三段式隧道施工通风控制方法与流程

本发明涉及隧道施工通风控制，尤其是涉及一种三段式隧道施工通风控制方法。

背景技术：

隧道施工过程中，炸药爆破和机械运转等会对隧道内的空气产生污染，引起作业环境恶劣、影响施工人员健康、降低施工效率等一系列问题。传统的隧道通风控制由人工完成。通风工根据隧道内工作环境状况，给隧道(斜井、横洞)入口处的风机司机发送指令，设定风机相应的工作频率。现有的隧道施工通风自动控制系统采用传感器采集工作空间范围内的环境参数，然后采用PID类(包括PID、模糊PID等)算法实现参数设定值的闭环控制。其中，传感器的安装位置根据计算流体力学模拟软件(例如FLUENT、PHOENICS、STAR-CD、CFX等)给出的隧道内的流场分布情况确定。然而，模拟软件的计算结果受参数影响较大。而且，模拟出的最佳位置未必适合现场的安装。

技术实现要素：

本发明针对现有技术不足，提出了一种三段式隧道施工通风控制方法。第一阶段为全速通风阶段，可以迅速改善掌子面环境状况，缩短工人进场时间。

本发明所采用的技术方案：

一种三段式隧道施工通风控制方法，采用阶段式通风控制实现隧道施工通风的自动化控制，其中，第一阶段为全速通风阶段：在爆破结束后，风机进入全速通风阶段，即工作于最大运行频率，尽快将爆破产生的粉尘和有毒气体吹出人员集中的工作区域；第二阶段为自动调节阶段：当粉尘和有毒气体峰值越过防水板台架后，风机进入自动调节阶段，采用模糊神经网络算法逐渐将风机运行频率调节至满足现场需风量的最低风速；第三阶段为最低风速运行阶段，风机工作于最小运行频率(根据相关规范和标准计算)，直至下一次爆破的到来。

所述的三段式隧道施工通风控制方法，全速运行阶段由安装于防水板台架上的冲击波传感器激发；在冲击波传感器探测到爆破完成后，即在一定时间的延迟后，进入全速运行阶段；全速运行阶段一直持续到有害气体浓度峰值通过防水板台架为止。

所述的三段式隧道施工通风控制方法，自动调节阶段，采用模糊神经网络算法建立模糊神经网络模型，该模型针对采集的传感器数据和现场通风工人得出的风机运行频率数值进行学习，得到现场环境参数的控制规律；所述模糊神经网络模型包括学习阶段和正常工作阶段：在学习阶段，模糊神经网络模型对样本输入(经过预处理后的传感器网络采集的数据)和学习目标(通风工给出的通风机运行频率)进行学习后，将学习得到的连接权值保存起来，用于计算；在工作阶段，现场实时采集的隧道施工环境参数经过预处理后输入学习好的模糊神经网络；模糊神经网络根据学习好的经验，计算得到相应的风机运行频率值。

本发明的有益效果：

1、本发明三段式隧道施工通风控制方法，第一阶段为全速通风阶段，迅速改善掌子面环境状况，缩短工人进场时间；第二阶段为自动调节阶段，采用模糊神经网络算法实现风机频率的自动调节，以实现风机调节的自动化；第三阶段为最小风速恒速运行，通过理论计算给出当前掘进长度的最小给风量，保持空气流通。

2、本发明三段式隧道施工通风控制方法，自动调节功能由一个模糊神经网络模型完成，该模型针对采集的传感器数据和现场通风工人得出的风机运行频率数值进行学习，得到现场环境参数的控制规律。这种基于机器学习的控制算法解决了传感器位置选择的难题和传感器数值定量分析的困难。克服了现有技术计算流体动力学模拟软件运算结果敏感于设定参数、隧道施工通风环境参数难以定理准确检测等问题。

附图说明

图1是本发明三段式隧道施工通风控制方法原理图；

图2为通过模拟分析得到的离掌子面100米(防水板台架所处位置)处，各垂直高度的CO浓度分布曲线。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

实施例1

参见图1，本发明提出了一种基于传感器网络和模糊神经网络算法的三段式隧道施工通风控制方法，其原理如图1所示。

其中，控制系统由位于控制室的监控柜、位于衬砌台车的现场控制柜、防水板台架的无线端和防水板台架前端的传感器网络构成。三段式隧道施工通风控制算法运行于监控柜中。

本发明三段式隧道施工通风控制方法，采用阶段式通风控制实现隧道施工通风的自动化控制，第一阶段：爆破结束后，风机进入全速通风阶段，在最大运行频率(通常为50Hz)下尽快将爆破产生的粉尘和有毒气体吹出隧道；第二阶段：当粉尘和有毒气体峰值越过防水板台架后，风机进入自动调节阶段，在模糊神经网络算法的计算下逐渐将风机运行频率调节至最低风速；第三阶段：风机保持在最小运行频率运行，直至下一次爆破的到来。

实施例2

参见图1、图2，本实施例的三段式隧道施工通风控制方法，与实施例1的不同之处在于：进一步的，全速运行阶段由安装于防水板台架上的冲击波传感器激发。在冲击波传感器探测到爆破完成后，即在一定时间的延迟后，进入全速运行阶段。

如图2所示为通过模拟分析得到的离掌子面100米(防水板台架所处位置)处，各垂直高度的CO浓度分布曲线。从图2中可以得到如下结论：1)在通风条件下，气体浓度在轴向呈高斯分布；2)当气体浓度峰值通过防水板台架后，掌子面与防水板之间(主要的作业区间)的空气质量将转好。因此全速运行阶段一直持续到有害气体浓度峰值通过防水板台架为止。

实施例3

参见图1、图2，本实施例的三段式隧道施工通风控制方法，与实施例1或实施例2的不同之处在于：自动调节阶段，采用模糊神经网络算法建立模糊神经网络模型，自动调节功能由图1中所示的模糊神经网络模型完成。该模型针对采集的传感器数据和现场通风工人得出的风机运行频率数值进行学习，得到现场环境参数的控制规律；所述模糊神经网络模型包括学习阶段和正常工作阶段：在学习阶段，模糊神经网络模型对样本输入(经过预处理后的传感器网络采集的数据)和学习目标(通风工给出的通风机运行频率)进行学习后，将学习得到的连接权值保存起来，用于计算；在工作阶段，现场实时采集的隧道施工环境参数经过预处理后输入学习好的模糊神经网络；模糊神经网络根据学习好的经验，计算得到相应的风机运行频率值。

通过模糊神经网络模型对采集的传感器数据和现场通风工人得出的风机运行频率数值进行学习，得到现场环境参数的控制规律。这种基于机器学习的控制算法解决了传感器位置选择的难题和传感器数值定量分析的困难。

实施例4

参见图1、图2，本实施例的三段式隧道施工通风控制方法，与实施例3的不同之处在于：传感器网络布局如图1右下角所示。五个传感器通过modbus总线与无线端相连。每个传感器同时采集所在位置的CO浓度、NO₂浓度、O₂含量、温度和湿度。所有传感器的数据构成一个25行t(时间采样点)列的矩阵S_25×t。同时现场通风工人根据现场环境的实际情况，发出风机运行频率指令，并记录该频率值B_1×t。采用PCA方法对矩阵S_25×t进行预处理，得到降维矩阵矩阵与S_25×t的关系如式(1)所示。

$S_{n\×t}^{*}=P\×S_{25\×t}---\left(1\right)$

其中，n<<25；矩阵P为变换矩阵。将矩阵作为模糊神经网络的学习输入，将频率值B_1×t作为模糊神经网络的学习目标，对该模糊神经网络进行训练，得到学习收敛网络模型。设传感器网络新采集一组数据位d_25×1，则根据公式(1)，可以计算得到

$d_{n\&times;1}^{*}=P\&times;d_{25\&times;1}---\left(2\right)$

将输入模糊神经网络，即可得到相对应的风机运行频率b。

实施例5

参见图1、图2，本实施例的三段式隧道施工通风控制方法，与实施例4的不同之处在于：根据隧道施工通风规程要求，隧道内最小通风速率应该达到0.15m/s。因此，最低风速运行阶段的恒定风速计算如下：

1)首先根据式(3)计算隧道施工通风的最小需风量Q₀

Q₀＝q×m×k (3)

其中，q为每人每分钟呼吸所需新鲜空气量；m为洞内同时工作的最多人数；k为风量备用系数(取1.15)。

2)根据式(4)计算风机出风口风量Q_f

$Q_f=\frac{Q_0}{{(1-\mathrm{\&beta;})}^{L/100}}---\left(4\right)$

其中，β为百米漏风率(0.01-0.02)；L为通风距离。

3)根据式(5)计算风机功率h

$\frac{Q_{f1}}{Q_f}=\frac{p_1}{p_2}=\frac{\sqrt{h_1}}{\sqrt{h}}---\left(5\right)$

其中，Q_f1为风机最大风量；p₁为最大风量对应的功率；h₁为最大风量对应的频率；p₂为实际风量对应的功率；h为当前风量对应的频率。

隧道施工过程中，洞内人员数量相对稳定，可以设定一个大于1的系数，保证隧道施工过程中的需风量。隧道风机的最低运行频率与隧道通风距离L成正比。根据公式(3)-(5)，计算当前工况下所需的最小通风量。

在最低风速运行阶段，如果模糊神经网络的计算值低于该最低频率值时，就按照最低频率值进行通风；否则，采用实际计算值进行通风。