基于干扰管理的地铁站火灾烟气控制研究

成琳娜，钟彤思，李秀金，廖舒妍

（五邑大学 轨道交通学院，广东 江门 529020）

城市轨道交通在综合交通系统中占据重要地位，其中，位于地下的地铁客运量大、空间结构复杂且具有密闭性，一旦发生火灾，就会产生大量浓烟和有毒气体，容易造成人员伤亡和财产损失. 尽管在火灾发生过程中，地铁车站有相应的应急处置方案，但是由于站内环境复杂多变，干扰事件容易影响原方案的实施. 因此，有效处理这些干扰事件，及时控制火灾烟气、减小人员伤亡和车站损失，使地铁在最短的时间内恢复运行具有重要意义.

在地铁站火灾烟气控制研究方面，李兆文[1]建立一个双层岛式地铁车站的物理模型，研究了地铁站火灾烟气发展规律和烟气扩散控制方法；周汝[2]构建双层地铁站的物理模型，提出在楼梯口采用防烟空气幕的烟气控制模式；纪杰[3]通过小尺寸地铁模型试验和数值模拟，研究了车站内不同地方起火该如何开启不同的排烟口. 在干扰管理研究方面，Yusen[4]利用干扰管理的思想和方法对供应关系的库存控制系统和两阶段生产进行了研究，建立了扰动恢复模型；Niklas[5]通过分析航班调度中出现的干扰事件，建立了多资源多方案的系统模型；Walker等[6]综合考虑车次和成本问题，建立了铁路运输系统多目标优化干扰管理模型. 综上，既有研究主要通过构建模型和数值模拟找出现有方案的不足，在火灾前确定较好的烟气控制方案，但针对地铁站火灾实时变化方面的研究较为不足. 针对地铁站火灾的实时性变化会导致火灾烟气控制方案受不确定性干扰事件影响的问题，本文建立了基于干扰管理的烟气控制模型，应用遗传算法对其进行求解得到干扰管理方案，以期减小干扰事件对初始计划的扰动，并达到快速有效控制地铁站火灾烟气的目的.

1 地铁站火灾烟气控制仿真研究

本文以广州地铁13号线白江站作为研究对象，运用Pyrosim软件对地铁火灾进行仿真. 如图1所示，该车站是一个双层岛式车站，地下一层为站厅层，地下二层为站台层. 站厅层有4个排烟设备，站台层两侧各有5个排烟设备，排烟设备面积为212 m. 本文设置起火地点为站台中央，从防烟和排烟两个角度，通过多次仿真实验，设计了如表1所示的4个初始烟气控制方案.

表1 各方案实验工况

为分析车站火灾烟气扩散情况，在站厅层和站台层每隔10 m设置一个探测设备. 仿真后选取旅客逃生必经点及其附近点进行数据分析，具体探测点为10、12、07、014、-7、-11，如图1所示. 其中探测点10位于站厅层左侧楼梯出口附近，探测点014位于站厅层东边闸机附近，探测点12位于站厅层右侧的扶梯出口处，都是人员逃生的必经之路；探测点-7位于站台层的左侧自动扶梯附近.

图1 白江站平面图以及排烟设备和探测点的布置

各探测点的温度和能见度仿真结果如图2、图3所示.

图2 各探测点的温度变化

图3 各探测点的能见度变化

由图2可知：探测点10在超过180 s后，方案1、2、3都会使人陷入危险，在该点，排烟送风功率更高的方案2展示出了更好的降温性能，但在300 s时温度再次出现上升，方案4则表现出良好的降温效果；探测点12在方案3和方案4的作用下能够将温度控制在安全范围，由此可知在站台层安装排烟送风设备对站台火灾的烟气处理具有重要作用；探测点07在方案2、3、4的作用下，能够保持360 s内温度一直处于安全范围，而方案1在240 s时温度超过了安全值，说明其附近的排烟设备功率不足；探测点014和探测点7-在各个方案下都能保持相对安全的温度范围，但方案4能够使温度更低，更有利于人们的疏散；只有靠近火源点的探测点11-的温度在各个方案下都不能控制在人员能够接受的范围内，因此建议在这附近进行隔离.

由图3可知：探测点10在火灾发生不到60 s，大部分的优化方案所能保持的能见度都低于10 m，火灾180 s时，大部分优化方案的能见度都为0 m；探测点12火灾后不到60 s，大部分方案的能见度都小于10 m，只有方案4还能保持30 m的能见度；探测点07在火灾初期，除了方案2，其他方案的排烟效果都比原方案好；探测点014在火灾60 s后，所有优化方案的能见度都低于10 m，只有方案4能够在60 s内稳定保持30 m的能见度；探测点7-所有方案的能见度在60 s后都低于10 m；探测点11-位于火源附近，任何排烟方案均不能取得良好效果.

通过分析各探测点温度和能见度的变化情况，可得到以下结论：

1）方案1和方案2的排烟效果比原方案好，送风和排烟功率较高的方案2比方案1的效果更优. 因此，站厅层宜采用正压送风+排烟模式.

2）方案3、方案4的排烟效果也比原方案好，因此，站台层可以采用一侧正压送风另一侧排烟或者两侧都采取排烟模式.

2 地铁站火灾烟气控制干扰管理模型构建

2.1 干扰事件分析

火灾发生后，以下一些实时变化的不确定性事件将影响火灾烟气控制方案的实施.

1）烟气控制效用时间的变动

设火灾发生在0时刻，t为实际排烟时间，为发生干扰事件后的效用时间，Δte为发生干扰事件后乘客所能接受的烟气控制延迟时间。若说明使用初始排烟方案不能及时控制烟气，会导致乘客难以逃生并增加车站的损失，属于干扰事件。

2）排烟设备需求的变动

① 排烟设备数量需求增加

设车站的排烟设备备用量为Δd，干扰事件发生后设备需求的增加量为Δd′. 若Δd＜Δd′，说明排烟设备需求的增加量超出排烟设备的备用量，需要调整排烟方案，属于干扰事件.

② 排烟设备功率需求增加

设车站的排烟设备可实现的功率增加量为Δp，干扰事件发生后排烟设备功率需求增加量为Δp′. 若Δp＜Δp′，则该需求属于干扰事件.

3）排烟设备运力变动

设当使排烟设备运力变动的干扰事件发生时，消除该事件的时间为Δt. 若t+Δt＞tθ′，则消除干扰使得排烟时间超出了车站的排烟效用时间，此时会增加乘客逃生的不安全性，属于干扰事件.

2.2 确定扰动度量

1）乘客角度的扰动度量

设F表示乘客安全逃生的可能性.

式中，max表示无限接近于1的实数.

设FΔ 为乘客的扰动度量值，则FΔ 可表示为：

式中，F0为初始排烟方案乘客安全逃生的可能性，F1为调整后排烟方案乘客安全逃生的可能性.

2）车站角度的扰动度量

当有烟气从车站排出，就会产生相应的烟气控制成本D，其可表示为：

式中，D0为初始烟气控制方案的控制成本，D1表示调整后新控制方案的控制成本.

2.3 模型构建

1）目标函数分析

由式（1）和（2）可知，从乘客安全逃生可能性的角度分析，可得目标函数表达式为：

式中，A1为乘客角度扰动度量对最终烟气控制方案的影响程度；pj为站厅层排烟设备功率；poi和po′i为站台层两侧的排烟设备效率；Q为烟气产生总量；t燃烧时间为火灾时间；msmoke为每秒的烟气生成量；d为火源周长；y为烟气层高度.

由式（3）和（4）可知，从烟气控制成本变化量的角度分析，可得目标函数的表达式为：

式中，A2为车站角度扰动度量对最终烟气控制方案的影响程度.

2）约束条件分析

① 站厅层排烟模式约束

其中，0表示开启送风模式，1表示开启排烟模式.

② 站台层排烟模式约束

③ 排烟量约束

根据《地铁设计规范》，地下车站站台、站厅火灾时其排烟量按1 m3/(min·m2)乘以防烟分区的建筑面积计算，则其约束表达式为：

式中，P为车站最小排烟量，S为车站公共面积.

④ 单个设备排烟量约束

根据《高层居民用建筑设计防火规范》规定，地下车站单台排烟机的最小排烟量不应小于20 m3/s(或7200 m3/h)，则其约束表达式为：

3 算法设计

本文选用遗传算法求解模型，计算过程如下：

1）简化目标函数

式中，B为车站所能接受的最大烟气控制成本增加量.

2）初始种群和编码设计

本文实数编码原则为：对于排烟模式，0表示送风，1表示排风；排烟设备功率24~120 m3/s，步长为12，2表示24 m3/s，10表示120 m3/s.

3）适应度函数

选取minA1作为适应度函数，取值越小，表明个体适应度越好，反之则越差.

4）生成新种群

选择：选择适应度好的算子遗传到新的种群中.

交叉：选择两个相互配对的染色体按某种方式互相交换部分基因，从而形成两个新的个体.

变异：根据变异概率将亲代个体编码串中的某些基因用其他基因代替，从而形成新的个体.

4 算例分析

本文以广州地铁13号线白江站为背景，运用MATLAB软件求解模型. 设置遗传算法的相关参数，得到地铁站火灾烟气控制方案基因型如表2所示，再根据编码原则对该烟气控制方案基因型进行解码，可得如表3所示的烟气控制干扰管理方案.

表2 地铁站火灾烟气控制方案基因型

表3 地铁站火灾烟气控制干扰管理方案

根据表3的烟气控制干扰管理方案设置仿真模型排烟设备的模式和功率，得到的仿真结果见表4和表5.

表4 各探测点的温度值

表5 各探测点的能见度值

由表4和表5可以看出，除了靠近火源的探测点11-外，其余探测点都保持在火灾前的20C°温度及30 m能见度，与初始方案相比，这两个指标都在人体更加能够接受的范围内. 证明了干扰管理方案可以及时将烟气从车站排出，并将其控制在火源附近，防止了烟气扩散.

5 结论

本文基于干扰管理的烟气控制模型在地铁站发生火灾出现干扰事件后，能在效用时间内将烟气排出，减少了站内环境恢复时间，提升了乘客安全逃生的概率. 但是本研究仍存在一些不足需要持续改进：

1）在仿真时只假设了站台中央起火的工况，对于车站其他位置的起火，尚未进行分析.

2）在模型构建方面，目标函数和约束条件的表达、多目标函数的处理都需要继续进行研究. 3）在求解算法方面，本文设计的遗传算法的全局搜索能力强、求解效率高，但易出现局部收敛. 因此，以该算法为基础与其他智能算法相结合将会是以后的研究方向.