Page 111 - 2025年第56卷第8期

不断变化，不仅受各种有害气体、粉尘的影响，也与洞室不同时刻的开挖进度和施工手段有着密切联
系 ［２７］ 。为表征实时需风量 Ｑ的动态变化特点，建立如下数学模型：
ｇａｓ
ｇａｓ
ｇａｓ
Ｑ ＝ ｆ（Ｃ ，Ｃ ，…，Ｃ ，Ｐ，Ｔ，ｖ，Ｖ） （１）
１ ２ ｎ
３
ｇａｓ
３
式中：Ｑ为实时需风量，ｍ ?ｓ；Ｃ 为第 ｉ种有害气体的浓度，ｍｇ?ｍ ，ｉ ＝ １，２，…，ｎ；Ｐ为粉尘浓
ｉ
３
３
度，ｍｇ?ｍ ；Ｔ为温度，℃；ｖ为风速，ｍ?ｓ；Ｖ为洞室开挖体积，ｍ 。
根据风机特性，风机风量与转速成正比、风机转速与运行频率呈正相关；因此，风机频率动态变
化模型与实时需风量模型趋势一致。风机频率动态变化模型不仅可以满足施工过程中安全性与有效性
的要求，还可以消除不必要的能源消耗 ［２８］ ，但是，如何快速确定各种污染物、粉尘浓度、风速、温度
以及当时洞室施工开挖体积对应的风机运行频率，是建立风机频率预测模型的关键难题 ［５］ 。
目前许多研究关注施工期间不同施工面貌下各种污染物、粉尘、风速的分布以及扩散情况，较少
研究或者规范关注各种污染物浓度及粉尘浓度等与风机频率之间的关系 ［２９ － ３０］ 。因此，本研究根据环境
标准制定基于水电站地下洞室群施工期间环境参数与开挖面貌的风机控制准则，并采用 ＤＦ模型寻找
它们之间的关系。由于气态污染物 ＣＯ是地下工程施工期生成量最多、排除最困难、对人体危害最大
的污染物，而固体污染物主要为游离的 ＳｉＯ ［３１ － ３２］ 。因此选择 ＣＯ和粉尘作为主要控制的环境参数；同
２
时，考虑高地温和人体舒适程度，将温度和风速也纳为控制准则考虑的范围之内 ［２］ 。根据施工技术规
３
范 ［３３］ 规定，在施工过程中，地下厂房洞室长时间安全施工的 ＣＯ需要在安全浓度 ３０ｍｇ?ｍ 以下，游离
３
的 ＳｉＯ粉尘需要在安全浓度 ２ｍｇ?ｍ 以下，洞室环境的温度不得高于 ２８℃，风速不得低于 ０．５ｍ?ｓ。因
２
此结合规范，将环境参数分为 ５个阶段，制定对应风机控制准则，如表 １。在第一阶段，两种污染物
浓度在 ０和仪器的固有误差之间，温度与风速均满足规范规定要求，此阶段被视为污染物浓度为 ０，
风机在满足当前需风量的基本频率运行。在第五阶段，至少有一种污染物超出规范中的允许值，或者
温度与风速不满足地下工程施工的舒适环境状态，风机使用设置的最高频率运行。在两个阶段之间，
如果使用最高频率会导致能源的浪费，使用基本频率则可能危害通风安全。为确定适当的工作频率，
以稀释时间为标准，建立兼顾节能降耗与通风效果的风机响应准则。
表 １ 风机控制准则

３
３
阶段 ＣＯ浓度?（ｍｇ?ｍ ） 粉尘浓度 Ｐ?（ｍｇ?ｍ ） 温度 Ｔ?℃ 风速 ｖ?（ｍ?ｓ） 风机响应准则
１ ０～１．２５ ０～０．１ 满足当前施工需风量要求
２ ＞１．２５～１２．５ ＞０．１～０．５ ２０ｍｉｎ内降至第 １阶段
＜２８ ＞０．５
３ ＞１２．５～２２．５ ＞０．５～１ １５ｍｉｎ内降至第 ２阶段
４ ＞２２．５～３０．０ ＞１～２ １０ｍｉｎ内降至第 ３阶段
５ ＞３０．０ ＞２ ＞２８ ＜０．５ 最高频率

３．２ 通风频率 ＩＨＰＯ－ ＸＤＦ预测模型构建
３．２．１ ＸＧＢｏｏｓｔ改进的 ＤＦ算法 ＤＦ算法主要通过两个模块———多粒度扫描模块和级联森林模块 ［７］ 实
现，如图 ２、图 ３所示。多粒度扫描模块使用不同大小的滑动窗口扫描样本原始特征，从而获得样本
增强特征；而级联森林模块学习多粒度扫描的增加特征，将多个随机森林与完全随机森林在级联结构
下进行组合，形成一个堆叠层，加强 ＤＦ算法的特征学习能力。但是传统的 ＤＦ算法使用随机森林作为
基学习器，在处理复杂数据时可能无法捕获数据中的非线性关系和交互效应，并且存在噪声敏感和容
易过拟合的问题 ［１６］ ，因此本文使用 ＸＧＢｏｏｓｔ代替原有基学习器，采用不同列采样率生成 ４种 ＸＧＢｏｏｓｔ
模型，在保证基学习器模型多样性的同时增强模型的泛化能力。虽然 ＤＦ算法的超参数较少，但超参
数设置不准确将导致预测模型的鲁棒性与预测精度降低。现有研究大多根据人工经验或网格搜索方法
搜寻最佳超参数。然而，依靠人工经验需要丰富的专业背景知识和大量实验，而网格搜索方法容易受
到维度约束，搜索范围有限，难以找到最优参数 ［３４ － ３５］ 。因此采用智能优化算法对超参数进行调整不仅
能够获得最优参数组合，还可以减少时间，提升效率，保障模型的鲁棒性。

０
— １ ７ ５ —