强横风下列车出隧道时的瞬态气动性能

苗秀娟¹，张雷²，李志伟²，高广军²，曾祥坤³

(1. 长沙理工大学 汽车与机械工程学院，湖南 长沙，410076；

2. 中南大学 轨道交通安全教育部重点实验室，湖南 长沙，410075；

3. 中国铁道科学研究院 信息研究所，北京，100081)

摘要：运用滑移网格技术，选用工程上常用的k-ε双方程湍流模型，对横风环境下高速列车出隧道口时的瞬态空气动力特性进行数值模拟，得到不同风速、不同车速下列车受到的瞬态风荷载。计算结果表明：车体所受的瞬态风荷载在列车出隧道口的过程中急剧增大，随着列车逐渐脱离隧道而趋于常数；对车辆安全影响较大的侧向力、侧滚力矩中，头车受到的气动力变化幅值最大、尾车最小，中间车居中；列车出隧道过程是车体周围流场压力不断上升的过程；车体水平中心截面上的静压系数曲线在车头处存在1个大2个小共3个峰值；随着列车的运行，其中迎风面的第2峰值逐渐增大超过原最大峰值，而背风侧第2峰值基本保持不变。

关键词：列车；横风；隧道；瞬态气动性能

中图分类号：U270.11           文献标志码：A         文章编号：1672-7207(2014)03-0958-07

Aerodynamic performance of train passing out tunnel under cross-wind

MIAO Xiujuan¹, ZHANG Lei², LI Zhiwei², GAO Guangjun², ZENG Xiangkun³

(1. School of Automobile and Machinery Engineering, Changsha University of Science and Technology, Changsha 410076, China;

2. Key Laboratory of Traffic Safety on the Track of Ministry of Education, Central South University, Changsha 410075, China;

3. Scientific & Technological Information Research Institute, China Academy of Railway Sciences, Beijing 100081, China)

Abstract: Using sliding mesh technology, based on the k-ε turbulence model commonly used in engineering, the aerodynamic performance of train passing out the tunnel under cross-wind was simulated and the aerodynamic load was gotten when train has different wind speeds and running speeds. The results show that the aerodynamic forces acting on the train improve sharply and finally go to constant when train runs out of the tunnel. The side force and capsizing moment affecting largely the train running stability change most on the head car, less on the middle car, and least on the middle car. The pressure improves gradually when train runs out of the tunnel. The static pressure coefficient on the center level section of train has one large peak and two small peaks. The small peak pressure coefficient on the inward section of train improves gradually and becomes the largest while the small peak pressure coefficient on the leeward section of train changes very little.

Key words: train; cross-wind; tunnel; transient aerodynamic performance

近年来，随着列车速度的不断提高，产生了一系列影响列车安全或运行环境的空气动力问题，为了研究此问题，逐渐形成了一门新兴学科——高速列车空气动力学，列车在强横风下的倾覆稳定性及列车进出隧道时的空气特性就是其中的关键内容，很多学者对此进行了研究。在隧道方面，研究主要集中在隧道中行驶的列车受到的瞬变压力造成的乘车舒适度以及出口处微压波引起的爆破噪声等，如文献[1]采用数值模拟、文献[2-3]采用实验的方式对列车通过隧道时的气动阻力进行了研究；文献[4]通过实验对列车通过隧道时的微气压波以及列车风进行了研究，并得出了列车以200 km/h速度过隧道时，压力变化导致43%的人有明显耳痛感，且引起的列车风风速超过了人体安全风速(14 m/s)，建议不进行隧道作业。文献[5]研究了列车风对隧道内作业人员的危害，并给出了安全距离；文献[6]也对列车进入隧道时产生的微气压波进行了研究；文献[7]则研究了列车进出隧道时列车各部件产生的气动噪声以及微气压波引起的爆破噪声并提出了相应的改进措施。对强横风下的研究主要集中在车辆的空气动力性能及运行安全性方面，主要是针对在明线上运行的列车，如文献[8]针对车辆在不同运行线路、文献[9]针对特定车型、文献[10-11]针对车辆运行的外部大环境分别对强侧风环境下车辆的气动性能进行了研究。实际上，当列车从隧道口高速驶出并遭遇外部强横风时，列车迎风面积会随着车辆的运动不断发生变化，列车受到的气动横向力将急剧增大，这与列车在明线运行时受到的气动载荷特性有较大差别，变化较大的气动力进而会引起列车动力学性能恶化，极有可能导致列车脱轨或倾覆，实际上，很多列车倾覆或脱轨事故都是由突变的气动荷载引起。同时，由于空间的约束及列车的运动等，列车会受到横风及自身运行产生的列车风的联合作用，周围的流场要远比明线的复杂。兰新(兰州—新疆乌鲁木齐)线上就曾发生过类似的事故：兰新线“百里风区”经常造成列车倾覆事故^[12]，为避免事故发生修筑了一段挡风墙，导致列车在挡风墙的两端又发生了倾覆，最后只能全线修筑挡风墙。究其原因是在挡风墙的两端列车受到的气动载荷产生了剧烈变化，导致动力性能急剧恶化，进而引起倾覆。可见，不仅应单独研究横风下和隧道内车辆的气动性能，还应对列车出隧道口遭遇强横风时的情况进行研究，以防止极端状况下的倾覆事故，而目前这方面的研究很少。限于实际情况，同时考虑到数值模拟计算结果与风洞试验结果基本吻合^[13]，本文采用数值模拟的方法对强侧风下高速列车出隧道口并遭遇强横风时的瞬态空气动力特性进行研究，探讨在列车风与环境横风耦合作用下的列车气动性能，得到车体所受到的瞬态风荷载，以便为后续车辆动力学性能计算、衡量车辆的运行安全性提供必要的数据支撑。

1  计算模型、工况和边界条件

采用非结构网格离散，基于三维定常N-S方程，选用工程上应用广泛的基于k-ε双方程湍流模型的雷诺时均法，运用滑移网格技术模拟列车出隧道遭遇横风的情况。以20 ℃空气中的音速(约343 m/s)计算得到文中最高速度350 km/h相对应的马赫数为Ma=0.28＜0.30，因此，流动按不可压缩处理。描述车体周围的气体方程见文献[14]。

列车模型采用CRH2，限于现有的条件，为节省计算资源，采用三车编组的方式，并对车体进行简化，省略把手、受电弓以及悬挂装置等，车体表面设为无滑移的光滑壁面边界条件，见图1。计算区域如图2所示。计算流域长为300 m，宽为150 m，高为80 m。为避免尾流影响，环境横风出口远离轨道中心线取100 m，设为压力边界条件，静压为0 Pa；环境横风入口按均匀来流给定Y向速度分布，X和Z向速度分量均为0 m/s；流场顶面设定为对称面；地面设定为粗糙度为0.5 m的固定壁面边界条件，积分时间步长为0.002 s。图3所示为隧道横截面及其与车体位置的示意图，其中隧道为单线，横截面积为70 m²，底部宽为10.48 m，高度为7.63 m。

考虑了车以不同车速出隧道口时遭遇不同风速的情况，计算工况见表1。

图1  列车模型

Fig. 1  Train model

图2  部分计算区域

Fig. 2  Computation region of section

图3 单线列车和隧道的截面

Fig. 3  Train and cross-section of tunnel for single-track rail line

表1  计算工况

Table 1  Computation condition

2  计算结果分析

2.1  车体受到的瞬态风荷载

通过数值模拟计算，得到不同工况下列车的气动力、力矩，其中侧滚力矩作用点位于车体中心线与轨面水平线交点处，这里仅对影响车辆倾覆稳定性的侧向力、升力、侧滚力矩进行分析。图4~6所示分别为各工况下列车出隧道过程中，作用在头车、中间车和尾车上的气动力、力矩随时间变化的曲线。从图4~6可以看出：受隧道内列车风与隧道外环境横风的共同作用，各工况下车体受到的侧向力、升力以及侧滚力矩在隧道内部时基本为0 N；而随着列车逐渐脱离隧道、车体逐渐暴露于外部环境横风的影响区域内时，车体受到的气动力在隧道口处剧烈变化，到最后趋于稳定。

图4  头车气动力的时间历程曲线

Fig. 4  Time course curves of aerodynamic force of the first car

从图4还可以看出：当风速为20，25和30 m/s时，在头车出隧道以后的侧向力虽然显著提高，但稳定后其值基本接近；而当风速为15 m/s时 侧向力的稳定值则与其他风速条件下的侧向力稳定值相差较大，造成这种现象的原因主要是列车受到的气动力是由车速和风速的矢量合成作用在车体上，因此，车辆受到的气动载荷不仅与合成风速的大小有关，还与其作用方向即风向角有关；当合成风速较大时，其风向角较小；而当合成风速较小时，其风向角较大；当风速为15 m/s时，虽然其合成风速较大，但其合成风速方向几乎和列车方向平行，因此，侧向力较小。对于风速为20，25和30 m/s的工况，由于合成风速的增大和风向角的减小相互抵消，造成其侧向力差别不大；升力随着风速的增大而增大，规律非常明显；受升力和侧向力的影响，侧滚力矩也随着风速的增大而增大。

图5  中间车气动力的时间历程曲线

Fig. 5  Time course curves of aerodynamic force of the middle-car

图6  尾车气动力的时间历程曲线

Fig. 6  Time course curves of aerodynamic force of the tail-car

从图5可见：中间车受到的气动力均随着横风风速的增大而增大；同时，在中间车逐渐驶出隧道的过程中，侧向力存在一个类似交会压力波状的过程。受此影响，侧滚力矩也出现了类似变化，而升力则直接逐渐达到峰值并稳定下来。

由图6可见：尾车在出隧道口处受到的侧向力也存在类似于交会压力波状的正负波动，这种特征在风速较低时最明显，随后，稳定下来的侧向力随着风速的增大而增大。尾车受到的升力受环境风影响较小，在出口处波动后的稳定值随着风速的增大而小幅度增大；受侧向力影响，侧滚力矩在隧道口处也出现了类似交会压力波的波动，且最后的稳定幅值也随着风速的增大而增大。

对比图4、图5和图6可以看出：在同一工况中，头车受到的侧向力、侧滚力矩最大，尾车受到的侧向力、侧滚力矩最小，中间车居中。这说明在出隧道遭遇横风的情况下，头车发生事故的可能性较大，而尾车相对比较安全。头车受到的升力对于车速和环境风速的变化最敏感，各工况下的变化较大，尾车最不敏感，各工况下的变化较小。因此，在考虑车辆运行安全性时，应当重点考虑头车的性能。

2.2  车体周围流场

列车所受风荷载与周围流场特性密切相关，其瞬态特性也是不同时刻车体周围流场不同所致。为了进一步分析列车所受瞬态风荷载变化的原因，需要对不同时刻的车体周围流场进行研究，以工况1为例进行分析，图7所示为不同时刻的车体水平中心截面上的压力云图。

由图7可以看出：列车出隧道的过程是车体周围流场压力不断上升的过程；当列车处于隧道内部时，车体整体处于较大的负压区，仅在头车前端由于列车的前行对前方空气的压缩产生了正压，随着车体接近隧道口，车体两侧负压逐渐上升；头车前端正压小幅度升高，受外部横风影响，正压区向迎风侧偏移；随着头车逐渐驶离隧道口，车体两侧负压继续减小直至趋近0；同时，尾车后部的压力也逐渐由负压升高至正压。

除了车体周围的流场外，最能直接体现车体所受气动力变化的方式就是车体表面的压力变化。图8所示为工况1中不同时刻的车体水平中心截面上的表面静压系数曲线。静压系数定义为： (其中，p为静压力，为参考压力，为远方来流风速，为空气密度)。

从图8可以看出：列车在出隧道口的过程中，除车头、车尾部分区域外，在车体侧面的大部分区域，车体表面的静压系数随着列车从隧道内部逐渐驶出而逐步增大；当列车距离隧道口还有一段距离时，车体完全不受环境风的作用，除在车头、车尾处产生很大的波动外，两侧面压力系数分布基本对称，尤其是车头不仅存在1个最大峰值，还存在2个基本相等的第2峰值m和n；随着列车的前进，当t=420 s时，车头已露出隧道，受到横风作用车头处正压系数峰值明显增大，即迎风侧第2峰值n迅速增大，而车头处背风面第2峰值m基本上未发生变化，这是导致头车侧向力增大的直接原因；当t=440 s时，车体两侧静压系数曲线近似变成一条斜线，车头部位静压系数连同第2峰值n继续增大，m基本未变，车尾处的静压系数趋势不变；当t=520 s时，头车已经基本脱离隧道，处于横风作用范围，在露出隧道的车头迎风面静压系数增大，在隧道出口处有1个较大波动，车头正压系数峰值和第2峰值m基本未变，而第2峰值n继续增大且超过第1峰值m，这说明从t=440 s后车头处静压系数峰值基本不受隧道内微气压波影响，而第2峰值位置n处于车头偏迎风面处的位置，受到横风的影响，表现为高正压。上述这些变化特征解释了图4所示车体的侧向力变化特征。

图7 工况1中列车出隧道口时车体水平中心截面压力云图

Fig. 7  Pressure contours on body’s horizontal center-section when train runs out of tunnel in condition 1

图8  工况1中不同时间车体水平中心截面静压系数C_p

Fig. 8  Pressure coefficient on body’s horizontal center-section in condition 1 at different time

3  结论

(1) 受隧道内列车风与隧道外环境横风的影响，车体所受的瞬态风荷载在出隧道口的过程中都存在较大波动；随着列车逐渐脱离隧道，气动力和力矩最后均趋于稳定。

(2) 在同一工况中，头车受到的侧向力和侧滚力矩最大，尾车受到的侧向力和侧滚力矩最小，中间车居中，说明在列车出隧道遭遇横风的情况下，头车最容易发生行车事故，而尾车则相对安全。

(3) 头车受到的升力对于车速和环境风速的变化最敏感，各工况下变化较大；尾车最不敏感，各工况下变化较小。

(4) 列车出隧道的过程是车体表面压力不断上升的过程。当列车处于隧道内部时，车体处于较大的负压区，仅在头车前端由于列车的前行对前方空气的压缩产生了正压；随着车体接近隧道口，车体两侧负压逐渐上升直至趋近0 Pa，同时，尾车后部的压力也由负压逐渐升高至正压。

(5) 列车在出隧道口的过程中，除车头、车尾部分区域外，在车体侧面的大部分区域，车体表面的静压系数随着列车从隧道内部的驶出而逐渐增大，且车体水平中心截面上的静压系数曲线在车头处存在1个大2个小共3个峰值。随着列车的运行，其中迎风面的第2峰值逐渐增大变为最大峰值，而背风侧第2峰值一直保持不变。

参考文献：

[1] 蒋小强, 龙惟定, 李敏. 区域供冷系统逐时冷负荷的分析及数值预测[J]. 中南大学学报(自然科学版), 2010, 41(1): 357-363.

JIANG Xiaoqiang, LONG Weiding, LI Min. Hourly cooling load analysis and prediction in a district cooling system[J]. Journal of Central South University (Science and Technology), 2010, 41(1): 357-363.

[2] Kamimura K, Matsuba T, Tsutsui H. Development of load profile prediction using TCBM and ARIMA hybrid- modeling[C]// Building Simulation, Kyoto, Japan, 1999: 909-916.

[3] Nakahara N, Zheng M, Pan S, et al. Load prediction for optimal thermal storage-comparison of three kinds of model application[C]// Building Simulation. Kyoto, Japan, 1999: 519-526.

[4] 李元旦. 建筑物空调负荷预测方法及冰蓄冷空调系统运行优化控制研究[D]. 上海: 同济大学机械与能源工程学院, 2002: 22-62.

LI Yuan-dan. Research on building's air-conditioning load prediction and optimal control strategy of ice thermal storage system [D]. Shanghai: Tongji University. School of Mechanical Engineering, 2002: 22-62.

[5] LI Qiong, MENG Qinglin, CAI Jiejin, et al. Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural networks [J]. Energy Conversion and Management, 2009, 50(1): 90-96.

[6] LI Xuemei, LU Jinhu, DING Lixing, et al. Building cooling load forecasting model based on LS-SVM[C]// Asia Pacific Conference on Information Processing. Shenzhen, China, 2009: 55-58.

[7] LI Xuemei, DING Lixing, DENG Yuyuan, et al. Hybrid support vector machine and ARIMA model in building cooling prediction[C]// Computer Communication Control and Automation (3CA). Taiwan, 2010: 533-536.

[8] Hoogenboom G, McClendon R, Paz J. Support vector regression with reduced training sets for air temperature prediction: A comparison with artificial neural networks[J]. Neural Computing and Applications, 2011, 20(1): 151-159.

[9] Nanye L, Daniel G, Guilherme J, et al. Application of support vector regression to genome-assisted prediction of quantitative traits[J]. Theoretical and Applied Genetics November, 2011, 123(7): 1065-1074.

[10] 史峰, 王小川, 郁磊, 等. MATLAB神经网络30个案例分析[M]. 北京: 北京航空航天大学出版社, 2010: 122-140.

SHI Feng, WANG Xiaochuan, YU Lei, et al. MATLAB neural network analysis of 30 cases[M]. Beijing: Beijing University of Aeronautics and Astronautics Press, 2010: 122-140.

[11] Chang C, Lin C. LIBSVM: A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 1-27.

[12] J, Salcedo-Sanz S, E, et al. New validation methods for improving standard and multi-parametric support vector regression training time[J]. Expert Systems with Applications, 2012, 39(9): 8220-8227.

[13] Ustun B, Melssen W, Oudenhuijzen M, et al. Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization[J]. Analytical Chimica Acta, 2005, 544(1/2): 292-305.

[14] He W, Wang Z, Jiang H. Model optimizing and feature selecting for support vector regression in time series forecasting[J]. Neurocomputing, 2008, 72(1/2/3): 600-611.

[15] Ding L, J, Li X. Support vector regression and ant colony optimization for HVAC cooling load prediction[C]// 3CA 2010 - 2010 International Symposium on Computer, Tainan, 2010: 537-541.

(编辑  陈灿华)

收稿日期：2013-04-20；修回日期：2013-06-15

基金项目：国家自然科学基金资助项目(51075401, U1134203)

通信作者：高广军(1973-)，男，河南安阳人，博士，教授，从事列车空气动力学研究；电话：0731 82655294；E mail:gjgao@csu.edu.cn