火災工況下隧道通風系統控制策略編制技術研究

摘要 文章圍繞公路隧道通風系統控制策略編制所需的斷面風速測試和臨界風速計算兩方面關鍵技術，詳細介紹其基本原理和現有技術方案，在此基礎上提出一種多斷面風速監測新思路并深入分析風速傳感器選型及其無線組網方式。此外，提出一種火災工況下臨界風速快速預測新思路，重點闡述基于FDS模擬試驗的臨界風速樣本獲取要點，以及基于機器學習算法的多因素，即臨界風速預測模型構建要點。

關鍵詞 隧道通風；火災工況；風速監測；臨界風速；FDS

中圖分類號 U453.5 文獻標識碼 A 文章編號 2096-8949（2024）07-0001-04

0 引言

近年來，公路隧道建設蓬勃發展，隧道數量和里程不斷增加，單座隧道長度不斷突破，在給公路交通創造有利條件的同時，隧道內各類事故隱患也不斷增多，其中隧道火災事故更是時有發生。隧道內一旦發生火災，隧道內的溫度和煙氣對人員安全產生嚴重威脅，稍有不慎將導致嚴重的人員傷亡和財產損失。

2020—2021年全國公路隧道養護運行管理現狀調研期間，關于通風系統應急控制策略的調研，共收到495份問卷，其中245家管理單位明確表示沒有制定突發事件的通風控制策略，占比接近50%。在隧道火災突發時，通風系統不能盡快發揮控煙、排煙作用，有時甚至會起反作用。

事先通過現場試驗探明隧道通風資源特征及利用價值，是編制通風系統控制策略的必要前提條件。對于典型的公路隧道，分別在單組風機獨立運行、多組風機不同組合運行條件下，分析得出：斷面風速隨時間及縱向位置變化曲線，是揭示通風資源特征的一種重要途徑。因此，通風系統控制策略編制中，斷面風速的可靠監測是通風供應側需要解決的關鍵技術問題。

從需求側來看，預測隧道火災臨界風速需求是編制通風系統控制策略的重要客觀依據。分別分析隧道海拔高度、火源功率、斷面阻塞比以及不同區段路面坡度等因素對臨界風速的影響程度，從而提出：綜合考慮多因素影響、普遍適用且及時性好的臨界風速快速預測算法，是通風需求側應當解決的關鍵技術問題。

該文針對通風系統控制策略編制所需的斷面風速測試、臨界風速計算兩方面關鍵技術，詳細介紹其基本原理和現有方案。在此基礎上，分別提出多斷面風速監測和臨界風速快速預測的新技術總體思路，并對其中的傳感器選型與組網、臨界風速樣本獲取與預測模型構建進行重點分析。

1 斷面風速測試原理與多斷面監測新技術

1.1 常用測試方案介紹

關于隧道斷面風速測試，多采用傳統風速儀在斷面內逐點進行測量。交通運輸部公路科學研究院李俊峰等將公路隧道斷面劃分為16個測量區域[1]，開發了斷面風速多通道檢測系統，從而實現各區域中心點風速同步測量；公安部天津消防研究所研發的隧道防排煙多點風速測量裝置[2]，將隧道全斷面細分成32個區域，基于多通道熱線風速傳感技術來測量斷面風速，且測量裝置適用于不同尺寸、不同形狀的各類隧道。

這些斷面風速測量方法以隧道全斷面為對象，近似等面積劃分區域測量風速，對于隧道火災工況下排煙來說，隧道斷面上部或者上中部煙氣集中位置才是通風關鍵區域，因此有必要在斷面內進一步劃分關鍵區域并監測其平均風速。另外，鐵道部科學研究院進行了鐵路隧道斷面平均風速位置搜索，獲得了斷面內平均風速特征點分布曲線，對研究公路隧道斷面關鍵區域平均風速特征位置分布特點具有一定的參考意義。

1.2 風速傳感器分析

在隧道斷面風速多通道同步測量方面，風速傳感器共有葉片式、風杯式、超聲波式和熱敏式四種類型，其測量范圍都能覆蓋1～25 m/s且示值誤差在5%以內。從起動風速大小、現場安裝難易程度以及是否有利于組網出發，分析各類風速傳感器特點并匯總如表1所示。總體來說，熱敏式風速傳感器對于隧道斷面風速測量需求來說具有明顯優勢。

1.3 無線組網方式分析

針對多熱敏風速傳感器無線組網，重點考慮數據傳輸實時性、通信距離長短和外部服務依賴度等因素，常用無線組網技術優缺點如表2所示。

LoRa基于Sub-GHz的頻段使其更易以較低功耗遠距離通信。雖然數據速率較低，但網絡終端容量大、通信距離遠、信號穿透力強且功耗低。既可以小范密集部署終端，也可以長距離分散通信部署終端，與斷面風速監測中數據通信量低、通信終端多、使用電池供電以及終端既要密集部署又要分散部署等需求最為匹配。

1.4 多斷面監測新技術總體思路

基于以上分析，提出一種隧道風速多斷面監測新技術，其總體技術路線如下：

（1）分析隧道火災工況下煙氣高度對人員逃生的影響，以此確定斷面通風關鍵區域。

（2）在斷面關鍵區域使用重型伸縮牛頭架和龍門架等設置數根等間距立柱，每根立柱上等間距布設若干風速計，如圖1所示。

（3）在各風速計旁設置LoRa無線傳輸節點，用于將風速數據傳輸至LoRa網關，并由LoRa網關以有線局域網傳輸方式將風速數據發送到風速監測軟件平臺，如圖2所示。

（4）在各斷面關鍵區域內分別確定代表該關鍵區域平均風速的特征位置。

（5）對全隧道多斷面特征位置風速同步測量，擬在隧道內每間隔100 m布設一個三腳架伸縮桿，伸縮桿頂端布設風速傳感器和LoRa無線傳輸節點；風速數據首先通過LoRa無線傳輸至附近數百米遠的LoRa網關，再經無線網橋連接的局域網傳輸至風速監測軟件平臺。

2 臨界風速計算原理及快速預測新技術

2.1 現有計算原理分析

關于隧道火災臨界風速研究，國內外學者開展了大量工作。臨界風速是指隧道內發生火災時，能有效地將煙氣控制于火源下風方向而不發生逆流的最小縱向通風風速，最早由英國的Thomas于1968年提出。根據不同火源功率及火源至出口距離對臨界風速的影響研究，結果顯示：臨界風速隨著火源功率的增大而增大，與火源功率的1/3次方成正比，且隨著火源與隧道出口距離的增大呈現出線性增長趨勢；部分學者研究了隧道坡度對射流風機臨界風速的影響，結果顯示上坡時坡度越大臨界風速越小，下坡時坡度（絕對值）越大臨界風速越大，并對現有Kennedy臨界風速模型中的坡度修正系數進行了優化[3]；武漢科技大學等單位研究了縱向通風下隧道長度對臨界風速的影響，結果顯示：臨界風速隨著隧道長度的增加呈上升趨勢但增速逐步變緩趨于0，并采用量綱分析法構建出臨界風速與隧道長度關系公式[4]；西南交通大學研究了隧道海拔高度對臨界風速的影響，結果顯示：臨界風速隨著海拔高度的增加而增大，當火災熱釋放率大于30 MW時海拔高度對臨界風速影響較小，火災熱釋放率小于30 MW時海拔高度對臨界風速的影響顯著增強，且隨著熱釋放率的減小影響不斷增大[5]。

長安大學王永東等人系統總結了國內外關于火源熱釋放率、燃料類型、火源尺寸、火源位置、縱向風溫度、隧道阻塞比、縱向坡度、斷面形狀、線形曲率、海拔高度、排煙模式等不同因素對臨界風速影響的研究成果[6]，這些成果大部分都是基于FDS模擬試驗得到。當采用FDS來模擬多因素變化下臨界風速變化規律時，發現明顯存在時間成本過高的問題，如在構建好的50 m長隧道內完成單次5 s燃燒試驗的運行時間長達2 h，且單次運行時間會隨著隧道長度、模擬燃燒時間以及影響因素個數的增長顯著增加至數天。對此，有學者利用FDS軟件就其中五個影響因素分別進行了研究，得到臨界風速隨各影響因素的變化規律，在此基礎上引入BP神經網絡技術研究多種影響因素下臨界風速的預測建模，為發展預測臨界風速的工程計算模型提供了一種新思路[7]。值得注意的是，該預測模型選取的因素中火源寬度、火源橫向位置對臨界風速的影響小到可以忽略不計，而其他研究證明對臨界風速影響較大的海拔高度、斷面尺寸（緊急停車帶）等因素未在模型中得以體現。因此，研究一種適用于火災工況下隧道通風系統控制策略、無需FSD建模分析、充分考慮主要影響因素的臨界風速快速預測技術十分必要。

2.2 快速預測新技術總體思路

該文提出一種臨界風速快速預測新思路，其總體技術路線如圖3所示。

主要步驟：

（1）在FDS中構建典型隧道模型，將一組火源功率、縱向坡度、隧道阻塞比等臨界風速影響因素量化后作為試驗參數進行配置，并在模型中給定一個通風初始風速（約0.5 m/s），如圖4（a）所示。

（2）運行FDS模擬試驗，重點觀察試驗過程中火源附近是否存在煙氣逆流現象，如果有煙氣逆流則增大通風風速后再次運行FDS模擬試驗，直至風速增大到恰好不存在煙氣逆流為止，如圖4（b）所示。

（3）保存此時的各影響因素量化值和對應的通風風速數據，生成一個多因素—臨界風速樣本。

（4）如果還需生成更多的樣本數據，則修改影響因素量化值及試驗參數，繼續執行步驟（3）和（4）。

（5）在生成足夠多數量的多因素—臨界風速樣本后，歸集形成樣本庫。

（6）采用機器學習算法來訓練樣本庫，建立基于多特征分析的火災臨界風速快速預測模型。

（7）在臨界風速預測時，將火源功率、縱向坡度等各影響因素值輸入預測模型，即可獲得臨界風速預測輸出結果。

2.3 基于機器學習的模型構建

快速預測技術采用神經網絡算法建立多影響因素作用的臨界風速映射模型，以火源功率、縱向坡度、隧道阻塞比等作為神經網絡的輸入計算及預測臨界風速值。BP神經網絡作為一種比較典型的人工神經網絡，是基于誤差反向傳播算法（Back-Propagation）的多層前向神經網絡，其主要結構由一個輸入層、一個或多個隱含層和一個輸出層組成，各層由若干個神經元構成，每一個節點的輸出值由輸入值、激發函數和閾值決定。

用于臨界風速預測建模的三層BP神經網絡結構如圖5所示，其輸入層設計為8個節點，分別對應于樣本中的各輸入指標；網絡的隱含層沒有明確的物理意義，其節點個數根據經驗選取為輸入節點數的2倍左右，激發函數采用雙曲函數；網絡的輸出層僅包含1個節點，對應于樣本中的臨界風速值，由于該輸出不能取負值，其激發函數選取非負的Sigmoid函數。同時，選取性能指標函數并按照梯度下降學習法逐步調整BP神經網絡的內部參數，獲得滿足精度要求的臨界風速預測模型。

在以上預測模型中，神經網絡求解臨界風速y的步驟如下：

由輸入層第i個節點的輸出ai、輸入層第i個節點到隱含層第j個節點的權值wij、隱含層第j個節點的閾值θj計算隱含層第j個節點的輸入：

由隱含層激發函數bj計算隱含層第j個節點的輸出：

由隱含層第j個節點的輸出bi、隱含層第j個節點到輸出層節點的權值wj、輸出層節點的閾值θ計算輸出層節點的輸入net：

由輸出層激發函數f（·）計算輸出層節點的輸出及臨界風速值：

3 結語

該文針對火災工況下公路隧道通風系統的控制策略編制，一方面，在介紹斷面風速測試現有方案后，分析了各類風速傳感器用于斷面風速測量的優缺點以及多傳感器常用的無線組網技術，進而提出適用于長大隧道多斷面關鍵區域風速監測的新技術。另一方面，介紹了火災工況下臨界風速計算的現有方法及其存在的不足，提出臨界風速快速預測新技術，并對臨界風速樣本獲取要點和多因素作用的臨界風速預測模型構建要點進行了重點闡述，為通風系統控制策略編制提供了強有力的理論支撐。圍繞火災工況下通風系統控制策略編制這一主題，開展其他內涵關鍵技術的深入研究，是后續工作的重點。

參考文獻

[1]李俊峰， 朱立偉. 公路隧道斷面風速多通道檢測系統研究[J]. 公路交通科技（應用技術版）， 2012（4）： 164-166.

[2]王同喜， 李樹超， 齊楸， 等. 隧道風速測試方法研究[J]. 消防科學與技術， 2016（8）： 1069-1072.

[3]李俊梅， 許鵬， 李炎鋒， 等. 大坡度隧道臨界風速的數值模擬和實驗研究[J]. 北京工業大學學報， 2017（11）： 1706-1712.

[4]姜學鵬， 朱珠， 喬意峰， 等. 縱向通風下隧道長度對臨界風速的影響分析[J]. 地下空間與工程學報， 2019（4）： 1267-1272.

[5]王峰， 張路華， 袁松， 等. 高海拔公路隧道火災煙氣控制臨界風速研究[J]. 中國公路學報， 2022（5）： 153-160.

[6]王永東， 張如， 張一龍. 國內外隧道火災臨界風速研究綜述[J]. 現代隧道技術， 2018（4）： 14-24.

[7]梁華剛， 龐麗琴， 高冬梅. 基于ANN的公路隧道火災臨界風速預測研究[J]. 自動化與儀表， 2019（1）： 93-98.