Inleiding: De kritische rol van de ventilatie in metrostations

De combinatie van beperkte verse luchttoevoer, hoge bezetting en de constante beweging van treinen genereert complexe luchtstroompatronen en verhoogt de concentratie van luchtdeeltjes die van stof- en remslijtagedeeltjes uitgaan tot uitgeademde druppels die pathogenen vervoeren. In het kielzog van wereldwijde gezondheidsproblemen en strengere luchtkwaliteitsvoorschriften, is het optimaliseren van ventilatiesystemen een topprioriteit geworden voor transitautoriteiten. Computational fluid dynamics (CFD) software zoals ANSYS Fluent biedt een krachtige, kostenefficiënte manier om luchtstroom en deeltjestransport te simuleren en te analyseren, waardoor ingenieurs veiligere, energiezuiniger metrostations kunnen ontwerpen. Dit artikel onderzoekt de methodologie, voordelen en praktische overwegingen van het gebruik van ANSYS Fluent om de stroom van lucht en deeltjes in metrostations te modelleren, waardoor een uitgebreide gids wordt geboden voor ingenieurs en onderzoekers.

De natuurkunde van de luchtstroom en Deeltjestransport in metrostations

Het begrijpen van de onderliggende vloeistofdynamiek en het gedrag van deeltjes is essentieel voor het bouwen van een simulatie. Metrostations beschikken over complexe geometrieën met platforms, trappen, tunnels en ventilatieschachten. De stroom is meestal turbulent, aangedreven door gedwongen ventilatie (fans en straaljagers) en natuurlijke krachten zoals trein-geïnduceerde zuigereffecten. Luchtsnelheden kunnen variëren van bijna nul in stilstaande zones tot enkele meters per seconde in de buurt van de openingen van de trein. Messen, die vaak polydispersie met maten van 0,1 tot 100 μm, worden vervoerd door de luchtstroom, maar ook onderworpen aan gravitatieve bezinking, Browniaanse beweging, en traagheid impact. Pathogene druppels (bijv. van hoest of niezen) meestal variëren van 1 .50 μm, waardoor ze gevoelig zijn voor zowel luchtvering als oppervlaktedepositie.

Turbulentiemodelleringsbenaderingen

Nauwkeurige simulatie vereist het selecteren van een geschikt turbulentiemodel. De Reynolds-Gemiddelde Navier-Stokes (RANS) -aanpak, met name het realiseerbare k-ε-model, wordt op grote schaal gebruikt vanwege de rekenefficiëntie en de redelijke nauwkeurigheid voor de luchtstroom binnenshuis. Echter, voor het vastleggen van voorbijgaande verschijnselen zoals zuigereffecten of drijfvermogen-gedreven stromen, kan het Shear Stress Transport (SST) k-ω model de voorkeur krijgen. In sommige gevallen kan Large Eddy Simulation (LES) hogere betrouwbaarheid bieden maar tegen een veel hogere rekenkosten. ANSYS Fluent ondersteunt al deze modellen, waardoor de ingenieur nauwkeurigheid en resourcebeperkingen in evenwicht kunnen brengen.

Deeltjesdynamica en -afzetting

Deeltjes worden gevolgd met behulp van het Lagrangian Discrete Fase Model (DPM) in Fluent. De vergelijking van beweging omvat drag, zwaartekracht, Browniaanse kracht (voor submicron deeltjes), en Saffman liftkrachten. Depositie op oppervlakken kan worden gemodelleerd met behulp van empirische wandgrensomstandigheden of door gebruik te maken van een nabijwandbehandeling die de viskeuze sublaag oplost. Voor grotere deeltjes wordt turbulente dispersie veroorzaakt door gebruik te maken van stochastische tracking (random walk). De nauwkeurigheid van deeltjes volgen berust op maasresolutie bij muren, vooral voor deeltjes <10 μm, omdat ze worden beïnvloed door grenslaagturbulentie.

Een model voor de computational fluid dynamics bouwen met ANSYS Fluent

Het creëren van een betrouwbaar CFD-model van een metrostation omvat verschillende systematische stappen. Elke stap moet zorgvuldig worden uitgevoerd om ervoor te zorgen dat de simulatieresultaten nauwkeurig en activerend zijn.

Geometrie en maasconstructie

De eerste stap is het genereren van een 3D computer-ondersteund ontwerp (CAD) model van het station, met inbegrip van platforms, tunnels, roltrap leegtes, ventilatiekanalen, en treinlichamen. Lokale geometrie, zoals kolommen en reclamepanelen, kan aanzienlijk invloed hebben op lokale luchtstroom patronen. De geometrie wordt ingevoerd in ANSYS Meshing, waar een ongestructureerde tetrahedraal of polyhedraal gaas wordt gecreëerd. Een grenslaag gaas (primlaag) is essentieel in de buurt van muren om de viskeuze sublaag voor nauwkeurige turbulentie en deeltjes depositie modelleren op te lossen. Mesh onafhankelijkheid studies moeten worden uitgevoerd door het fijnmaas te verfijnen totdat belangrijke output variabelen (bijv., gemiddelde luchtsnelheid op platform, deeltjesconcentratie in ademzone) veranderen met minder dan 2 .

Grenzen

De grenzen bepalen de fysieke drivers van de flow. Typische voorwaarden voor een metrostation zijn:

  • Inlaten: Verse luchttoevoer uit ventilatieschachten, vaak aangeduid als snelheidsinlaten met voorgeschreven turbulentieintensiteit (bijv. 5
  • Uitlaten: Uitlaatventilatoren gemodelleerd als drukuitlaten of massastroomuitlaten.
  • Train-geïnduceerde stroom: Kan worden gemodelleerd als bewegende wanden of door snelheidsprofielen voor te schrijven bij tunnelopeningen. Als alternatief kan een glijdende mesh-nadering treinbeweging simuleren, maar voor veel studies volstaat een steady-state benadering met een momentumbron.
  • Passenger aanwezigheid: Passagiers worden vaak gemodelleerd als warmtebronnen (lichaamswarmte van ~100 W per persoon) en als obstakels die de stroom beïnvloeden. Sommige studies gebruiken poreuze media om menigte te vertegenwoordigen.
  • Particle sources: Gedefinieerd op basis van deeltjesgrootteverdeling, dichtheid en massadebiet. Voor ziekteverwekkers kunnen modelleren, hoesten of niezen gebeurtenissen worden gemodelleerd als voorbijgaande puff injecties.

Oplossingsinstellingen en Numerieke schema's

ANSYS Fluent biedt zowel drukgebaseerde als dichtheidsgebaseerde oplosapparaten. Voor oncompresseerbare lage snelheidsstroom die typisch is voor metrostations is de drukgebaseerde oplosmachine (gekoppeld of gescheiden) standaard. Tweede-orde opwindschema's voor momentum- en turbulentievergelijkingen verbeteren de nauwkeurigheid. Convergentie wordt meestal gecontroleerd met reststoffen onder 1e-4 voor continuïteit en 1e-5 voor momentum. Aanvullende monitoren (bijvoorbeeld gemiddelde snelheid op belangrijke locaties, totale deeltjesmassa in het domein) helpen bij het beoordelen van de stabiliteit van de oplossing.

Turbulentie Modelselectie

Zoals vermeld, is het realiseerbare k-ε model een robuuste basislijn. Voor nauwkeuriger nabijwandgedrag wordt het SST k-ω model aanbevolen. In ANSYS Fluent kan het Transition SST] model ook worden gebruikt als laminar-to-turbulent overgangsgebieden belangrijk zijn, zoals in regio's met zeer lage snelheid. Voor voorbijgaande simulaties van treinbewegingen kan de Schale-adaptieve simulatie (SAS)[] of Detached Eddy Simulatie (DES)[] grotere eddies oplossen terwijl de berekeningskosten lager worden gehouden dan LES.

Simulatie van deeltjesverdrijving

Modellering van deeltjes in ANSYS-fluit omvat het Discrete Fasemodel (DPM), dat deeltjes behandelt als een verdunde tweede fase. De koppeling tussen de continue fase (lucht) en deeltjes kan eenrichtingsverkeer zijn (deeltjes beïnvloed door stroom maar geen invloed hebben op stroom) of tweerichtingsverkeer (deeltjesmassa en impulsvermogen beïnvloeden de stroom). Voor typische passagiersdichtheid is eenrichtingskoppeling vaak voldoende omdat de volumefractie van deeltjes minder dan 1e-6 is. Echter, als druppels van veel passagiers significante verdampingskoeling of massalading veroorzaken, kan tweerichtingskoppeling nodig zijn.

Spuitinjectie en verdeling van de grootte van deeltjes

Deeltjes worden geïnjecteerd uit bronnen zoals treinremmen, stationvloerstof en passagiers. Er moet een realistische grootteverdeling worden gebruikt (bv. lognormal met een geometrisch gemiddelde van 2,5 μm en standaardafwijking van 2,0 voor fijne deeltjes). ANSYS Fluent maakt injectie van meerdere deeltjestypes met verschillende dichtheid en diameters via de Rosin-Rammler of lognormale distributiefuncties mogelijk. Voor het modelleren van pathogeen kan een typische injectie een hoestvoorval zijn dat ~ 3.000 druppels per hoest produceert met een grootte van 0,5 tot 50 μm.

Deeltjes volgen en verwijderen

Deeltjestrajecten worden berekend door de krachtbalans in een Lagrangian referentieframe te integreren. De DPM van Fluent biedt verschillende integratieopties: het automatische volgschema selecteert de beste methode op basis van deeltjes Courantnummer. Voor turbulente dispersie biedt het discrete random walk model (DRW) stochastische snelheidsschommelingen. Depositie wordt gemodelleerd met de val grensconditie waarbij deeltjes worden verwijderd bij contact met de muur, terwijl de reflect toestand rebound simuleert. Voor meer realistische depositie kan het wandfilm model worden gebruikt voor vloeibare druppels. Studies hebben aangetoond dat de de depositiesnelheid sterk afhankelijk is van de deeltjesgrootte, waarbij <1 μm deeltjes langzamer neerslaan dan grotere.

Overwegingen van schorsing

Depotdeeltjes kunnen worden geresuspendeerd door luchtstromenstoringen (bijvoorbeeld treindoorgang, wandelende passagiers). Dit fenomeen is complex en hangt af van deeltjeshechting, oppervlakteruwheid en schuifspanning. Geavanceerde modellen zoals het Rock'n'Roll of Monte Carlo] resuspension model kunnen worden geïmplementeerd via door de gebruiker gedefinieerde functies (UDF's) in Fluent, maar voor eerste-orde beoordelingen wordt vaak een kritische shear stressdrempel gebruikt.

Analyse van simulatieresultaten voor de veiligheid en ventilatieoptimalisatie

Zodra de CFD-simulatie samenkomt, moet de enorme hoeveelheid data worden omgezet in bruikbare inzichten. ANSYS Fluent biedt robuuste post-processing tools, maar specifieke software zoals ANSYS CFD-Post of tools van derden kunnen gedetailleerde rapporten genereren.

Belangrijkste prestatie-indicatoren (KPI's)

Typische KPI's voor metro-ventilatieoptimalisatie zijn:

  • Luchtleeftijd: De gemiddelde tijd dat lucht binnen het station doorgebracht is. Lagere luchtleeftijd duidt op een betere ventilatie-efficiëntie.
  • Efficiënt voor het verwijderen van deeltjes: Percentage geïnjecteerde deeltjes die via de uitlaat vertrekken versus op oppervlakken neerzetten of blijven hangen.
  • Infection risk index: Voor met pathogeen geladen deeltjes wordt de concentratie in ademhalingszones (1,5.0 m boven het platform) gewogen door blootstellingstijd.
  • Veiligheidsuniformiteit: Standaardafwijking van de snelheidsomvang op het platform; hoge uniformiteit vermindert de stilstaande zones.
  • Energieverbruik: Totale ventilatorvermogen dat nodig is om doel KPI's te bereiken.

Vaststellen van stilstaande zones en kortsluiting

Visualisatie van stroomlijnen en deeltjessporen toont vaak gebieden van recirculatie of kortsluiting waar de luchttoevoer rechtstreeks via de uitlaat zonder te mengen in bezette gebieden. Bijvoorbeeld, de toevoer diffusers geplaatst in de buurt van uitlaatroosters kan een kort circuit, verspillen energie te creëren. ANSYS Fluent's contour percelen[] van de gemiddelde leeftijd van lucht en deeltjesconcentratie duidelijk markeren deze probleemgebieden. Ingenieurs kunnen dan verplaatsen of heroriënteren diffusers, de toevoer van luchtsnelheid, of jetventilatoren toe te voegen om te elimineren stagnerende zones.

Optimalisatie via parametrische studies

De parametrische analysetools van ANSYS Fluent stellen gebruikers in staat om meerdere variabelen te vegen (bv. stroomsnelheid, uitlaatlocatie, aantal ventilatoren) en KPI's te vergelijken. Design of Experiments (DOE) -methodologieën kunnen het aantal runs verminderen. Voor elke configuratie wordt de simulatie opgezet met behulp van journal-bestanden en de resultaten worden automatisch verzameld. De optimale configuratie minimaliseert de concentratie van deeltjes in de ademhalingszone terwijl het voldoen aan energiebudgetbeperkingen. Zo kan een studie bijvoorbeeld vaststellen dat het verhogen van de toevoerstroom met 20% de infectierisico-index met 60% vermindert en het verhogen van het ventilatorvermogen met 15%.

Casestudies en toepassingen in de reële wereld

Een opmerkelijk voorbeeld is de New York City Transit Authority, die CFD gebruikte om de effectiviteit van bestaande ventilatieventilatoren in de controle van deeltjes (PM2.5) op platforms te evalueren. Simulaties toonden aan dat de plaatsing van ventilatoren in de buurt van tunnelportalen effectiever was in het verdunnen van treingerelateerde deeltjes dan ventilatoren die uitsluitend op platforms zijn gevestigd. Een ander onderzoek naar de dropletdispersie van passagiers over een heel station, waarbij werd vastgesteld dat het verhogen van de luchtverversingssnelheid van 6 naar 12 ACH de piekconcentratie van virale druppels binnen 10 minuten kon verminderen met 85%. In Londen gebruikte het metrosysteem CFD om de positie van draagbare luchtreinigers tijdens de COVID-19 pandemie te optimaliseren, waardoor het aantal deeltjes in gebieden met hoog verkeer tot 50% kon worden verminderd.

Deze real-world toepassingen tonen de kracht van CFD in het maken van evidence-based beslissingen. Een goed gevalideerd model kan dure fysieke experimenten vervangen en retrofit met vertrouwen begeleiden. Zie ANSYS Fluent productpagina voor technische capaciteiten en de WHO-richtlijnen inzake ventilatie in binnenruimten voor benchmarkluchtveranderingssnelheden.

Overwegingen voor modelvalidatie en -keuring

Een CFD-model is slechts zo goed als de validatie. Ingenieurs moeten simulatieresultaten vergelijken met veldmetingen (snelheidsprofielen, deeltjesaantaltellingen) van werkelijke stations. Gebruik testcases zoals de model-up-stationexperimenten of literatuurgegevens (bv. van de ASHRAE[]-normen). Onzekerheidskwantificatie moet worden uitgevoerd door storende inputparameters (bv. deeltjesdichtheid, grenslaagmaashoogte) en het observeren van de variatie in KPI's. ANSYS Fluent's mesh adaption[] tools kunnen zorgen voor netwerkonafhankelijkheid. Vertrouwen in het model wordt bereikt wanneer simulatie-tot-metingsovereenkomst binnen ±10% voor sleutelmetrics is.

Beperkingen en uitdagingen in CFD Modellering van metrostations

Ondanks zijn vermogen, kan de modellen van CFD van metrostations met verschillende beperkingen worden geconfronteerd. De berekeningskosten van het simuleren van het gehele station bij hoge resolutie, vooral voor transiënte gebeurtenissen zoals een trein die elke twee minuten passeren, kunnen verboden zijn. Veel studies vereenvoudigen door gebruik te maken van steady-state of grove mazen. Bovendien kan het model niet alle reële complexiteiten zoals variaties in passagiersbewegingen, deuropeningspatronen of externe weersomstandigheden (wind, temperatuur). De polydisperse aard van deeltjes en hun chemische samenstelling (hygroscopische groei, verdamping) vereisen aanvullende modellering, vaak via UDF's. Tenslotte, de keuze van turbulentie model en deeltjes tracking parameters kan leiden tot significante onzekerheid als niet zorgvuldig gekalibreerd. Ondanks deze uitdagingen, CFD blijft het meest praktische instrument voor het optimaliseren van ventilatie bij combinatie met veldvalidatie.

Toekomstige aanwijzingen: het koppelen van CFD met Machine Learning en Real-Time Monitoring

De opkomende trends omvatten het integreren van CFD met machine learning om digitale tweelingen van metrostations te creëren. Een real-time sensornetwerk dat data in een reduced-order model (ROM) verwerkt, kan deeltjesverdelingen voorspellen en automatisch ventilatiesetpoints aanpassen. Deze aanpak belooft zowel energiebesparing als adaptieve veiligheidsmaatregelen. Bovendien kunnen de vooruitgang in high-performance computing (HPC) nu volledige transient LES van complete stations toestaan, waardoor nauwkeurigere voorspellingen van blootstelling aan piekverontreiniging mogelijk worden. Aangezien ANSYS Fluent blijft evolueren met GPU-oplossers en cloud-based HPC, zullen de barrières voor high-fidelity metro-ventilatiemodellering verder verminderen.

Conclusie

Modellering van de luchtstroom en deeltjesstroom in metrostations met behulp van ANSYS Fluent is een onmisbare methodologie voor het verbeteren van de veiligheid en de efficiëntie van passagiers. Door systematisch geometrie, het vaststellen van randvoorwaarden, het selecteren van geschikte turbulentie- en deeltjesmodellen, en het analyseren van prestatie-indicatoren, kunnen ingenieurs ventilatieontwerpen optimaliseren om verontreiniging en energieverbruik te verminderen. Terwijl uitdagingen blijven bestaan in de berekeningskosten en modelvalidatie, maken de voordelen van een verbeterde volksgezondheid, naleving van regelgeving en lagere operationele kosten van CFD's een hoeksteen van moderne infrastructuurplanning voor metro's. Naarmate stedelijke transitnetwerken zich uitbreiden, zal de toepassing van geavanceerde simulatietools alleen maar in belang toenemen, wat bijdraagt tot veiligere en gezondere ondergrondse omgevingen voor miljoenen pendelaars wereldwijd.

Voor ingenieurs die nieuw zijn in het domein, te beginnen met kleinschalige modellen en geleidelijk toenemende complexiteit, wordt aanbevolen. Middelen zoals het ANSYS Academisch Programma bieden tutorials en case studies specifiek voor de luchtstroom binnenshuis. Investeren in een juiste validatie tegen veldgegevens zorgt ervoor dat de simulatieresultaten betrouwbaar zijn, wat leidt tot ontwerpbeslissingen die de luchtkwaliteit en veiligheid in metrostations echt verbeteren.