李 旭， 陳曉利, 李遠(yuǎn)哲， 張 磊

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

隨著我國公路網(wǎng)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(yùn)營中火災(zāi)險情發(fā)生的概率[1-2]。相較增加隧道設(shè)施防火等級的被動防火技術(shù)，對火災(zāi)工況下的公路隧道開展智能通風(fēng)主動控制方法研究也非常重要[3-4]。

有關(guān)隧道火災(zāi)通風(fēng)控制的研究，國外學(xué)者主要采用計算機(jī)數(shù)值模擬或者小規(guī)模模型試驗(yàn)的方法。李俊梅等[5]運(yùn)用火災(zāi)仿真軟件FDS對城市公路隧道進(jìn)行模擬，研究了在阻塞工況下不同火災(zāi)規(guī)模的適宜通風(fēng)速度。蔚艷慶等[6]在計算得到火災(zāi)工況下臨界風(fēng)速的基礎(chǔ)上，運(yùn)用FDS軟件探索擁堵場景下4洞公路相鄰隧道進(jìn)行相反方向控?zé)熗L(fēng)的模式控制方法。郭慶華等[7]研究了火災(zāi)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(zāi)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(nèi)的隧道火災(zāi)。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(zāi)功率、發(fā)生位置及通風(fēng)風(fēng)速條件下，長隧道火災(zāi)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(zāi)的自熄現(xiàn)象，在縮尺寸模型中進(jìn)行了甲醇燃料火災(zāi)試驗(yàn)，試驗(yàn)結(jié)果表明高坡度隧道由于煙囪效應(yīng)較強(qiáng)，產(chǎn)生的縱向通風(fēng)使得火源難以自熄。鐘委等[11]探索了豎井結(jié)構(gòu)隧道內(nèi)，縱向通風(fēng)對隧道排煙速度、隧道溫度的影響。Li等[12]通過構(gòu)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(zāi)，對排煙層高度、排煙口下溫度以及上下游速度進(jìn)行了一系列的火災(zāi)試驗(yàn)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(jié)現(xiàn)有模型試驗(yàn)的數(shù)據(jù)，建立了包括火災(zāi)規(guī)模、通風(fēng)速度和煙霧流動等7個關(guān)鍵參數(shù)的數(shù)據(jù)集，將機(jī)器學(xué)習(xí)應(yīng)用于隧道火災(zāi)臨界通風(fēng)速度的預(yù)測。

現(xiàn)階段，以機(jī)器學(xué)習(xí)為代表的人工智能技術(shù)快速迭代，為公路隧道煙氣預(yù)測與控制帶來新方法。張志剛等[16]基于隨機(jī)森林理論，利用交通量、車速、風(fēng)速等參數(shù)構(gòu)建了公路隧道CO氣體濃度預(yù)測模型。Hong等[17]提出了一種結(jié)合超級計算機(jī)和機(jī)器學(xué)習(xí)方法進(jìn)行礦井巷道火災(zāi)煙氣擴(kuò)散的快速預(yù)測方法，研究結(jié)果表明隨機(jī)森林和支持向量機(jī)模型對火災(zāi)煙氣回流的預(yù)測性能最好，而人工神經(jīng)網(wǎng)絡(luò)模型對煙氣回流長度的預(yù)測性能最好。

綜上所述，公路隧道火災(zāi)通風(fēng)控制研究通過數(shù)值模擬和模型試驗(yàn)的方法對隧道火災(zāi)煙氣擴(kuò)散規(guī)律、隧道溫度分布特征、火災(zāi)工況通風(fēng)控制等方面進(jìn)行了深入研究。但現(xiàn)有隧道火災(zāi)通風(fēng)控制方法還停留在基于有限工況條件下的經(jīng)驗(yàn)公式推導(dǎo)或火災(zāi)現(xiàn)場人員的判斷，難以實(shí)現(xiàn)控?zé)熾A段隧道內(nèi)合理縱向風(fēng)速區(qū)間的精準(zhǔn)把握，且實(shí)際火災(zāi)發(fā)生時刻的工況條件更加復(fù)雜多變，往往與先前假設(shè)的隧道火災(zāi)通風(fēng)預(yù)案有差異，不利于實(shí)際火災(zāi)工況下對公路隧道通風(fēng)進(jìn)行及時、高效控制。

為此，本文以RBF神經(jīng)網(wǎng)絡(luò)作為回歸算法，使用開源機(jī)器學(xué)習(xí)平臺Tensorflow建立公路隧道火災(zāi)工況下智能通風(fēng)控制模型。根據(jù)隧道車流量傳感器獲取實(shí)時交通量、隧道視頻監(jiān)控設(shè)備智能識別火災(zāi)發(fā)生位置與火災(zāi)規(guī)模，將經(jīng)驗(yàn)公式計算出的風(fēng)機(jī)開啟臺數(shù)作為訓(xùn)練樣本，從而實(shí)現(xiàn)在真實(shí)隧道火災(zāi)發(fā)生時刻，根據(jù)隧道傳感器的數(shù)據(jù)，自適應(yīng)性的調(diào)整風(fēng)機(jī)開啟臺數(shù)，以期減弱隧道火災(zāi)對人身財產(chǎn)安全的威脅。

1 神經(jīng)網(wǎng)絡(luò)模型原理

公路隧道在發(fā)生火災(zāi)時，為了減少火源產(chǎn)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(zāi)規(guī)模自適應(yīng)生成隧道洞內(nèi)各位置風(fēng)機(jī)的控制策略，而RBF神經(jīng)網(wǎng)絡(luò)則可通過有限訓(xùn)練樣本的學(xué)習(xí)，有效建立火災(zāi)工況下的風(fēng)機(jī)控制模型。

1.1 RBF神經(jīng)網(wǎng)絡(luò)組成

RBF神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代末提出的一種單隱層、以函數(shù)逼近為基礎(chǔ)的前饋神經(jīng)網(wǎng)絡(luò)[18]。RBF網(wǎng)絡(luò)能夠逼近任意的非線性函數(shù)，可處理系統(tǒng)內(nèi)難以解析的規(guī)律性，具有良好的泛化能力，且學(xué)習(xí)收斂速度很快，已成功應(yīng)用于非線性函數(shù)逼近、時間序列分析、信息處理、系統(tǒng)建模、控制和故障診斷等領(lǐng)域[19]。

RBF神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)為RBF函數(shù)，它是某種沿徑向?qū)ΨQ的標(biāo)量函數(shù)，定義為樣本到數(shù)據(jù)原點(diǎn)之間徑向距離(通常是歐氏距離)的單調(diào)函數(shù)，可表示為：

(1)

或表示為到任意一點(diǎn)A的徑向距離的單調(diào)函數(shù)：

(2)

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

(3)

式中：x′為核函數(shù)中心；σ為函數(shù)的方差參數(shù)，控制了函數(shù)的徑向作用范圍。

RBF神經(jīng)網(wǎng)絡(luò)共有3層網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱藏層、輸出層。輸入層到隱藏層的神經(jīng)元之間的權(quán)重全部為1。隱藏層是使用RBF函數(shù)作為激活函數(shù)的神經(jīng)元。隱藏層與輸出層之間為神經(jīng)網(wǎng)絡(luò)的連接關(guān)系，權(quán)重系數(shù)可通過訓(xùn)練而改變。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Neural network structure of RBF

1.2 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練主要圍繞3個參數(shù)的求解：基函數(shù)的中心、方差以及隱含層到輸出層的權(quán)值。對于基函數(shù)中心xi，本文使用k-均值聚類算法，假設(shè)聚類中心有I個，設(shè)xi(n)(i=1,2,…,I)是第n次迭代時基函數(shù)的中心，則隨機(jī)輸入訓(xùn)練樣本Xk，并尋找該樣本最新的中心點(diǎn)，即

(4)

通過公式(4)不斷迭代計算基函數(shù)的中心：

(5)

式中：η是學(xué)習(xí)步長，且0<η<1。

對于基函數(shù)的損失函數(shù)σ，由公式(5)求得：

(6)

式中：cmax為所選取中心點(diǎn)之間的最大距離；I為隱含層單元的個數(shù)。

對于隱含層到輸出層的權(quán)值，則用最小二乘法直接計算得到，即對損失函數(shù)求解關(guān)于w的偏導(dǎo)數(shù)使其等于0，可化簡得到計算公式為：

(7)

2 工程實(shí)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(jìn)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(jìn)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(shù)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(shù)較為相似。為簡化計算，本文所研究的火災(zāi)工況下，隧道通風(fēng)控制均為隧道右線洞口。該隧道右線風(fēng)機(jī)布設(shè)如圖2所示，右線通風(fēng)機(jī)選用No112型可逆射流風(fēng)機(jī)，功率為37 kW，風(fēng)速為34.0 m/s。

表1 隧道參數(shù)Table 1 A tunnel parameters

圖2 隧道右線風(fēng)機(jī)布設(shè)Fig.2 Fans layout of the right tunnel

2.2 火災(zāi)工況影響因素

該隧道線形復(fù)雜，在構(gòu)建通風(fēng)控制策略，尤其是火災(zāi)工況下通風(fēng)方式的選擇時，應(yīng)綜合考慮火災(zāi)規(guī)模、火源位置、交通條件、公路等級、隧道長度、自然通風(fēng)、地形、海拔等影響因素。由于公路等級、隧道長度、自然通風(fēng)、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(diǎn)分析火災(zāi)規(guī)模、火源位置、交通條件等變量因素。

1) 火災(zāi)規(guī)模

當(dāng)公路隧道內(nèi)發(fā)生自燃、交通事故等原因引發(fā)的火災(zāi)時，由于燃燒物與燃燒范圍的不同，火災(zāi)的熱釋放率與煙氣生成量也相應(yīng)有所差異。因此，在制定通風(fēng)控制方案時，首要考慮因素是火災(zāi)規(guī)模。根據(jù)《公路隧道通風(fēng)設(shè)計細(xì)則》(JTG/T D70/02—2014)中關(guān)于公路隧道火災(zāi)最大熱釋放率的有關(guān)規(guī)定：對1 000 m

2) 火源位置

合理設(shè)置火災(zāi)區(qū)段劃分，按不同區(qū)段設(shè)置相應(yīng)的人員、車輛撤離路線和控制風(fēng)機(jī)運(yùn)轉(zhuǎn)方案、煙氣排出方案，以達(dá)到排煙滅火、人員逃生的目的。由于縱向通風(fēng)隧道阻止火災(zāi)蔓延和煙霧擴(kuò)散較為困難，故只能根據(jù)火災(zāi)時人員疏散組織進(jìn)行隧道火災(zāi)區(qū)段劃分，且隧道內(nèi)火災(zāi)發(fā)生位置是隨機(jī)的，為此將火災(zāi)發(fā)生位置定義為火源點(diǎn)距離右線進(jìn)入洞口的長度。

3) 隧道交通量

隧道在發(fā)生火災(zāi)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(nèi)已滯留車輛與后續(xù)5 min內(nèi)進(jìn)入隧道內(nèi)車輛構(gòu)成，上游的2類阻滯車輛使隧道通風(fēng)受阻，構(gòu)成了隧道內(nèi)局部阻力。根據(jù)該段隧道交通流量傳感器獲得過往交通量參數(shù)，由工可資料獲得隧道路段預(yù)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(zāi)臨界風(fēng)速

為保證火災(zāi)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(nèi)必須保證具有最低的臨界風(fēng)速。其值的確定是根據(jù)火災(zāi)發(fā)生時，通過可燃物質(zhì)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(fēng)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(zāi)熱釋放率，W；A代表隧道通風(fēng)風(fēng)道面積，m2；T∞代表環(huán)境溫度，K；k為0.61，無量綱常數(shù)；kg代表坡度修正系數(shù)，由于隧道右線為上坡段，取值為1，無量綱常數(shù)。不同火災(zāi)規(guī)模對應(yīng)的臨界通風(fēng)速度如表3所示。

表3 不同規(guī)模火災(zāi)臨界風(fēng)速Table 3 Critical wind speed of tunnel fires with different scales

2.4 火災(zāi)工況風(fēng)機(jī)控制數(shù)據(jù)

當(dāng)傳感器檢測到某隧道右線發(fā)生火災(zāi)時，隨即進(jìn)入火災(zāi)工況排煙工況，在忽略火風(fēng)壓與自然通風(fēng)等次要因素的影響后，根據(jù)公路隧道通風(fēng)設(shè)計細(xì)則的要求，隧道內(nèi)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(fēng)機(jī)總升壓力，N/m2；Δpr代表隧道通風(fēng)阻力，其由隧道內(nèi)沿程摩擦阻力與局部阻力構(gòu)成，由于火災(zāi)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(fēng)力，在火災(zāi)下游車輛疏散出洞口后，交通通風(fēng)力將下降為0。

以火災(zāi)規(guī)模、火源位置和隧道交通量等影響因素作為分類依據(jù)，通風(fēng)控制參數(shù)為風(fēng)機(jī)開啟位置與風(fēng)機(jī)開啟臺數(shù)，隨機(jī)選取51組不同工況條件，并根據(jù)公式(9)計算得到51組通風(fēng)控制數(shù)據(jù)，如表4所示。

表4 火災(zāi)工況下通風(fēng)控制數(shù)據(jù)Table 4 Data of risk control system under fire condition

3 RBF神經(jīng)網(wǎng)絡(luò)風(fēng)機(jī)智能控制模型

3.1 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)

以火災(zāi)規(guī)模、火源位置、隧道交通量作為輸入?yún)?shù)，將風(fēng)機(jī)開啟臺數(shù)作為輸出參數(shù)，利用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建火災(zāi)工況下某隧道右線風(fēng)機(jī)控制模型，從表4火災(zāi)工況下通風(fēng)控制數(shù)據(jù)中隨機(jī)獲取30組參數(shù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，并將剩余21組數(shù)據(jù)作為檢驗(yàn)組用于驗(yàn)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(shù)的量綱統(tǒng)一，在進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，需將以上4類參數(shù)進(jìn)行歸一化處理。

表5 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)Table 5 Training data of RBF neural network

3.2 RBF神經(jīng)網(wǎng)絡(luò)設(shè)定與預(yù)測

以火災(zāi)規(guī)模作為分組因子，在RBF神經(jīng)網(wǎng)絡(luò)風(fēng)機(jī)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(yù)測精度，最終確定隱藏層變量數(shù)為4，輸出變量為歸一化的風(fēng)機(jī)開啟臺數(shù)。將30組訓(xùn)練數(shù)據(jù)代入到RBF神經(jīng)網(wǎng)絡(luò)中，并驗(yàn)證21組檢驗(yàn)數(shù)據(jù)的精度，結(jié)果如表6所示，經(jīng)驗(yàn)公式的計算值與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測值的對比曲線如圖3所示，經(jīng)驗(yàn)公式的計算值與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測值之間的誤差分布如圖4所示。

表6 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差Table 6 Training error of RBF neural network

圖3 計算值與RBF神經(jīng)網(wǎng)絡(luò)預(yù)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(jīng)網(wǎng)絡(luò)預(yù)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(xùn)練組數(shù)據(jù)的相對誤差為4.6%，檢驗(yàn)組數(shù)據(jù)的相對誤差為8.7%，均低于15%的精度閾值，RBF神經(jīng)網(wǎng)絡(luò)風(fēng)機(jī)智能控制模型均表現(xiàn)出了良好的預(yù)測精度。

4 結(jié)論

本文以某隧道右線工程為例，通過梳理影響火災(zāi)工況通風(fēng)控制的影響因素，計算得到火災(zāi)工況下的風(fēng)機(jī)控制數(shù)據(jù)，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和驗(yàn)證，獲得了火災(zāi)工況下風(fēng)機(jī)智能控制模型，得出以下結(jié)論：

1) 針對火災(zāi)工況下通風(fēng)控制的影響因素，以火災(zāi)規(guī)模、火災(zāi)發(fā)生位置、隧道交通量3類主要變量因素，通過經(jīng)驗(yàn)公式，獲得51組隨機(jī)火災(zāi)工況下的風(fēng)機(jī)控制數(shù)據(jù)，并提取30組數(shù)據(jù)作為訓(xùn)練組，21組數(shù)據(jù)作為檢驗(yàn)組，用于RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

2) 通過對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，風(fēng)機(jī)開啟臺數(shù)預(yù)測誤差逐漸下降到理想的范圍之內(nèi)，通過計算分配隱藏層到輸出層的權(quán)重，自適應(yīng)構(gòu)建出火災(zāi)工況下風(fēng)機(jī)開啟臺數(shù)智能控制模型，能提升控?zé)熾A段隧道內(nèi)合理軸向風(fēng)速區(qū)間的精準(zhǔn)把握。

3) 本文提出的風(fēng)機(jī)智能控制模型選取的輸入變量參數(shù)數(shù)據(jù)較少，隨著隧道運(yùn)營總時間的延長，計算參數(shù)的不斷積累與獲取，對該模型的持續(xù)訓(xùn)練，可進(jìn)一步提高實(shí)際運(yùn)營隧道的風(fēng)機(jī)智能控制模型精度。