綜掘工作面通風除塵系統結構優化及參數智能調控

關鍵詞：綜掘工作面；通風除塵系統；結構優化；參數智能調控；康達效應；卷積神經網絡

中圖分類號：TD714.4 文獻標志碼：A

0引言

為解決煤礦開采過程中的粉塵污染問題，降低作業人員的健康安全風險，各種控塵技術應運而生。其中，長壓短抽式除塵方法因其高效的除塵效果而被廣泛應用。該方法將長距離正壓通風和短距離負壓抽風相結合，實現了對綜掘工作面粉塵的有效控制[1]。近年來，國內外專家學者對長壓短抽式通風除塵系統結構參數優化進行了大量研究，由最開始的不改變壓入風筒結構、調節風壓比[2]，到改變壓入風筒結構、增加控塵風筒和優化軸徑向風壓比[3-4]，再到改變壓風筒風流角度[5]和增加負壓除塵微霧凈化裝置[6]。以上研究雖然在一定程度上提高了長壓短抽式通風除塵系統的效率，但由于正壓和負壓風流的交互作用，長壓短抽式通風除塵系統本身很容易在綜掘工作面形成許多渦流和風流死角，使粉塵聚集，因此需要從結構上優化通風除塵系統，減少風流死角。

康達效應是流體力學中的一個重要現象，描述了流體在流動時傾向于附著在附近固體表面上的行為。Li Angui[7]探討了康達效應在通風系統中的應用，指出利用康達效應可顯著改善空氣分布和通風效率，特別是在封閉或復雜的空間中。盧文[8]利用康達效應改進氣幕的結構，使得氣幕的破裂條件保持不變，在更低風量條件下仍能保持氣幕的完整性和控煙效果。利用康達效應能夠在復雜環境中實現高效的氣流引導和控制，因而在綜掘工作面通風除塵系統中有很大的應用潛力。

通過流體力學建模仿真進行參數優化的方式[9]需要的計算資源較多，且在不同綜掘工作面工況條件下，系統參數難以靈活調整，限制了方法的普適性和高效性。智能化煤礦通風除塵系統[10-12]將人工智能算法應用到通風除塵系統中，實現除塵參數調節策略優化和粉塵濃度預測等[13-15]。龔曉燕等[16]使用BP 神經網絡進行粉塵濃度預測，取得了較好的預測效果，但BP 神經網絡訓練時易出現梯度爆炸等問題。卷積神經網絡（Convolutional Neural Network，CNN）具有強大的特征提取能力，逐漸被應用于線性回歸預測任務中[17-20]。CNN 能夠很好地處理一維數據的回歸預測任務，還能與其他模型結合[21]，增強對跨領域數據的適應性，實現遷移學習，顯著提升模型在不同工況下的泛化能力。

針對傳統長壓短抽式通風除塵系統易形成渦流和風流死角的問題，結合康達效應對長壓短抽式通風除塵系統進行結構優化，將抽風管與壓風管進行嵌套處理，通過在壓風管管口產生康達效應，減少風流死角，進而提高除塵效率；結合CNN 對不同調控參數下的粉塵濃度進行預測，從而匹配出不同初始粉塵濃度下的最優參數，實現智能除塵。

1基于康達效應的通風除塵系統結構優化

1.1結構優化方案

通風管道是通風除塵系統的主要構成部分。長壓短抽式通風管道結構如圖1 所示。由于通風管道的布置和通風機位置設計不當，風流組織復雜，易形成渦流或死角，粉塵和有害氣體無法有效排除，導致局部區域除塵效率低。為了維持足夠的通風量，通風機功率通常較高，導致能耗較大，尤其在長距離輸風或復雜作業面條件下，能量損耗尤為嚴重。傳統通風除塵系統缺乏對環境變化的自適應調節能力，無法實時應對綜掘工作面動態變化的通風需求；風量和風壓通常是預先設定的，不能根據實時粉塵濃度、氣流速度等參數自動調整，降低了系統運行效率。

康達效應是流體力學中的一種現象，指流體在遇到曲面或障礙物時會附著在其表面并沿其流動的趨勢。結合康達效應優化后的通風管道結構如圖2所示。將負壓風筒和抽風筒結合為一個嵌套結構，使負壓風筒中的風流能在抽風筒管口產生康達效應。在傳統系統中，風流易偏離設計路徑，而優化后的結構則確保了氣流緊貼巷道壁面，減少了空氣中粉塵的擴散，使得通風除塵系統能夠在更低的通風機功率下實現更高效的空氣流動。此外，氣流沿曲面流動的特性減少了風阻和能量損失，使通風除塵系統在保證除塵效果的同時，顯著降低了能耗。

1.2結構優化效果驗證

1.2.1模型建立

以山西王家嶺煤業有限公司二號煤層20106 號綜掘工作面[22]為研究對象，根據綜掘工作面實際情況對巷道尺寸及除塵裝置進行調整。構建50 m×5.0 m×4.0 m（長×寬×高）的模擬巷道，模擬分析實粉塵運動規律和濃度分布。模型主要部件尺寸見表1。

將建立好的優化通風除塵系統幾何模型（圖3）導入網格劃分軟件中進行結構化網格劃分，最終生成的網格節點數量為326421 個，平均網格單元質量為0.951，網格精度達到仿真標準。

將網格導入Fluent 求解器中進行仿真。設置湍流模型為真實的κ-ε雙方程模型。設置入口邊界類型為“速度入口” ，出口邊界類型為“自由出流邊界”，所有壁面為“無滑移的固體”，流體類型為“空氣”。開啟離散相模型（Discrete Phase Model，DPM），DPM 參數設定見表2。

1.2.2最佳除塵壓抽比確定

通風除塵系統的除塵效果主要受巷道內的流場影響。通過改變壓抽比可控制流場內的風流走向，不同壓抽比下流場內的粉塵運動規律不同，最終的除塵效果也不同。為匹配模擬巷道大小的流場，設置模擬抽風風筒供風量為固定的240m³/min。當壓抽比為1∶1 且采用改進抽壓風風筒除塵時，管口會產生由外向內包裹的旋轉風流，從而擴大除塵范圍。抽風管管口風流如圖4 所示。

設定抽風量為240 m³=min，壓抽比分別為4∶5，1∶1，4∶3，2∶3，進行數值模擬仿真，分析司機處（坐標為y=2.0 m， x=2.5 m， z=7 m）粉塵濃度分布規律，如圖5?圖7 所示。

由圖5、圖6可看出：當壓入風量小于抽出風量（即壓抽比為4∶5 和1∶1）時，由于壓入風量不足，導致粉塵大量聚集在工作面前端掘進機及司機位置；當壓入風量大于抽出風量（即壓抽比為4∶3 和2∶3）時，壓入風量足夠將聚集在工作面頭部的粉塵吹散并裹挾進抽風風筒；當壓抽比為2∶3 時，x=2.5 m 及y=2.0 m 截面處的粉塵濃度分布情況最好。由圖7 可知：壓抽比為4∶5 和1∶1 時，z=7.0 m 截面處粉塵濃度極高；壓抽比為2∶3 時，z=7.0 m 截面處粉塵濃度最低。綜上，該通風除塵系統最佳除塵壓抽比為2∶3。

1.2.3除塵效果對比

為驗證優化通風除塵系統的可行性，在幾何模型大小、DPM 參數、風壓比均相同的情況下對優化通風除塵系統及傳統長壓短抽式通風除塵系統進行仿真，結果如圖8 所示。由圖8 可知，在x=2m 截面處采用優化系統時粉塵濃度分布優于長壓短抽系統。在司機處z 軸及下風側截面，采用長壓短抽系統時平均粉塵濃度分別為433.17，821.27 mg/m³，采用優化系統時平均粉塵濃度分別為409.10，366.17 mg/m³，比長壓短抽系統分別降低了5.56%，55.41%。

2基于CNN 的通風除塵系統參數智能調控

2.1調控參數確定

確定通風除塵系統整體結構及壓抽比后，通過參數調控可進一步提高除塵效率。

風筒距離產塵面的遠近直接決定了流場的覆蓋范圍和吸塵效果。當靠近產塵面時，吸塵效率相對較高，然而，風筒過近會導致流場范圍縮小，無法有效控制較大范圍內的粉塵擴散。風筒距離過遠則會導致吸塵效率下降。因此，應在合理范圍內選擇風筒與產塵面的距離，以兼顧覆蓋范圍和吸塵效果。

風筒高度決定了風流的主要運動區域，直接影響除塵的空間范圍。當風筒高度較低時，氣流主要集中在地面附近，能夠更有效地捕捉低處的粉塵，但也可能干擾作業面上方的氣流組織。當風筒高度較高時，氣流的覆蓋范圍變大，有利于捕捉更多粉塵，但可能降低對近地面粉塵的控制效果。礦井環境中，粉塵的分布往往存在差異，通過調節風筒高度，可更好地適應這種復雜多變的環境，確保系統在不同工作條件下仍能維持高效的除塵效果。

抽壓風筒之間的距離直接影響康達效應的強度與效果。如果距離過小，氣流可能無法充分附著，產生局部紊流，導致氣流不穩定，影響除塵效率；如果距離過大，則康達效應減弱，氣流的附壁能力下降，內旋風流結構不穩定，削弱了系統的整體除塵能力。因此，選擇合理的距離可優化康達效應產生的附壁流動，確保氣流能夠沿著風筒內壁穩定流動，從而提高風流的穩定性與除塵效率。

基于上述分析，選擇風筒與產塵面的距離d、風筒中軸線與地面的距離H 及抽壓風筒之間的距離h 作為優化調控參數，如圖9 所示。通過對這些參數的精確調節，可實現對流場的精細控制，確?？颠_效應的最大化利用，從而進一步提升整個通風除塵系統的效率和穩定性。

2.2調控參數數據集獲取

搭建等比例縮小的模擬巷道通風除塵系統，調控參數優化實驗平臺如圖10 所示。模擬巷道的尺寸為3.2 m×1.6 m×1.6 m（長×寬×高）。使用激光測塵方法對司機處平均粉塵濃度進行測量，使用粉塵濃度測量儀對下風側行人呼吸帶處測塵點粉塵濃度進行測量。

以搭建好的實驗平臺為基準，設風筒與產塵面的距離d 調控步長為0.05 m，調控范圍為0.3～0.5 m；設置風筒中軸線與地面的距離H 調控步長為0.05 m，調控范圍為0.45～0.55 m；設置抽壓風筒之間的距離h 調控步長為0.2 m，調控范圍為?0.2～0.2 m。進行全因子實驗，得到45 組參數調控方案，見表3。

收集不同初始粉塵濃度條件下采用45 組參數調控方案后的粉塵濃度，為保證模型訓練的可靠性，每組調控方案進行25 次不同初始粉塵濃度下的實驗，最后收集到的數據見表4。

2.3CNN模型訓練及性能對比分析

CNN模型采用包含1個卷積層的網絡結構，卷積核尺寸為（2，1），卷積核數量為64，以確保能夠提取到多層次特征。經過卷積層特征提取后，使用全連接層進行回歸任務預測，全連接層包含64 個神經元， 使用ReLU 激活函數。采用BP 神經網絡與CNN 進行對比，BP 神經網絡采用5?13?2 的網絡結構，即輸入層包含5 個節點，隱藏層設置為13 個節點，輸出層包含2 個節點。隱藏層采用tanh 函數作為激活函數。為了優化模型訓練過程， CNN 和BP 神經網絡均采用Adam 優化算法，訓練步數均為1000。設置訓練集占比為0.8，訓練完成后模型測試結果對比見表5。

由表5 可看出，對比BP 神經網絡，CNN 的決定系數更高，說明預測結果更接近實際值，平均絕對誤差與均方根誤差都大幅度減小，說明模型的準確性和穩定性都更優。CNN 通過卷積操作，能夠在較低維度的數據中發現更豐富的特征模式，在回歸預測任務中表現出更好的泛化能力和預測效果。因此采用訓練好的CNN 模型作為粉塵濃度預測模型。

2.4CNN模型預測數據準確性驗證

為驗證CNN模型預測粉塵濃度的準確性，通過優化調控參數實驗平臺對隨機15 組參數調控方案進行實測，對比真實數據與CNN 預測結果，如圖11所示。分析得出司機處粉塵濃度預測值與真實值的誤差范圍為0.39%～6.01%，誤差較??；下風側誤差范圍稍大，為0.05%～9.15%。但總體來看，2 個目標區域的預測誤差都在較低水平，表明CNN 模型具有較高的精度和良好的泛化能力。

2.5基于CNN模型的通風除塵系統調控參數優化

設置初始粉塵濃度為300， 500， 700， 900 mg/m³，通過訓練好的CNN 模型對采用45 組參數調控方案后的粉塵濃度進行預測，結果如圖12所示?？煽闯?，初始粉塵濃度較高時，除塵后的粉塵濃度整體也較高，表明初始粉塵濃度對最終除塵效果有顯著影響。下風側粉塵濃度普遍高于司機處，尤其是在初始粉塵濃度較高時差異更為明顯。這可能是由于下風側處于氣流下游位置，粉塵積聚更嚴重。

在300 mg/m³ 初始粉塵濃度下，用第10、11 組調控方案除塵后的粉塵濃度相對較高，第15、20、32 組方案除塵效果較理想，粉塵濃度較低。初始粉塵濃度為500 mg/m³ 時，第11、27 組方案的除塵效果較好。這說明在不同初始粉塵濃度下，最優調控參數組合不同，需要針對特定工況選擇合適的調控方案，以實現最佳除塵效果。在司機處與下風側初始粉塵濃度同時為300～900 mg/m3 時的最優調控方案及其除塵效果見表6。

由表6 可得：初始粉塵濃度為300 mg/m³ 時，使用第32 組調控方案可獲得最優除塵效果，司機處粉塵濃度下降47.47%，下風側粉塵濃度下降55.51%；初始粉塵濃度為900 mg/m³ 時，使用第6 組調控方案可最優除塵效果，司機處粉塵濃度下降80.35%，下風側粉塵濃度下降87.42%。

3結論

1） 基于康達效應對長壓短抽式通風除塵系統進行結構優化，顯著提升了系統的除塵效率。通過流場和DPM 仿真得到最佳壓抽比為2∶3。在最佳壓抽比下的仿真結果顯示，與傳統長壓短抽式通風除塵系統相比，優化系統除塵后司機處及下風側的粉塵濃度分別降低了5.56% 和55.41%。

2） 選擇風筒與產塵面的距離、風筒中軸線與地面的距離及抽壓風筒之間的距離作為通風除塵系統的優化調控參數。為實現參數優化的智能化和快速化，采用CNN 模型對通風除塵系統的調控參數進行了優化。實驗結果表明， 相較于BP 神經網絡，CNN 模型具有更高的預測精度，能夠更有效預測不同初始粉塵濃度下的除塵效果。

3） 基于CNN 模型的預測結果，確定了不同初始粉塵濃度下的最佳調控參數組合。司機處和下風側初始粉塵濃度為300～900 mg/m3時，采用優化通風除塵系統后， 平均粉塵濃度分別下降了51.49%～83.88%，驗證了參數調控的有效性。

4） 康達效應受限于巷道幾何形狀和作業面環境，難以在復雜、非規則環境中保持流體附壁效果的穩定性。此外，雖進行了仿真和實驗，但缺乏真實掘進工作面的數據驗證，暫無法應用于實際工作面。未來將探索在復雜巷道中優化康達效應的應用，并通過真實礦井數據測試驗證系統有效性和穩定性。