国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

火災工況下公路隧道通風智能控制模型研究

2023-01-30 03:27陳曉利李遠哲
公路交通技術 2022年6期
關鍵詞:右線交通量火源

李 旭, 陳曉利, 李遠哲, 張 磊

(1.廣東省南粵交通仁新高速公路管理處, 廣東 韶關 512600; 2.重慶交通大學 交通運輸學院, 重慶 400074;3.招商局重慶交通科研設計院有限公司, 重慶 400067)

隨著我國公路網不斷向山區(qū)延伸,公路隧道在路線中占比越來越高,這大大增加了公路隧道運營中火災險情發(fā)生的概率[1-2]。相較增加隧道設施防火等級的被動防火技術,對火災工況下的公路隧道開展智能通風主動控制方法研究也非常重要[3-4]。

有關隧道火災通風控制的研究,國外學者主要采用計算機數值模擬或者小規(guī)模模型試驗的方法。李俊梅等[5]運用火災仿真軟件FDS對城市公路隧道進行模擬,研究了在阻塞工況下不同火災規(guī)模的適宜通風速度。蔚艷慶等[6]在計算得到火災工況下臨界風速的基礎上,運用FDS軟件探索擁堵場景下4洞公路相鄰隧道進行相反方向控煙通風的模式控制方法。郭慶華等[7]研究了火災規(guī)模、隧道幾何線形對最高溫度與拱頂溫度的影響。Huang等[8]為了解隧道入口封閉率對火災行為的影響,采用CFD模擬了不同放熱率、封閉率在0%~100%范圍內的隧道火災。高云驥等[9]通過建立1∶10縮尺寸豎井隧道模型,研究了不同火災功率、發(fā)生位置及通風風速條件下,長隧道火災排煙流動規(guī)律與隧道環(huán)境溫度空間分布。王鐘寬等[10]為探究不同坡度下隧道火災的自熄現象,在縮尺寸模型中進行了甲醇燃料火災試驗,試驗結果表明高坡度隧道由于煙囪效應較強,產生的縱向通風使得火源難以自熄。鐘委等[11]探索了豎井結構隧道內,縱向通風對隧道排煙速度、隧道溫度的影響。Li等[12]通過構建分岔隧道模型,研究了不同橫向火源位置下隧道洞頂橫向火焰長度和溫度場分布。Jiang等[13]針對公路隧道的堵塞物火災,對排煙層高度、排煙口下溫度以及上下游速度進行了一系列的火災試驗研究。He等[14]研究了不同豎井高度和不同放熱率下,豎井煙氣的流動速度、煙氣溫升等特性。Zhang等[15]通過總結現有模型試驗的數據,建立了包括火災規(guī)模、通風速度和煙霧流動等7個關鍵參數的數據集,將機器學習應用于隧道火災臨界通風速度的預測。

現階段,以機器學習為代表的人工智能技術快速迭代,為公路隧道煙氣預測與控制帶來新方法。張志剛等[16]基于隨機森林理論,利用交通量、車速、風速等參數構建了公路隧道CO氣體濃度預測模型。Hong等[17]提出了一種結合超級計算機和機器學習方法進行礦井巷道火災煙氣擴散的快速預測方法,研究結果表明隨機森林和支持向量機模型對火災煙氣回流的預測性能最好,而人工神經網絡模型對煙氣回流長度的預測性能最好。

綜上所述,公路隧道火災通風控制研究通過數值模擬和模型試驗的方法對隧道火災煙氣擴散規(guī)律、隧道溫度分布特征、火災工況通風控制等方面進行了深入研究。但現有隧道火災通風控制方法還停留在基于有限工況條件下的經驗公式推導或火災現場人員的判斷,難以實現控煙階段隧道內合理縱向風速區(qū)間的精準把握,且實際火災發(fā)生時刻的工況條件更加復雜多變,往往與先前假設的隧道火災通風預案有差異,不利于實際火災工況下對公路隧道通風進行及時、高效控制。

為此,本文以RBF神經網絡作為回歸算法,使用開源機器學習平臺Tensorflow建立公路隧道火災工況下智能通風控制模型。根據隧道車流量傳感器獲取實時交通量、隧道視頻監(jiān)控設備智能識別火災發(fā)生位置與火災規(guī)模,將經驗公式計算出的風機開啟臺數作為訓練樣本,從而實現在真實隧道火災發(fā)生時刻,根據隧道傳感器的數據,自適應性的調整風機開啟臺數,以期減弱隧道火災對人身財產安全的威脅。

1 神經網絡模型原理

公路隧道在發(fā)生火災時,為了減少火源產生的高溫、煙氣等不利因素對上游阻滯區(qū)域人員的影響,需要依照火源特性與受災規(guī)模自適應生成隧道洞內各位置風機的控制策略,而RBF神經網絡則可通過有限訓練樣本的學習,有效建立火災工況下的風機控制模型。

1.1 RBF神經網絡組成

RBF神經網絡是20世紀80年代末提出的一種單隱層、以函數逼近為基礎的前饋神經網絡[18]。RBF網絡能夠逼近任意的非線性函數,可處理系統內難以解析的規(guī)律性,具有良好的泛化能力,且學習收斂速度很快,已成功應用于非線性函數逼近、時間序列分析、信息處理、系統建模、控制和故障診斷等領域[19]。

RBF神經網絡的基礎為RBF函數,它是某種沿徑向對稱的標量函數,定義為樣本到數據原點之間徑向距離(通常是歐氏距離)的單調函數,可表示為:

(1)

或表示為到任意一點A的徑向距離的單調函數:

(2)

式中:a代表到任意一點A的歐式距離。為簡化計算,本文運用高斯核函數作為RBF函數。

(3)

式中:x′為核函數中心;σ為函數的方差參數,控制了函數的徑向作用范圍。

RBF神經網絡共有3層網絡結構,包括輸入層、隱藏層、輸出層。輸入層到隱藏層的神經元之間的權重全部為1。隱藏層是使用RBF函數作為激活函數的神經元。隱藏層與輸出層之間為神經網絡的連接關系,權重系數可通過訓練而改變。RBF神經網絡結構如圖1所示。

圖1 RBF神經網絡結構Fig.1 Neural network structure of RBF

1.2 RBF神經網絡訓練

RBF神經網絡訓練主要圍繞3個參數的求解:基函數的中心、方差以及隱含層到輸出層的權值。對于基函數中心xi,本文使用k-均值聚類算法,假設聚類中心有I個,設xi(n)(i=1,2,…,I)是第n次迭代時基函數的中心,則隨機輸入訓練樣本Xk,并尋找該樣本最新的中心點,即

(4)

通過公式(4)不斷迭代計算基函數的中心:

(5)

式中:η是學習步長,且0<η<1。

對于基函數的損失函數σ,由公式(5)求得:

(6)

式中:cmax為所選取中心點之間的最大距離;I為隱含層單元的個數。

對于隱含層到輸出層的權值,則用最小二乘法直接計算得到,即對損失函數求解關于w的偏導數使其等于0,可化簡得到計算公式為:

(7)

2 工程實例

2.1 工程概況

某隧道為一座上下行分離的雙向4車道高速公路長隧道。該隧道右線進口平面線形為圓曲線,R=1 255 m,接緩和曲線,Ls=120 m,再接圓曲線出洞,R=700 m;左線進口平面線形為圓曲線,R=1 288 m,接緩和曲線,Ls=140 m,再接圓曲線出洞,R=720 m,隧道參數如表1所示。由于該隧道左、右線洞口除行車方向縱坡不同外,其余參數較為相似。為簡化計算,本文所研究的火災工況下,隧道通風控制均為隧道右線洞口。該隧道右線風機布設如圖2所示,右線通風機選用No112型可逆射流風機,功率為37 kW,風速為34.0 m/s。

表1 隧道參數Table 1 A tunnel parameters

圖2 隧道右線風機布設Fig.2 Fans layout of the right tunnel

2.2 火災工況影響因素

該隧道線形復雜,在構建通風控制策略,尤其是火災工況下通風方式的選擇時,應綜合考慮火災規(guī)模、火源位置、交通條件、公路等級、隧道長度、自然通風、地形、海拔等影響因素。由于公路等級、隧道長度、自然通風、地形、海拔等因素是隧道固有特征,一旦建成,不因時間跨度而改變,故本文重點分析火災規(guī)模、火源位置、交通條件等變量因素。

1) 火災規(guī)模

當公路隧道內發(fā)生自燃、交通事故等原因引發(fā)的火災時,由于燃燒物與燃燒范圍的不同,火災的熱釋放率與煙氣生成量也相應有所差異。因此,在制定通風控制方案時,首要考慮因素是火災規(guī)模。根據《公路隧道通風設計細則》(JTG/T D70/02—2014)中關于公路隧道火災最大熱釋放率的有關規(guī)定:對1 000 m

2) 火源位置

合理設置火災區(qū)段劃分,按不同區(qū)段設置相應的人員、車輛撤離路線和控制風機運轉方案、煙氣排出方案,以達到排煙滅火、人員逃生的目的。由于縱向通風隧道阻止火災蔓延和煙霧擴散較為困難,故只能根據火災時人員疏散組織進行隧道火災區(qū)段劃分,且隧道內火災發(fā)生位置是隨機的,為此將火災發(fā)生位置定義為火源點距離右線進入洞口的長度。

3) 隧道交通量

隧道在發(fā)生火災時,火源下游車輛可自行駛離疏散,而火源上游車輛受阻滯留,交通量由隧道內已滯留車輛與后續(xù)5 min內進入隧道內車輛構成,上游的2類阻滯車輛使隧道通風受阻,構成了隧道內局部阻力。根據該段隧道交通流量傳感器獲得過往交通量參數,由工可資料獲得隧道路段預測交通量,高峰小時交通量按照日交通量的12%計算,則隧道右線歷年交通量如表2所示。

表2 隧道右線歷年交通量Table 2 Traffic volume of the right tunnel over the years

2.3 火災臨界風速

為保證火災發(fā)生時火源處的煙氣不向上游蔓延,危及車輛安全,要求隧道內必須保證具有最低的臨界風速。其值的確定是根據火災發(fā)生時,通過可燃物質的熱釋放率計算得到,計算公式如下[20]:

(8)

式中:Vc代表臨界風速,m/s;Cp代表恒壓下空氣的比熱,kJ/(kg·K);ρ∞代表周圍空氣密度,kg/m3;g代表重力加速度,m/s2;H代表隧道斷面凈高,m;Q代表火災熱釋放率,W;A代表隧道通風風道面積,m2;T∞代表環(huán)境溫度,K;k為0.61,無量綱常數;kg代表坡度修正系數,由于隧道右線為上坡段,取值為1,無量綱常數。不同火災規(guī)模對應的臨界通風速度如表3所示。

表3 不同規(guī)?;馂呐R界風速Table 3 Critical wind speed of tunnel fires with different scales

2.4 火災工況風機控制數據

當傳感器檢測到某隧道右線發(fā)生火災時,隨即進入火災工況排煙工況,在忽略火風壓與自然通風等次要因素的影響后,根據公路隧道通風設計細則的要求,隧道內排煙所需升壓力計算公式[20]:

Δp=Δpr+Δpm-Δpt

(9)

式中:Δp代表所需風機總升壓力,N/m2;Δpr代表隧道通風阻力,其由隧道內沿程摩擦阻力與局部阻力構成,由于火災發(fā)生時上游車輛阻滯,因此阻滯的車輛也形成一部分的局部阻力;Δpt為交通通風力,在火災下游車輛疏散出洞口后,交通通風力將下降為0。

以火災規(guī)模、火源位置和隧道交通量等影響因素作為分類依據,通風控制參數為風機開啟位置與風機開啟臺數,隨機選取51組不同工況條件,并根據公式(9)計算得到51組通風控制數據,如表4所示。

表4 火災工況下通風控制數據Table 4 Data of risk control system under fire condition

3 RBF神經網絡風機智能控制模型

3.1 RBF神經網絡訓練數據

以火災規(guī)模、火源位置、隧道交通量作為輸入參數,將風機開啟臺數作為輸出參數,利用RBF神經網絡構建火災工況下某隧道右線風機控制模型,從表4火災工況下通風控制數據中隨機獲取30組參數作為神經網絡訓練數據,并將剩余21組數據作為檢驗組用于驗證模型的精度與可泛化性,如表5所示。為了使各類輸入與輸出參數的量綱統一,在進行RBF神經網絡訓練前,需將以上4類參數進行歸一化處理。

表5 RBF神經網絡訓練數據Table 5 Training data of RBF neural network

3.2 RBF神經網絡設定與預測

以火災規(guī)模作為分組因子,在RBF神經網絡風機控制模型的輸入層變量有6個,通過計算并對比多組不同隱藏層變量的預測精度,最終確定隱藏層變量數為4,輸出變量為歸一化的風機開啟臺數。將30組訓練數據代入到RBF神經網絡中,并驗證21組檢驗數據的精度,結果如表6所示,經驗公式的計算值與RBF神經網絡預測值的對比曲線如圖3所示,經驗公式的計算值與RBF神經網絡預測值之間的誤差分布如圖4所示。

表6 RBF神經網絡訓練誤差Table 6 Training error of RBF neural network

圖3 計算值與RBF神經網絡預測值對比曲線Fig.3 Comparison curve between calculated value and predicted value of RBF neural network

圖4 計算值與RBF神經網絡預測值誤差分布Fig.4 Error distribution between the calculated value and the predicted value of RBF neural network

分析表6、圖3、圖4可知,訓練組數據的相對誤差為4.6%,檢驗組數據的相對誤差為8.7%,均低于15%的精度閾值,RBF神經網絡風機智能控制模型均表現出了良好的預測精度。

4 結論

本文以某隧道右線工程為例,通過梳理影響火災工況通風控制的影響因素,計算得到火災工況下的風機控制數據,運用RBF神經網絡進行訓練和驗證,獲得了火災工況下風機智能控制模型,得出以下結論:

1) 針對火災工況下通風控制的影響因素,以火災規(guī)模、火災發(fā)生位置、隧道交通量3類主要變量因素,通過經驗公式,獲得51組隨機火災工況下的風機控制數據,并提取30組數據作為訓練組,21組數據作為檢驗組,用于RBF神經網絡的訓練。

2) 通過對RBF神經網絡的訓練,風機開啟臺數預測誤差逐漸下降到理想的范圍之內,通過計算分配隱藏層到輸出層的權重,自適應構建出火災工況下風機開啟臺數智能控制模型,能提升控煙階段隧道內合理軸向風速區(qū)間的精準把握。

3) 本文提出的風機智能控制模型選取的輸入變量參數數據較少,隨著隧道運營總時間的延長,計算參數的不斷積累與獲取,對該模型的持續(xù)訓練,可進一步提高實際運營隧道的風機智能控制模型精度。

猜你喜歡
右線交通量火源
雙火源隧道火災數值模擬
基于ETC門架數據的高速公路交通量轉換探究
大直徑盾構隧道施工的實測分析
不同火源位置情況下的內天井結構建筑
下穿河流雙線盾構隧道管片力學特性數值模擬研究*
火源位置對輕型門式剛架豎向位移的影響
老虎山隧道建設期增設施工導洞方案的研究
基于動態(tài)差法的交通量監(jiān)測技術應用
高速公路補償交通量模型研究
城市公路隧道火災近火源區(qū)長度的研究*