Introdução: O papel crítico da ventilação em estações de metrô

As estações de metrô são confinadas, ambientes de alto tráfego onde milhares de passageiros passam a cada hora. A combinação de suprimento de ar fresco limitado, alta ocupação e a constante movimentação de trens geram padrões complexos de fluxo de ar e eleva a concentração de partículas aéreas – variando de partículas de desgaste de poeira e freio para gotas exaladas transportando patógenos. Na sequência de preocupações de saúde globais e de regulamentos de qualidade do ar, otimizar sistemas de ventilação tornou-se uma prioridade para as autoridades de trânsito. Software de dinâmica de fluidos computacionais (CFD), como a ANSYS Fluent, oferece um meio poderoso, econômico para simular e analisar o fluxo de ar e o transporte de partículas, permitindo aos engenheiros projetar estações de metrô mais seguras, mais eficientes em termos energéticos. Este artigo explora a metodologia, benefícios e considerações práticas de usar a ANSYS Fluent para modelar o fluxo de ar e partículas em estações de metrô, fornecendo um guia abrangente para engenheiros e pesquisadores.

A Física do Fluxo de Ar e Transporte de Partículas em Estações de Metro

Compreender a dinâmica de fluidos subjacente e o comportamento das partículas é essencial antes de construir uma simulação. As estações de metrô apresentam geometrias complexas com plataformas, escadas, túneis e eixos de ventilação. O fluxo é tipicamente turbulento, impulsionado por ventilação forçada (fãs e jatos) e forças naturais, tais como efeitos de pistão induzidos pelo trem. As velocidades do ar podem variar de quase zero em zonas estagnadas a vários metros por segundo perto das aberturas do trem. Os partículas, que são frequentemente polidispersos com tamanhos de 0,1 a 100 μm, são transportados pelo fluxo de ar, mas também sujeitos a fixação gravitacional, movimento de Brown e impacto inercial. As gotas patogênicas (por exemplo, de tosses ou snezes) variam tipicamente de 1 a 50 μm, tornando-as suscetíveis tanto à suspensão aérea quanto à deposição superficial.

Abordagens de Modelação de Turbulência

A simulação precisa requer a seleção de um modelo de turbulência apropriado. A abordagem de Reynolds-Averaged Navier-Stokes (RANS), particularmente o modelo k-ε realizável, é amplamente utilizada devido à sua eficiência computacional e precisão razoável para fluxo de ar interior. No entanto, para capturar fenômenos transitórios como efeitos de pistão ou fluxos de flutuação, o modelo k-ω Shear Stress Transport (SST) pode ser preferido. Em alguns casos, a simulação de Eddy Grande (LES) pode proporcionar maior fidelidade, mas com um custo computacional muito maior. ANSYS Fluent suporta todos esses modelos, permitindo ao engenheiro equilibrar a precisão e as restrições de recursos.

Dinâmica e deposição de partículas

As partículas são rastreadas usando o Modelo de Fase Discreto Lagrangeano (DPM) em Fluente. A equação de movimento inclui arrasto, gravidade, força Browniana (para partículas submicronas) e forças de elevação de Saffman. A deposição em superfícies pode ser modelada usando condições de contorno empíricas de parede ou empregando um tratamento próximo à parede que resolve a subcamada viscosa. Para partículas maiores, a dispersão turbulenta é considerada pelo uso de rastreamento estocástico (andar aleatória). A precisão do rastreamento de partículas depende da resolução de malhas nas paredes próximas, especialmente para partículas < 10 μm, uma vez que são influenciadas pela turbulência de camada de contorno.

Construindo um modelo de dinâmica de fluidos computacional com Fluente ANSYS

Criar um modelo confiável de CFD de uma estação de metrô envolve várias etapas sistemáticas. Cada passo deve ser cuidadosamente executado para garantir que os resultados de simulação são precisos e acionáveis.

Geometria e Construção de Malha

O primeiro passo é gerar um modelo 3D de design assistido por computador (CAD) da estação, incluindo plataformas, túneis, vazios de escadas rolantes, condutas de ventilação e corpos de comboios. A geometria local, como colunas e painéis publicitários, pode afetar significativamente os padrões de fluxo de ar local. A geometria é importada para ANSYS Meshing, onde é criada uma malha tetraédrica ou poliédrica não estruturada. Uma malha de camada de contorno (camadas de prisma) é essencial perto das paredes para resolver a subcamada viscosa para uma turbulência precisa e modelagem de de deposição de partículas. Os estudos de independência da malha devem ser realizados refinando a malha até que as variáveis de saída de chave (por exemplo, velocidade média do ar na plataforma, concentração de partículas na zona de respiração) mudem menos de 2–5%.

Condições de Limite

Condições de limite definem os condutores físicos do fluxo. Condições típicas para uma estação de metrô incluem:

  • Instalações: Abastecimento de ar fresco a partir de eixos de ventilação, frequentemente especificados como entradas de velocidade com intensidade de turbulência prescrita (por exemplo, 5-10%).
  • Foras: Ventiladores de escape modelados como saídas de pressão ou saídas de fluxo mássico.
  • Fluxo induzido pelo comboio: Pode ser modelado como paredes móveis ou através da prescrição de perfis de velocidade nas aberturas de túnel. Alternativamente, uma abordagem de malha deslizante pode simular o movimento do comboio, mas para muitos estudos uma aproximação de estado estacionário com uma fonte de momentum é suficiente.
  • Presença do passageiro: Os passageiros são frequentemente modelados como fontes de calor (calor corporal de ~100 W por pessoa) e como obstáculos que afetam o fluxo. Alguns estudos usam mídia porosa para representar multidões.
  • Fontes de partículas: Definido com base na distribuição do tamanho das partículas, densidade e vazão mássica. Para modelagem de patógenos, tosse ou espirros eventos podem ser modelados como injeções de sopro transientes.

Configurações de solução e esquemas numéricos

ANSYS Fluent oferece soluções baseadas em pressão e densidade. Para o fluxo de baixa velocidade incompressível típico das estações de metrô, o solucionador baseado em pressão (acoplado ou segregado) é padrão. Esquemas de segunda ordem para equações de momento e turbulência melhoram a precisão. Convergência é normalmente monitorada com resíduos abaixo de 1e-4 para continuidade e 1e-5 para momento. Monitores adicionais (por exemplo, velocidade média em locais-chave, massa total de partículas no domínio) ajudam a avaliar a estabilidade da solução.

Seleção do modelo de turbulência

Como mencionado, o modelo k-ε realizável é uma linha de base robusta. Para um comportamento de parede próxima mais preciso, o modelo K-ω do SST é recomendado. Em Fluent do ANSYS, o modelo da transição SST[ pode também ser usado se áreas de transição laminar- a- turbulenta forem importantes, como em regiões de velocidade muito baixa. Para simulações transitórias do movimento do comboio, o Simulação Escala- Adaptiva (SAS)] ou Simulação Eddy Detachada (DES) pode resolver edimentos maiores, mantendo o custo computacional inferior ao LES.

Simulação da dispersão de partículas

A modelagem de partículas no Fluente ANSYS envolve o Modelo de Fase Discreta (DPM), que trata as partículas como uma segunda fase diluída. O acoplamento entre a fase contínua (ar) e as partículas pode ser unidirecional (partículas afetadas pelo fluxo, mas não afetam o fluxo) ou bidirecional (massa e momento de partículas afetam o fluxo). Para densidades típicas de passageiros, o acoplamento unidirecional é frequentemente suficiente porque a fração volumétrica de partículas está abaixo de 1e-6. No entanto, se as gotas de muitos passageiros causam resfriamento evaporativo significativo ou carga de massa, o acoplamento bidirecional pode ser necessário.

Injecção e distribuição do tamanho das partículas

As partículas são injetadas a partir de fontes como freios de trem, poeira do chão da estação e passageiros. Uma distribuição de tamanho realista (por exemplo, lognormal com uma média geométrica de 2,5 μm e desvio padrão de 2,0 para partículas finas) deve ser usado. ANSYS Fluent permite a injeção de múltiplos tipos de partículas com diferentes densidades e diâmetros através das funções Rosin-Rammler ou de distribuição lognormal. Para modelagem de patógenos, uma injeção típica pode ser um evento de tosse produzindo ~3.000 gotículas por tosse com tamanhos variando de 0,5 a 50 μm.

Rastreamento e deposição de partículas

As trajetórias das partículas são calculadas integrando o equilíbrio de força em um quadro de referência Lagrangiano. O DPM do Fluent oferece várias opções de integração: o esquema de rastreamento automático seleciona o melhor método baseado no número de Courant de partículas. Para dispersão turbulenta, o modelo de caminhada aleatória discreta (DRW) fornece flutuações de velocidade estocásticas. A deposição é modelada com a condição de limite armadilha onde as partículas são removidas no contato com as paredes, enquanto a condição reflexa simula a recuperação. Para uma deposição mais realista, o modelo filme de parede pode ser usado para gotas líquidas. Estudos mostraram que a velocidade de de deposição depende muito do tamanho das partículas, com partículas < 1 μm depositando mais lentas do que as maiores.

Considerações sobre Ressuspensão

As partículas depositadas podem ser ressuspendidas por distúrbios do fluxo de ar (por exemplo, passagem de trem, passageiros que andam). Este fenômeno é complexo e depende da adesão de partículas, rugosidade superficial e tensão de cisalhamento. Modelos avançados como o Rock'n'Roll ou Monte Carlo[] modelo de ressuspensão podem ser implementados através de funções definidas pelo usuário (UDFs) em Fluente, mas para avaliações de primeira ordem, um limiar crítico de cisalhamento é frequentemente utilizado.

Analisando os resultados de simulação para a segurança e otimização da ventilação

Uma vez que a simulação CFD converge, a vasta quantidade de dados deve ser transformada em insights acionáveis. A ANSYS Fluent fornece ferramentas robustas de pós-processamento, mas software dedicado como ferramentas ANSYS CFD-Post ou de terceiros pode gerar relatórios detalhados.

Principais indicadores de desempenho (KPIs)

Os KPIs típicos para otimização de ventilação do metrô incluem:

  • Idade do ar: O tempo médio de ar gasto dentro da estação. Idade do ar inferior indica melhor eficiência de ventilação.
  • Eficiência de remoção de partículas: Percentagem de partículas injectadas que saem através dos gases de escape versus depósito nas superfícies ou que permanecem suspensas.
  • Índice de risco de infecção: No caso das partículas carregadas de agentes patogénicos, a concentração nas zonas respiratórias (1,5-2,0 m acima da plataforma) ponderada pelo tempo de exposição.
  • Uniformeidade da velocidade: Desvio padrão da magnitude da velocidade na plataforma; elevada uniformidade reduz as zonas estagnadas.
  • Consumo de energia: Potência total necessária para atingir KPIs-alvo.

Identificação das zonas estagnadas e da circulação curta

A visualização de pistas de partícula e de aerodinâmicas revela frequentemente regiões de recirculação ou curto-circuito onde o fornecimento de ar sai diretamente através de escapes sem misturar em áreas ocupadas. Por exemplo, difusores de fornecimento colocados perto de grades de escape podem criar um curto-circuito, desperdiçando energia. Os gráficos de conteúdo da ANSYS Fluent da média de idade do ar e concentração de partículas destacam claramente estas áreas problemáticas. Os engenheiros podem então reinstalar ou reorientar difusores, aumentar a velocidade de fornecimento de ar, ou adicionar ventiladores de jato para eliminar zonas estagnantes.

Otimização por meio de estudos paramétricos

As ferramentas de análise paramétrica da ANSYS Fluent permitem aos usuários varrer múltiplas variáveis (por exemplo, fluxo de suprimento, localização de escape, número de ventiladores) e comparar KPIs. As metodologias de desenho de experimentos (DOE) podem reduzir o número de corridas. Para cada configuração, a simulação é configurada usando arquivos de diário, e os resultados são coletados automaticamente. A configuração ideal minimiza a concentração de partículas na zona de respiração, enquanto atende às restrições de orçamento de energia. Por exemplo, um estudo pode verificar que aumentar a taxa de fluxo de suprimento em 20% reduz o índice de risco de infecção em 60%, enquanto apenas aumenta a potência da ventoinha em 15%.

Estudos de Caso e Aplicações do Mundo Real

Numerosas agências de trânsito têm aproveitado o ANSYS Fluent para melhorar a ventilação do metrô. Um exemplo notável é o New York City Transit Authority, que usou CFD para avaliar a eficácia dos ventiladores de ventilação existentes no controle de partículas (PM2.5) em plataformas. Simulações mostraram que a colocação de ventiladores perto de portais de túnel foi mais eficaz na diluição de partículas relacionadas ao trem do que os ventiladores localizados apenas em plataformas. Outro estudo modelou a dispersão de gotas de passageiros em toda uma estação e descobriu que aumentar a taxa de mudança de ar de 6 para 12 ACH poderia reduzir a concentração máxima de gotas virais em 85% em 10 minutos. Em Londres, o sistema de metrô usou CFD para otimizar o posicionamento de purificadores de ar portáteis durante a pandemia COVID-19, atingindo até 50% de redução na contagem de partículas em áreas de alto tráfego.

Estas aplicações do mundo real demonstram o poder da CFD em tomar decisões baseadas em provas. Um modelo bem validado pode substituir experiências físicas onerosas e retrofits guiando com confiança.Para mais leitura, consulte ANSYS Fluent product page] para as capacidades técnicas e as OMS Guidelines on ventilation in indoor spaces para as taxas de mudança de ar de referência.

Considerações para validação e verificação do modelo

Um modelo CFD é apenas tão bom quanto a sua validação. Os engenheiros devem comparar resultados de simulação com medições de campo (perfis de velocidade, contagens de partículas) de estações reais. Use casos de teste como os experimentos de estação de simulação ou dados de literatura (por exemplo, a partir dos padrões ASHRAE[]). A quantificação de incertezas deve ser realizada por parâmetros de entrada perturbadores (por exemplo, densidade de partículas, altura de malha de camada de contorno) e observar a variação em KPIs. As ferramentas de adaptação de ANSYS Fluent [] mesh podem ajudar a garantir a independência da rede. A confiança no modelo é obtida quando a concordância simulação-medida estiver dentro de ±10% para as métricas-chave.

Limitações e desafios na modelagem CFD de estações de metrô

Apesar de sua potência, a modelagem CFD de estações de metrô enfrenta várias limitações. O custo computacional de simular toda a estação em alta resolução, especialmente para eventos transitórios como um trem que passa a cada dois minutos, pode ser proibitivo. Muitos estudos simplificam usando malhas estacionárias ou grossas. Além disso, o modelo pode não capturar todas as complexidades do mundo real, como variações no movimento de passageiros, padrões de abertura de portas ou condições climáticas externas (vento, temperatura). A natureza polidispersiva das partículas e sua composição química (crescimento hiperscópico, evaporação) requerem modelagem adicional, muitas vezes através de UDFs. Finalmente, a escolha do modelo de turbulência e parâmetros de rastreamento de partículas pode introduzir incerteza significativa se não calibrados cuidadosamente. Apesar desses desafios, o CFD continua sendo a ferramenta mais prática para otimizar a ventilação quando combinado com a validação de campo.

Instruções futuras: Acoplamento de CFD com aprendizagem de máquina e monitoramento em tempo real

Tendências emergentes envolvem integrar CFD com aprendizado de máquina para criar gêmeos digitais de estações de metrô. Uma rede de sensores em tempo real que alimenta dados em um modelo de ordem reduzida (ROM) construído a partir de simulações ANSYS Fluent pode prever distribuições de partículas e ajustar automaticamente os setpoints de ventilação. Esta abordagem promete tanto economia de energia quanto medidas de segurança adaptativas. Além disso, os avanços em computação de alto desempenho (HPC) agora permitem LES transientes de estações inteiras, permitindo previsões mais precisas de exposição ao pico de contaminantes. À medida que o ANSYS Fluent continua a evoluir com os resolvedores de GPU e HPC baseados em nuvem, as barreiras à modelagem de ventilação de metrô de alta fidelidade diminuirão ainda mais.

Conclusão

Modelar o fluxo de ar e partículas em estações de metrô usando a ANSYS Fluent é uma metodologia indispensável para melhorar a segurança dos passageiros e a eficiência da ventilação. Ao construir sistematicamente geometria, definir condições de fronteira, selecionar modelos de turbulência e partículas adequados e analisar indicadores de desempenho, os engenheiros podem otimizar projetos de ventilação para reduzir a contaminação e o uso de energia.Enquanto os desafios permanecem na validação de custos e modelos computacionais, os benefícios – melhoria da saúde pública, conformidade regulatória e custos operacionais menores – tornam a CFD uma pedra angular do planejamento moderno da infraestrutura de metrô. À medida que as redes de trânsito urbano se expandem, a aplicação de ferramentas avançadas de simulação só crescerá em importância, ajudando a criar ambientes subterrâneos mais seguros e saudáveis para milhões de pessoas em todo o mundo.

Para engenheiros novos no domínio, começando com modelos de pequena escala e aumentando gradualmente a complexidade é recomendado. Recursos como o ANSYS Programa Acadêmico oferecem tutoriais e estudos de caso específicos para fluxo aéreo interno. Investir em validação adequada contra dados de campo garante que os resultados da simulação são confiáveis, levando a decisões de projeto que realmente melhoram a qualidade do ar e segurança nas estações de metrô.