大型火车站候车厅腔体植入设计的舒适度关联研究＊

2020-08-15夏柏树张宁白晓伟

建筑技艺 2020年7期

夏柏树张宁白晓伟

沈阳建筑大学

大型火车站是典型的大空间建筑，候车厅具有突出的大空间特征，规模巨大，尺度超常，形态单一。相关文献研究表明，近年来我国新建的大型火车站，尤其是各中心城市的高铁车站，多采用穿越类线正上式布局，候车厅横向跨度50～60m，纵向跨度200～300m，基本采取集中、开敞的候车空间模式（图1）。对北方地区进行实地调研，我们发现大型火车站冬夏季普遍采用空调系统，能耗巨大[1]，且体感舒适度不足；春秋季空调系统关闭，候车厅仅靠部分外窗、少量天窗和进站厅入口等进行直接或间接的换气，进出风量有限，候车厅获得的太阳辐射得热和室内人流散发的热量、CO2无法及时排出，造成室内空气质量下降，舒适度大大降低[2]。为此，在春秋季气候适宜的时段，在候车厅中植入腔体，建立新的自然通风路径，能够有效提高候车厅的舒适度。

广义上讲，在建筑内部能够起到调节物质、能量交换作用的空间都可视为腔体，具有生物体适应环境变化的通用特征[3，4]。常见的自然通风建筑腔体包括内置的庭院、室内的中庭和竖向的风井等多种类型。对大型火车站候车厅的自然通风而言，在当今通行空间单一和集中候车的模式下，选用竖向风井作为自然通风的腔体类型，既可以减少对候车厅功能布局的影响，也有利于在大空间内部形成均匀的自然通风，在实践中具有广泛的应用潜力。本文以风井类腔体为研究对象，探讨腔体的形态、布置和开口等设计参数对候车厅自然通风的影响，揭示腔体与舒适度之间的关联规律。

1 候车厅典型空间模型的建立

针对北方地区11个省市67个火车站的调研统计，大型火车站59座。其中，81%的大型火车站为穿越类线正上式布局，即候车厅位于站台上方；96%的火车站为工字形平面，即进站厅位于铁路两侧，以适应双侧进站的乘车要求；90%的火车站及候车厅平面形态为矩形，宜于满足功能流线要求；87%的候车厅侧界面被商业和附属空间遮挡，不开窗或很少开窗，有利于建筑保温；80%的候车厅屋面为平屋面，多设置采光天窗。基于以上调研统计分析，穿越类线正上式布局、工字形站房平面、矩形候车厅、平屋顶为北方地区大型火车站的典型空间形态。因此，在候车厅面宽、进深、高度方面，提取调研样本的平均值100m×240m×18m；在候车厅的进出风口方面，考虑到候车厅纵向外墙被商业附属用房遮挡，仅有的检票口在检票期间短暂开启，对候车厅通风作用有限，侧界面按封闭考虑；屋面天窗实际开启比例低，按无通风开口考虑；候车厅两侧进站厅各设10扇外门，每扇门尺寸为4.0m×3.6m，按常开状态考虑。基于以上分析数据，建立大型火车站候车厅的典型空间模型（图2）。

2 腔体植入模拟实验设计

1 穿越类线正上式空间模式

2 典型空间模型

选用CFD为模拟实验平台，通过前处理器Geometry建立参数化实验模型，调用Mesh建立全六面体网格，网格尺寸为1.5m，将网格传递到求解器Fluent中设置边界条件，包括围护体系的温度和传热系数、进风口的风速和温度、出风口的回流温度、室内人员的发热量和呼出CO2浓度等[5-8]，输入腔体设计参数并赋值，进行迭代求解方程。当方程残差低于千分之一时默认收敛，即模拟结果最接近稳态。此时调用后处理器CFD Post进行处理，提取候车厅参考面舒适度指标，用来描述和判断候车厅自然通风效果。

2.1 模拟实验的自变量设置

以正方形截面、通高、顶部开口的腔体为模拟实验原型。先期通过对比实验研究，在腔体下部朝向站台方向设置进风口，能够明显提高候车厅的自然通风效果；腔体朝向室内单侧开口，自然通风效果优于双侧开口。在这一前提下，选取腔体截面边长（P1）、腔体高度（P2）为形态变量，腔体纵向布置数量（P3）、腔体横向布置数量（P4）为布局变量，腔体开口宽度（P5）、腔体开口高度（P6）、腔体开口距地高度（P7）为构造变量，这7项设计参数为模拟实验的输入变量（图3），取值数量及范围如表1所示。其中，腔体开口宽度（P5）选取与腔体截面边长的比值（开口系数）作为输入变量。

3 腔体设计自变量示意图

表1 腔体设计自变量及取值

2.2 模拟实验的因变量设置

首先，候车厅室内温度、风速对人体舒适度的影响最为显著，被列为模拟实验输出指标。其次，考虑到火车站人流密集和全天候运行的特点，候车厅室内的CO2浓度较高，对室内环境卫生和人体健康影响较大[9]，也作为舒适度评价的输出指标。最后，由于大型火车站候车厅空间高，热分层明显[10]，本次研究选取候车厅人体活动高度，即1.5m高度截面的平均温度（P8）、平均风速（P9）和平均CO2浓度（P10），作为大型火车站候车厅的舒适度评价指标。

2.3 模拟实验的分析方法

采用SPSS（Statistical Product and Service Solutions）软件的偏相关分析方法，选用显著性双尾检验Sig.（2-tailed）来判定自变量、因变量是否相关，选用皮尔逊相关系数（Pearson Correlation Coefficient）作为自变量与因变量之间相关性强度排序的依据。偏相关分析是在控制和排除了同一体系的其他变量影响情况下，描述一对变量影响关系的分析方法。在多变量偏相关分析中，控制变量个数为零时（不排除其他变量的影响），为零阶偏相关；控制变量个数为一时，为一阶偏相关，以此类推[11]。

显著性双尾检验Sig.值可以对相关性分析结果进行验证，低于0.01说明腔体自变量与舒适度因变量之间的关联可信度水平为99%，低于0.05说明自变量与因变量之间的关联可信度水平为95%，可进行相关性描述；Sig.值高于0.05说明自变量与因变量之间的关联可信度水平低，不可用于相关性描述[12]。

皮尔逊相关系数在自然科学领域用于度量两个变量之间的相关程度，其值介于-1～1之间。当随自变量的增加，因变量趋于增加，则皮尔逊系数为正，反之为负。相关性系数的绝对值大小在0.8～1.0之间为极强相关，0.6～0.8之间为强相关，0.4～0.6之间为中等强度相关，0.2～0.4之间为弱相关，0.0～0.2之间为极弱或者无相关。

3 模拟实验及输出数据

在CFD模拟实验平台中，对腔体植入设计的腔体边长（P1）、腔体高度（P2）、长向布置数量（P3）、短向布置数量（P4）、开口宽度（P5）、开口高度（P6）及开口距地高度（P7）7个自变量进行参数化组合，即7个自变量随机取值组合成为自变量组，每输入一组自变量，CFD实验平台对应输出平均风速（P8）、平均温度（P9）、平均CO2浓度（P10）3个因变量评价指标。为降低实验强度，利用Python编写程序，从7个自变量自参数化组合的896 000个数据组中进行科学抽样，共抽取200组自变量组合数据进行腔体通风模拟实验，对应输出200组候车厅P8、P9、P10舒适度指标。对这200组自变量、因变量组成的数据组进行相关性分析和显著性双尾检验，用来判断自变量的相关性显著程度和相关性强弱排序。

4 相关性分析

对200组腔体植入模拟实验数据，采取零阶偏相关、六阶偏相关分析比对的方式，揭示腔体植入7个自变量与3个舒适度因变量的关联。

腔体植入设计的P1～P7自变量与P8～P10因变量的零阶偏相关分析，操作方式分三步：1）选定一对自变量和因变量，如P1和P8，在不控制、不排除其余自变量（P2～P7）对P8影响的情况下，直接分析P1与P8的相关关系，导出皮尔逊相关系数；2）依次选取P2～P7自变量，逐一分析其与P8的相关关系，对应导出6个皮尔逊相关系数；3）分别以P9、P10为因变量，重复第一步、第二步做法，逐步完成P1～P7与P9、P10的相关性分析，导出相应的皮尔逊相关性系数（表2）。

建筑的自然通风是复杂的流体动力学系统，植入腔体的7个自变量对候车厅舒适度3个因变量的作用，亦非任何两个简单的自变量、因变量的相关性分析所能描述的。在充分考虑多个单变量之间相互作用的前提下，在对6个自变量的影响进行控制和排除基础上，利用六阶偏相关分析，揭示某一个自变量与因变量是否具有相关性和相关性的强弱，能够更加契合自然通风的本质。具体做法如下：当分析P1与P8～P10的相关性时，把P2～P7作为控制变量，考虑并排除这6个控制变量在P1对P8～P10相关性分析时的影响，导出P1与P8～P10的偏相关系数。其他6个自变量的偏相关分析以此类推，偏相关系数见表3。

表2 零阶相关性分析系数表

表3 六阶相关性分析系数表

4.1 相关可信度分析

从零阶偏相关系数表的显著性检验Sig.值可以看出，P3-P8、P4-P8、P5-P9、P7-P9、P1-P10、P3-P10、P4-P10的Sig.值低于0.01，表明自变量、因变量之间的关联可信度水平为99%；P2-P10的Sig.值界于0.01～0.05之间，表明自变量、因变量之间的关联可信度水平为95%。从Sig.值判断，上述8组变量为显著关联，可进行相关性描述。其余13组自变量、因变量的Sig.值均高于0.05，关联水平低，不可进行相关性描述。

从六阶相关性分析系数表可以看出，在零阶相关性分析的基础上，P1-P8、P6-P8、P7-P8、P5-P10、P6-P10、P7-P10等6组变量的显著性检验Sig.值均界于0.01～0.05之间，可信度水平均为95%，为显著关联，可进行相关性描述。

4.2 显著相关强度排序

从零阶偏相关系数看，P4-P8、P4-P10为中等强度相关，P3-P8、P5-P9、P7-P9、P1-P10、P3-P10为弱相关，P2-P10为极弱相关。从六阶偏相关系数看，相关强度整体上较零阶偏相关呈变大趋势，P3-P8、P4-P8、P3-P10、P4-P10为强相关，P6-P8、P5-P9、P7-P9、P1-P10为弱相关，P1-P8、P7-P8、P2-P10、P5-P10、P6-P10、P7-P10为极弱相关。

零阶相关性分析中，影响P8的自变量相关强度排序为P4、P3；影响P9的自变量排序为P7、P5；影响P10的自变量排序为P4、P3、P1、P2。

六阶相关性分析中，影响P8的自变量相关强度排序为P4、P3、P1、P6、P1、P7；影响P9的自变量排序为P7、P5；影响P10的自变量排序为P4、P3、P1、P7、P5、P6、P2。

六阶偏相关与零阶偏相关的强度相比，增加了新的自变量进入排序，整体排序大体一致，也证实了两种相关性分析的有效性。

4.3 显著相关数量分析

由表2，3还可以看出，P3、P4对P8、P10均有较高强度排序的影响；P5、P7、P1、P6对两个以上因变量具有由高至低多个排序的影响；P2仅对P10具有低强度排序的影响。因此，在腔体植入设计中应优先考虑P3（纵向布置数）、P4（横向布置数），之后是P5（开口宽度）、P7（开口距地高度），再次是P1（腔体边长）、P6（开口高度），最后是P2（腔体高度）。

4.4 显著相关正负分析

从皮尔逊相关系数的正负属性看（图4），P1～P7对P8均为负相关，随着自变量的变大，平均风速降低；P1～P7对P10均为正相关，随着自变量的变大，平均CO2浓度也增大；P1～P6对P9为正相关，P7对P9为负相关，随着自变量的变大，平均温度增大或减小。从候车厅舒适度评价目标看，为了提高风速、降低温度、降低CO2浓度，P1～P6的自变量具有同向作用，可一并优先选择利用。P7仅在考虑平均温度指标时，有条件选择利用。

4.5 关联度验证

设计一组模拟实验，对舒适度关联度较大的P4（横向布置数）、P3（纵向布置数）、P1（腔体边长）3个自变量进行相关性验证。试验中其他自变量取定值，P2=21、P5=0.5、P6=2、P7=2，保持腔体截面总面积为4.8m×4.8m=23.04m2。腔体自变量P4、P3、P1的取值以及利用CFD输出候车厅1.5m高度处风速、温度、CO2浓度云图，如图5所示。