自然通风下教室CO2体积分数的实测与模拟

1 概述

教室内CO

体积分数关系着学生和教师的健康和学习效率。张昊

监测了沈阳某中学的室内空气品质，发现在人员密集的情况下，教室和办公室内CO

体积分数可达5 000×10

以上，5月～9月CO

体积分数明显高于其他月份，与供冷期房间门窗紧闭有关。林敏等人

对中小学教室空气质量进行监测，发现上课期间CO

体积分数最高可达4 206×10

。姬长发等人

监测西安某高校教室室内CO

体积分数，最高可达4 991×10

。

一些学者对CO

对人体的影响进行了研究。Satish等人

、Allen等人

、蒋婧等人

通过注入纯CO

提高室内CO

体积分数，发现在高浓度CO

条件下被测人员的学习工作效率发生明显下降。Zhang等人

研究发现，室内CO

体积分数对主观评价及生理变化均形成影响。

本文将某高校教室作为研究对象，测量过渡期室内CO

随时间的变化。采用Airpak软件，模拟过渡期自然通风条件下(课间门窗开启)室内空气温度、CO

体积分数的分布。

2 实测与分析

2.1 实测对象

选择北京某大学教学楼位于2层西侧的教室作为实测房间，教学楼周围建筑布局和教室具体位置(图中红色五角星位置)见图1。教室的平面布局及测点布置见图2。教室宽12.2 m，进深8.8 m，高4.5 m，有80个座位。有4扇平开外窗，宽×高为1.0 m×1.6 m。2扇平开内门，宽×高为1.0 m×2.4 m。

在教室前的教师置物桌上布置1台温湿度记录仪、1台CO

传感器，在教室后布置1台CO

传感器，布置高度均为1.1 m，用于测量室内温湿度及CO

体积分数。温湿度记录仪、CO

传感器的性能参数见表1。室外温度由教学楼附近气象站获得。每隔5 min采集1次数据。

2.2 测量结果

在自然通风条件下，于2021年4月中旬，对教室进行为期一周(周一至周五，共计5 d)的监测。测量从第1节课前0.5 h到人员散去后1 h期间教室内空气温湿度、CO

体积分数。上午4节课上课时间8:00—11:30，下午4节课上课时间1:30—16:55，大课间休息时间为10 min。

通过对设备资产实现综合管理，根据点检、在线监控或第三方配合等手段，实现“发现问题”到采用趋势分析及综合评价一体化管理，实现“分析问题”再到维修及缺陷处理的解决方案，最终实现全厂的设备安全运行、减员增效、提升效能等目标。

分析CO

传感器2的测量结果发现，一周内有超过75%的时间室内CO

体积分数超过GB/T 18883—2002《室内空气质量标准》规定的上限1 000×10

。周二教室的CO

体积分数及室内外温度随时间的变化见图3。由测量结果可知，虽然部分时间教室前部(讲台一侧)CO

体积分数超出CO

传感器1量程，导致部分数据无法收集，但在CO

传感器1量程内测得的数据与CO

传感器2的测量结果比较接近。因此，图3中仅给出CO

传感器2的测量结果。周二上午2节课(9：55—11：30，室内23人)，中午休息时间教室无人，下午3节课(13：30—16：00，室内56人)。上课期间门窗紧闭且没有主动开窗行为，下课期间有人员进出，伴随门窗开启。

由实测结果可知，室内CO

体积分数大多数时间均超过1 000×10

，而且CO

体积分数上升速率与人员密度成正相关。

由图3可知，上午课程没有课间休息，室内CO

体积分数逐步上升，直至午间休息才出现下降。随着人员撤离，室内CO

体积分数迅速下降。在午间休息期间，室内CO

体积分数保持较低水平。下午课程开始后，室内CO

体积分数迅速上升。在下午课间休息期间，人员出入频繁，教室前后门常开，室内CO

体积分数出现小幅下降。随着课程继续，室内CO

体积分数继续上升，直至下午课程结束。随着人员撤离，室内CO

体积分数迅速下降。

3 模拟与分析

3.1 几何模型

对图书馆招聘信息的分析表明，各类型图书馆的人才需求呈多元化趋势。其共性在于岗位需求上以传统业务岗和数字资源建设岗为主，特性在于各类型图书馆的发展方向不同。如本科院校图书馆关注学科服务，科研院所图书馆关注数据分析。从今后发展趋势上看，各类型图书馆将强化服务功能，参考咨询部门的岗位职责会更加细化。

3.2 控制方程和边界条件

① 控制方程

房间通风模型采用标准

-

方程

，组分输运方程见文献[10]。

第一，优化监督制度。均衡配置自上而下、平行监督、自下而上的三重监督权力，破除信息不对称的固有障碍，降低政府机会主义的主观愿望。

② 边界条件和设定参数

室外温度保持11 ℃，走廊温度保持13 ℃，房间初始温度设置为20 ℃。外墙内壁面温度设定为11 ℃，东侧内墙内壁面温度设定为13 ℃，南北两侧内墙内壁面设置为绝热界面。自然通风条件下，教室换气次数为8 次/h。

仍以该教室作为研究对象。教室模型与人体模型见图4。在室人员数量57人(56名学生，1名老师)，人员所处位置见图2中红色圆点。室内人员为坐姿，高度1.3 m。房间物品尺寸见表2。

人员CO

产率、呼吸速率根据ANSI/ASHRAE 62.1-2016《可接受室内空气质量的通风》规定选取为310 mL/(min·人)、10 L/(min·人)。单人发热功率为105 W/人，鼻孔距离头顶0.15 m，呼气口0.01 m×0.01 m，出气速率1.7 m/s，温度34 ℃，出气方向与面部呈30°斜向下，出气CO

体积分数为31 000×10

。在呼气孔左侧0.01 m处设置吸气口，速度与呼气口相反。

① 空气温度

3.3 模拟方法

模拟时间为课间10 min，期间室内人员数量、位置不发生变化。

我专注地开着车，沉默，占据了整个车厢五分多钟，直到她在后视镜里看了我一眼后，整个空气开始循环流动起来。

采用Airpak计算流体动力学软件进行模拟。在Airpak软件中建立模型，并进行网格划分，对人体表面及门窗开口进行网格加密，并设置边界条件。软件通过有限体积法离散控制方程，选取二阶迎风方程进行控件离散。松弛因子取默认值，能量收敛残差设为1×10

，其余参数收敛残差设为1×10

。模拟过渡期自然通风条件下(课间门窗开启)教室的室内空气温度、CO

体积分数。

综上所述，在当前城市轨道交通快速发展的需求下，我国尚未建立起针对城市轨道交通信号系统完整的安全预评价理论，预评价方法不成熟，预评价工作经验亦相对缺乏，造成实际中的预评价工作技术难度增大。

3.4 网格划分与无关检验

使用Airpak软件对模型整体进行网格划分，网格数分别为70×10

、150×10

、330×10

。在进行无关检验时，对

轴坐标为4.4 m的

面与

轴坐标为1.1 m的

面相交线的室内温度进行分析。1 min时两面相交线的室内温度见图5。由图5可知，网格数为150×10

、330×10

时的模拟结果十分接近。因此，在保证计算准确性的基础上，为提高计算效率，网格数选取150×10

。

3.5 模拟结果

外窗、门的下半部设置为定风速入口，上半部设置为自由边界出口，入口风速为0.19 m/s，外窗、门入口空气温度分别为11、13 ℃。室外CO

体积分数保持400×10

，教室内初始CO

体积分数设置为3 000×10

。

门窗开启1、4、7、10 min时，1.1 m高度截面的空气温度分布见图6。由图6可知，由于人体发热，门窗开启1 min时，在人员密集的区域，空气温度高于室内初始空气温度。10 min时，教室各处温度基本趋于一致，平均空气温度为17 ℃。

整体上，1.1 m高度截面的温度，随门窗开启时间的延长而下降。教室前后部室内温度的下降速率明显高于人员密集区域。

④刘凤泰:《高度重视 不断完善 建立中国特色的高校教学评估制度》，《中国高等教育》2004年第19期。

② CO

体积分数

门窗开启1、4、7、10 min时，1.1 m高度截面的CO

体积分数分布见图7。由图7可知，开启门窗后，门窗附近的CO

体积分数低于教室的其他区域，特别是外窗附近。1.1 m高度截面的CO

体积分数，随门窗开启时间的延长而下降。门窗开启10 min时，教室平均CO

体积分数为1 073×10

。说明自然通风可有效降低室内CO

体积分数。

4 结论

① 由实测结果可知：室内CO

体积分数大多数时间均超过1 000×10

，CO

体积分数上升速率与人员密度成正相关。

依据《尘肺病诊断标准》相关要求选择我国万东研发以及提供的500mA 高频X线机进行高千伏胸片检查，150kV为额定电压，检查质量性能显示合格，应用小焦点，栅比为10：1，靶片距为1.8m，中速钨酸钙增感屏，110至130kV为摄片电压，200mA为摄片电流，依据体厚选择曝光时间，取值范围在4.5至11ms之间；胶片规格为36*36cm。标准防护后，通过后前位姿势，中心线位于第6胸椎，让患者深吸气之后屏气进行检查。通过HQ-320XT自动洗片机进行洗片，柯达显定影套药为洗片药，31摄氏度为设置的温度。

② 由模拟结果可知：1.1 m高度截面的温度，随门窗开启时间的延长而下降。教室前后部室内温度的下降速率明显高于人员密集区域。1.1 m高度截面的CO

体积分数，随门窗开启时间的延长而下降。门窗开启10 min时，教室平均CO

体积分数为1 073×10

。自然通风可有效降低室内CO

体积分数。

[1] 张昊. 沈阳市某中学室内空气品质监测报告[J]. 节能，2021(3)：65-68.

[2] 林敏，毛艳辉，应融，等. 宁波市中小学校教室空气质量与通风适宜方案研究[J]. 绿色建筑，2020(6)：39-43，47.

[3] 姬长发，徐逸哲，李亮，等. 西安某高校教室内二氧化碳浓度监测分析[J]. 建筑热能通风空调，2019(3)：28-31，60.

[4] SATISH U，MENDELL M J，SHEKHAR K，et al. Is CO

an indoor pollutant direct effects of low-to-moderate CO

concentrations on human decision-making performance [J]. Environmental Health Perspectives，2012，120：1671-1705.

[5] ALLEN J G，MACNAUGHTON P，SATISH U，et al. Associations of cognitive function scores with carbon dioxide，ventilation，and volatile organic compound exposures in office workers: A controlled exposure study of green and conventional office environments[J]. Environmental Health Perspectives，2015，124：805-812.

[6] 蒋婧，王登甲，刘艳峰，等. 室内二氧化碳浓度对学习效率影响实验研究[J]. 建筑科学，2020(6)：81-87.

[7] ZHANG X，WARGOCKI P，LIAN Z，et al. Effects of exposure to carbon dioxide and bioeffluents on perceived air quality，self-assessed acute health symptoms，and cognitive performance[J]. Indoor Air，2017(1)：47-64.

[8] ZHANG X，WARGOCKI P，LIAN Z. Physiological responses during exposure to carbon dioxide and bioeffluents at levels typically occurring indoors[J]. Indoor Air，2017(1)：65-77.

[9] 陶文铨. 数值传热学[M]. 2版. 西安：西安交通大学出版社，2001：332-388.

[10] 吕达林. 哈尔滨市某高校教室CO

浓度监测分析及模拟研究(硕士学位论文)[D]. 哈尔滨：哈尔滨工业大学，2019：39-40.