨著國家交通建設的深度發展,長大隧道日益增多,施工通風系統是保障施工安全的重要部分,其成本也隨著隧道長度的增加而增加。目前,壓入式通風為最常用的通風方式,其風機設計需滿足隧道建設周期內的最大需風量。但在隧道建設過程中,施工環境受到掘進距離、工況等要素的影響,實際需風量往往小于設計風量。實時監測隧道環境有害氣體、粉塵、溫濕度等要素變化,采用智能控制技術動態調整風機風量以滿足施工需求是有效降低施工通風成本的方式之一。

國內外學者主要將智能控制技術的研究重點放在隧道運營期間,如公路隧道運營通風系統[1]、城市地鐵環控系統[2]和綜合管廊通風系統[3],而在隧道施工通風系統中應用還不成熟。由于隧道運營期間和施工期間二者環境的差異,運營通風系統的智能控制技術無法直接應用于施工通風系統。

隧道施工通風智能控制系統主要是將傳感器監測的有害氣體、粉塵等要素數據實時傳輸給PLC進行處理,控制變頻器調節風機的交流電頻率以改變風機轉速,從而達到調節供風量的目的,滿足隧道施工需求[4]。有學者對此進行了研究: 余發山等[5]提出一種模糊PID迭代學習算法, 通過把設計控制算法的問題轉換成對模糊PID控制器3個參數Kp、Ki、Kd進行整定的問題; 劉石磊等[6]在天目山隧道杭黃鐵路聞家斜井采用BP人工神經網絡對風機司機的操作過程進行學習,建立了一種基于工業以太網絡的隧道施工通風監控系統; 吳燕升[7]在高原鐵路某隧道2號斜井采用智能化通風供氧控制系統,施工環境良好,且節能27%; Liu等[8]在西南華鎣山隧道基于徑向基函數神經網絡設計了關于隧道進尺的隧道通風智能變頻控制系統,使能耗降低了42%。

通過以上文獻調研可知,目前對隧道施工通風智能控制技術的研究還不完善,主要是提出模糊控制、神經網絡控制等控制方法,現場試驗只對隧道應用了單一控制方式,沒有對不同的控制方法進行對比分析,缺乏對隧道施工建設全周期的通風效果研究。由于CO是隧道施工環境中的主要有害氣體,可以代表隧道施工通風中有害氣體的運移擴散規律,因此本文選用CO體積分數作為控制指標,建立隧道施工爆破通風和機械出渣下CO-需風量理論模型,并對采用不同控制模型的通風效果進行MATLAB仿真模擬分析,根據通風效果確定出隧道施工通風系統的最優控制模型。

1 案例隧道施工通風情況

1.1 基本參數

本文以某隧道施工通風系統為例,根據TB 10304—2020《鐵路隧道施工安全技術規程》和JTG/T 3660—2020《公路隧道施工技術規范》等規范,結合隧道施工環境特征,確定隧道施工環境要素控制指標,見表1。以需風量作為控制對象,其通風計算基礎參數見表2。

表1 隧道施工環境要素控制指標Table 1 Control indices of tunnel construction environment elements

表2 通風計算基礎參數表Table 2 Basic parameters for ventilation calculation

1.2 風機選配

1.2.1 隧道需風量計算

1)施工人員需風量

Q人=q人·n。

(1)

式中:q人為人員配風標準,m3/(人·min);n為人數。

2)通風長度

(2)

式中G為爆破炸藥用量,kg。

3)爆破排煙需風量

(3)

式中:t為通風時間,s;A為掌子面開挖面積,m2;b為炸藥產生的CO,一般取40 L/kg;Pq為通風區段內通風管始末端風量之比,為了簡化計算取1;Ca為要求達到的CO體積分數,接觸時間小于30 min可取0.008%,長時間接觸取0.002 4%。

4)內燃機作業需風量

QM=k1·k2·H·q。

(4)

式中:k1為內燃機功率使用有效系數,取0.6;k2為內燃機功率工作系數,取0.8;H為內燃機總功率,kW;q為內燃機單位功率供風量,m3/(kW·min)。

5)洞內最低風速需風量

QW=60·Amax·v。

(5)

式中:Amax為隧道最大開挖面積,m2;v為洞內允許最小風速,取0.15 m/s。

6)隧道需風量計算結果見表3。

表3 隧道各部分需風量Table 3 Air demand of each part of tunnel m3/min

以上計算結果最大值作為掌子面的理論需風量Q需,即1 231 m3/min。

1.2.2 風機選配

風機所需風量

(6)

式中:β為風管百米漏風率,取2%;L為最大通風長度,m。

風管風阻

(7)

式中:λ為摩阻系數;ρ為空氣密度,kg/m3;d為過風斷面當量直徑,m。

風機所需風量及風管風阻計算結果見表4,風機選配見表5。

表4 風機風量及風管風阻計算表Table 4 Calculation parameters of fan air volume and air drag in pipe

表5 風機選配參數表Table 5 Fan parameters

2 隧道施工CO-需風量理論模型

隧道施工環境中的有害氣體主要來自于爆破工況下的炮煙和出渣工況下的機械尾氣,其主要成分有CO、CO2、NOx、SO2等。本文以CO為研究對象,建立不同工況下隧道內各斷面CO體積分數隨時間變化的關系模型。

2.1 爆破工況下CO-需風量理論模型

針對壓入式通風系統爆破工況下CO體積分數變化規律,大多數學者有以下幾個觀點[9-12]:

1)隧道掌子面爆破后,在通風排煙過程中,CO在隧道內以氣團的形式存在,氣團中心CO體積分數高,氣團兩邊CO體積分數低。

2)風管口至掌子面之間分為射流區、回流區和渦流區,渦流區對CO氣團具有一定的滯留作用。

3)同一斷面的CO體積分數在達到峰值后與通風時間呈負指數關系。

4)在遠離掌子面的流場穩定區,CO氣體運移距離與通風時間呈線性關系,斷面CO峰值移動速度接近隧道內平均風速。

5)CO氣體向外排出的整個過程可以分為分子擴散、隨流擴散和紊動擴散。

2.1.1 0

爆破產生巨大沖擊可以使炮煙短時間內迅速充滿靠近掌子面附近的空間,并和附近的空氣進行充分混合。假設此時CO均勻分布在此爆破炮煙拋擲區域,基于稀釋理論,CO體積分數[13]

(8)

式中:x為與掌子面距離,m;Lt為炮煙拋擲長度,取15+G/5,m;C0為爆破后炮煙拋擲區內CO平均體積分數,%;Q為實際供風量,m3/s; Δt為單位時間,s。

2.1.2Lt

爆破產生的CO氣團在最初始時隨著爆破沖擊快速遠離掌子面并與空氣充分融合,初始動能快速消耗,之后CO氣團在受到流場作用遠離渦流區,并且其中心運移速度約為風速時,CO氣團與氣流相對靜止,直至掌子面對CO氣團影響約束極弱,此時可以看作CO瞬時點源一維隨流擴散。

瞬時點源一維隨流擴散方程為

(9)

解為

(10)

式(9)—(10)中:D為CO-空氣擴散系數,m2/s;u為隧道流場穩定區平均風速,m/s;ts為受爆破影響的修正系數,s。

由式(10)可知,CO-空氣擴散系數對CO運移擴散濃度場分布形狀和CO氣團中心體積分數峰值有影響。CO-空氣擴散系數通常由試驗測得,在公路隧道運營通風環境下,其值近似取2.3 m2/s[14],而隧道施工通風環境流場沒有大量車流,擾動更穩定,其值雖略小于2.3 m2/s,但可滿足模型測試調節需求。

2.2 出渣工況下CO-需風量理論模型

出渣工況下,CO的排放主體主要是挖掘機、裝載機和自卸卡車等施工機械,作為污染連續點源,CO體積分數變化特點如下[15-16]:

1)不同車速行駛過程中,CO體積分數超過規范的區域極小,出渣工況下CO體積分數超限主要是施工機械CO排放累積而導致的。

2)機械行進過程中,其排放的CO體積分數在沿排氣管軸線30 m內呈指數型減小,之后趨于穩定。

2.2.1 掌子面附近

在整個出渣工況,掌子面一直有挖掘機、裝載機和自卸卡車工作,若總CO排放量、進風量不變,CO與附近的空氣時刻充分融合,則有

(11)

式中qA為掌子面機械CO排放量,m3/s。

相較于爆破工況下掌子面CO體積分數變化,此時僅增加了qA的CO污染量,若式(8)中C0與式(11)相等,且存在區域X同時有式(8)和式(11)前提條件的污染源,即區域X中CO的初始體積分數為C0,時刻產生qA體積的CO,進風量為Q,且與污染物實時充分融合,則此時區域X中的CO體積分數時刻保持不變,連續點源對X區域內的影響為

(12)

2.2.2 機械進出隧道

若不考慮機械形體對隧道流場的局部影響,忽略尾氣剛排出時的初速度,以自卸卡車為參考系,則流場等效速度

ut=u+um。

(13)

式中:u為隧道內風速,m/s;um為機械移速,m/s。

連續點源一維隨流擴散方程可以看作對瞬時點源一維隨流擴散方程從0到t的積分。

當t→∞時,式(8)從0到t積分的解為

(14)

式中qt為移動機械CO排放量,m3/s。

綜上,本文建立了爆破工況和出渣工況下隧道區間CO一維擴散模型。相比理論分析和數值模擬,隧道現場情況復雜多變,整個隧道內流場還會受到人員、機械等因素影響,紊流不僅發生在掌子面附近,還發生在整個隧道流場,這將導致CO受到的擴散作用更強。具體表現為: 在爆破后,通風時間越長,隧道現場測量值與數值模擬所得到的整個隧道的CO峰值相比越小,整個CO體積分數的分布曲線更加平緩[17]。

2.3 施工通風控制系統測試模型

隧道施工CO-需風量理論模型與實際情況有一定差別,但是其變化規律與實際相符,可以滿足對控制系統檢驗和調教的需求。結合1.1節中的隧道施工通風系統,在隧道一直保持最大需風量的情況下,通過將第1節中隧道施工通風設計數據代入建立的理論模型(即式(8)和式(10)),計算得到掌子面附近和距掌子面300、600、900 m處CO體積分數隨時間變化情況,如圖1所示。

圖1 爆破后各隧道斷面CO體積分數隨時間變化曲線圖Fig. 1 Changing curves of CO volume fraction with time at each tunnel cross-section after blasting

由圖1可知,爆破后通風30 min并不能使全尺寸隧道CO體積分數滿足規范要求,與實際隧道施工進洞時間是沖突的,但施工通風系統應確保施工人員長時間施工的區域環境滿足規范要求,據此對施工通風控制系統測試模型調整如下:

1)隧道污染物監測點。選擇掌子面附近和距掌子面300 m處作為CO監測點,可以較全面地反映隧道施工區內的情況。

2)模擬時長及工況。隧道距掌子面300 m內,爆破通風3 000 s后機械尾氣污染占據主導地位,且2 000 s內空氣可完全換新。總模擬時長為4 970 s,爆破排煙20 min,機械出渣60 min,自卸卡車20 min進出1次隧道。

3)監測信號。即控制系統輸入信號,其信號采樣頻率為1 Hz,為模擬隧道施工系統的動態性等特點,監測值為模型預測值C(x,t)與[0.5,1.5]正態分布的偽隨機數的乘積。

4)輸出信號。模擬輸出為風管口需風量,不考慮隧道長度和風管漏風情況。

3 控制模型優化研究

根據第2節中得到的CO-需風量理論模型可知,需風量與CO體積分數呈非線性負相關,為了提高控制效果,假定二者為反比例關系,將CO體積分數測量值與允許值的比值作為控制指標,有

(15)

3.1 PID控制模型

PID(proportional integral derivative)控制即比例積分微分控制,是根據監測值與設定值之間的誤差比例Kp、積分Ki和微分Kd進行控制的閉環反饋控制系統。其離散的位置式PID控制算法為

(16)

式中:Kp為比例常數;Ki為積分常數;Kd為微分常數;e[i]為第i采樣時刻,給定值r(t)與測量值之差;u[n]為第n采樣時刻,PID控制器的輸出信號。

結合式(14)有

(17)

3.2 模糊自整定PID控制模型優化

模糊算法(fuzzy algorithm)是由模糊化、模糊推理和去模糊化3個功能模塊和知識庫構成的一種智能推理算法。Fuzzy PID控制即模糊PID控制[18],是利用模糊算法來自整定PID中Kp、Ki和Kd系數的一種控制方法。控制模型設計流程如下:

1)選擇CO監測值的偏差e及偏差的變化ec為輸入,Kp、Ki和Kd系數作為輸出。

2)將輸入和輸出分別進行論域變換。

3)定義模糊集合并確定相應的隸屬度函數。

4)建立Kp、Ki和Kd各自與e和ec的模糊規則。

5)采用重心法(普通加權平均法)去模糊化確定Kp、Ki和Kd的值。

結合隧道施工通風系統的特點將偏差e進行非線性論域變換為

(18)

取偏差e的論域中[-3,3]作為控制子集,論域中元素小于-3取-3,則此時CO體積分數小于1/4允許體積分數Ca;大于3則取3,此時CO體積分數大于4倍允許體積分數Ca。e、ec、Kp、Ki和Kd的論域均劃分為{-3,-2,-1,0,1,2,3}7個等級,對應的模糊子集為{NB, NM, NS, ZO, PS, PM, PB}。

3.3 RBF神經網絡自整定PID控制模型優化

基于徑向基函數的神經網絡即RBF神經網絡(radial basis function neural network)自整定PID控制[19]是指,在系統運行過程中利用RBF神經網絡根據PID 3項輸入值,確定Kp、Ki和Kd系數最優值,神經網絡整定指標

(19)

采用梯度下降法確定PID中Kp、Ki和Kd系數,其調整量為

(20)

4 控制模型仿真分析

4.1 施工通風系統監測點分析

爆破通風1 200 s后開始出渣,分別以掌子面附近監測點和距掌子面300 m處監測點為控制點,采用PID控制模型進行仿真模擬,不同控制點隧道施工需風量變化曲線見圖2。

圖2 PID控制模型下不同控制點隧道施工需風量變化曲線Fig. 2 Changing curves of air demand for tunnel construction at different control points under PID control model

由圖2可知,爆破、出渣工況下通風時間和需風量與監測點即控制點密切相關。爆破工況下,控制點距離掌子面越遠,通風時間越長; 出渣工況下,控制點距離掌子面越遠,需風量越大。所以根據施工區域合理選取監測點對于實現低碳目標具有重要意義。本文采用掌子面附近監測點和距掌子面300 m處監測點的CO體積分數最大值作為控制點。

4.2 控制模型響應分析

在不考慮監測數據波動(見2.3節3))的前提下,不同控制模型隧道CO體積分數仿真結果見圖3,隧道通風量仿真結果見圖4。輸入信號條件為2.3節2),不同控制模型監測波動情況下隧道通風量仿真結果見圖5。3種控制模型響應時間、振蕩時間及標準差見表6。

圖3 不同控制模型隧道CO體積分數仿真結果圖Fig. 3 Simulation results of CO volume fraction in tunnels in different control models

圖4 不同控制模型隧道通風量仿真結果圖Fig. 4 Simulation results of tunnel ventilation volume in different control models

(a) Fuzzy PID和PID控制對比圖

(b) RBF-PID和PID控制對比圖圖5 不同控制模型監測波動情況下隧道通風量仿真結果Fig. 5 Simulation results of tunnel ventilation volume under monitoring fluctuation in different control models

表6 不同控制模型仿真數據表Table 6 Simulation data of different control models

Kp、Ki和Kd參數初始值調節過程中,在圖3橫坐標1 000 s處左右輸出值不產生振蕩的前提下,Kp選取最大值,這時PID控制模型雖然響應較快、性能較好,但在實際工程中參數難以校準且抗干擾能力差。

RBF-PID控制模型相較于Fuzzy PID控制模型響應更快,這是因為RBF神經網絡能實時根據CO體積分數及其變化預測下一時刻的需風量,而Fuzzy PID控制模型則主要是根據經驗設置的模糊規則調節需風量,同時這也導致了Fuzzy PID控制模型抗干擾能力更強,RBF-PID控制模型抗干擾能力較弱,振蕩時間長。

4.3 控制模型能耗分析

上述3種控制模式下總需風量分別為90 331、90 325、90 328 m3,風量和能耗成3次方的關系,節能效果相近,現選取Fuzzy PID控制模型的仿真數據進行節能效果分析。實際施工過程中,風機雖然有少量檔位可以調節,但是隨著工況的變化、掘進過程中通風長度的增加以及通風環境中的動態變化,傳統手動調節風機需要施工人員判斷施工環境,很難滿足實際需求。出渣工況作為隧道通風量設計最危險工況,而通風設計計算原理是將新鮮風把剛生成的污染物稀釋到規范限值以下,與實際情況不符,沒有考慮到施工機械工作的動態性以及污染物在隧道內的運移擴散規律,相對于調節至最大風量,采用隧道施工通風智能控制系統節能效果顯著,1 000 m長隧道可節能37.1%以上,2 000 m長隧道可節能65.3%以上。智能控制節能效果對比見表7。

表7 智能控制節能效果對比表Table 7 Comparison of energy-saving effects of intelligent control

5 結論與建議

本文建立了隧道施工爆破和機械出渣下CO-需風量理論模型,據此確定了隧道施工通風控制系統數字仿真模型,并對PID控制、Fuzzy PID以及RBF-PID3種控制模型進行MATLAB仿真分析,得到結論如下:

1)本文所建立的CO-需風量理論模型可反映實際隧道施工過程中CO體積分數數值變化情況以及其變化規律。

2)由于隧道施工爆破通風主要以CO氣團運移為主,因此根據施工區域確定環境控制區,即有害氣體監測區是施工通風智能控制的重要前提條件。

3)結合隧道施工通風系統特點,將CO體積分數實測值與允許值之比作為控制系統的控制指標,將控制關系近似線性化,可以極大地增強控制模型性能。

4)控制模型性能和抗干擾性有一定的負相關性,本文中PID控制模型由于參數調節的便捷性使其在理論響應性能上較為優異,但Fuzzy PID控制模型或RBF-PID控制模型可更好地響應實際工程對于抗干擾和性能的需求。

5)采用智能控制的隧道施工通風系統節能效果顯著,且隨著隧道長度的增加,其經濟性愈發明顯。

隧道施工通風環境智能控制不能僅停留在單一隧道、單一工程,接下來應該深入研究隧道施工通風規律,提出一套系統的、適應性強的隧道施工通風智能控制系統。