JPH08165900A - 道路トンネル換気制御装置 - Google Patents

Abstract

(57)【要約】 （修正有） 【目的】 混合構造形ニューラルネットワークを応用し
て道路トンネル換気制御を行うトンネル換気装置を提供
する。 【構成】 道路トンネル内の交通量に応じて汚染される
トンネル内空気のトンネル内汚染濃度を所定範囲に制御
するために道路トンネル内に配設された複数の換気機で
トンネル外へ送風して制御する道路トンネル換気制御装
置における、トンネル内汚染濃度を予測する道路トンネ
ル換気状態予測装置であって、 (a) 現在からｙ［ｍｉｎ］先までの交通量予測値と、平
均値としての各換気機の運転風量・運転台数計画値とを
入力とし、トンネル内汚染濃度予測値を出力とする混合
構造形ニューラルネットワーク手段（５）と、 (b) 過去ｚ［ｍｉｎ］の交通量実績値と、平均値として
の各換気機の運転風量・運転台数実績値とを入力とし、
トンネル内汚染濃度実績値を教師信号とする混合構造形
ニューラルネットワーク学習手段（６）と、を備える。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は道路トンネル換気制御装
置に係り、特にニューラルネットワークを応用した道路
トンネル換気制御装置に関する。

【０００２】

【従来の技術】最近、プラント制御にニューラルネット
ワークを応用する場合に、従来に適用されていた階層構
造形ニューラルネットワークの代わりに、混合構造形ニ
ューラルネットワークを適用することが提案されている
（計測自動制御学会論文集 Ｖｏｌ．２９，Ｎｏ．３，
３４０／３４６（１９９３）、横山恭、幸田武久、井上
紘一）。

【０００３】一方、道路トンネル換気制御装置は以下の
ように構成されている。図４および図５に示すように、
対面通行のトンネル３内を換気するために、トンネル内
には空気をトンネル外へ送り出すための換気機として複
数のジェットファン１と１台の集塵機２が配設されてい
る（換気方向は、矢印３Ａで示した方向とする）。

【０００４】トンネル内には、ＶＩ（visibility＝煙霧
透過率）を計測するＶＩ計（煙霧透過率計測装置）がＶ
Ｉ１とＶＩ２の２台、車道内風速を計測する風向風速計
ＷＳが１台設置されている。なお、煙霧透過率を計測す
ることに代えてトンネル内汚染濃度を直接計測してもよ
い。

【０００５】従来、道路トンネルを換気する場合におい
ては、 ・交通量予測の結果に基き、３０分から１時間毎に各換
気機１の基本的な運用方法を決める換気機運用計画機能
により予測制御を行い、 ・ＶＩ計（煙霧透過率計）、ＣＯ計（一酸化炭素濃度
計）、ＷＳ計（トンネル内風向風速計）の出力に基き、
上記換気機運用計画の誤差を補正する計画補正機能によ
り、フィードバック制御を行うというふうに、二種類の
機能を主体として、トンネル内の汚染濃度の制御を行っ
てきた。

【０００６】

【発明が解決しようとする課題】しかしながら、上述の
予測制御の制御精度は、 ・換気機運用計画において使用している制御対象プロセ
スモデルの誤差 ・交通量予測誤差 の影響を強く受ける。これらの誤差の影響を補正するの
が、上述のフィードバック制御であるが、これはあくま
でも予測制御の結果をセンサにて検出した後、動作する
ことになるため、制御応答の面で限界がある。

【０００７】したがって、道路トンネル換気制御の制御
性能改善のためには予測制御の制御精度の改善が必要で
あり、特に、 ・制御対象プロセスモデルの自動学習 が必要となる。

【０００８】そこで本発明の目的は、上記従来技術の有
する問題点を解消し、道路トンネル換気制御における予
測制御の制御性能の改善により、トンネル内汚染状態を
許容範囲に安定に精度よく維持するとともに、所要電力
の低減化を図る道路トンネル換気装置を提供することに
ある。

【０００９】特に、本発明の主要なポイントは、プロセ
スの動特性の学習や予測精度の向上に効果があるとされ
る混合構造形ニューラルネットワークを応用することに
ある。

【００１０】

【課題を解決するための手段】上記目的を達成するた
め、本発明の道路トンネル換気状態予測装置は、道路ト
ンネル内の交通量に応じて汚染されるトンネル内空気の
トンネル内汚染濃度を所定範囲に制御するために道路ト
ンネル内に配設された複数の換気機でトンネル外へ送風
して制御する道路トンネル換気制御装置における、トン
ネル内汚染濃度を予測する道路トンネル換気状態予測装
置であって、(a) 現在からｙ［ｍｉｎ］先までの積算値
としての交通量予測値と、現在からｙ［ｍｉｎ］先まで
の平均値としての各換気機の運転風量・運転台数計画値
とを入力とし、トンネル内汚染濃度予測値を出力とする
混合構造形ニューラルネットワーク手段と、(b) 過去ｚ
［ｍｉｎ］の積算値としての交通量実績値と、過去ｚ
［ｍｉｎ］の平均値としての各換気機の運転風量・運転
台数実績値とを入力とし、トンネル内汚染濃度実績値を
教師信号とする混合構造形ニューラルネットワーク学習
手段と、を備えることを特徴とする。

【００１１】また、本発明の道路トンネル車道風速予測
装置は、道路トンネル内の交通量に応じて汚染されるト
ンネル内空気のトンネル内汚染濃度を所定範囲に制御す
るために道路トンネル内に配設された複数の換気機でト
ンネル外へ送風して制御する道路トンネル換気制御装置
における、トンネル内の車道風速を予測する道路トンネ
ル車道風速予測装置であって、(a) 現在からｙ［ｍｉ
ｎ］先までの積算値としての交通量予測値と、現在から
ｙ［ｍｉｎ］先までの平均値としての各換気機の運転風
量・運転台数計画値とを入力とし、トンネル内の車道風
速予測値を出力とする混合構造形ニューラルネットワー
ク手段と、(b) 過去ｚ［ｍｉｎ］の積算値としての交通
量実績値と、過去ｚ［ｍｉｎ］の平均値としての各換気
機の運転風量・運転台数実績値とを入力とし、トンネル
内の車道風速実測値を教師信号とする混合構造形ニュー
ラルネットワーク学習手段と、を備えることを特徴とす
る。

【００１２】また、本発明の道路トンネル換気制御装置
は、道路トンネル内の交通量に応じて汚染されるトンネ
ル内空気のトンネル内汚染濃度を所定範囲に制御するた
めに道路トンネル内に配設された複数の換気機でトンネ
ル外へ送風して制御する道路トンネル換気制御装置にお
いて、(a) 請求項１または請求項２に記載の道路トンネ
ル換気状態予測装置と、(b) 前記道路トンネル換気状態
予測装置にＮ種類の各換気機の運転風量・運転台数計画
値を入力し、各計画値に対応するトンネル内汚染濃度予
測値を得る濃度演算手段と、(c) 前記濃度演算手段によ
る演算結果の中から、換気機の起動頻度制約条件と、ト
ンネル内汚染濃度制約条件とを満足し、且つ、換気機運
転所要電力が最小となる換気機運転風量・運転台数計画
値を選択する演算手段と、を備えることを特徴とする。

【００１３】また、本発明の道路トンネル換気制御装置
は、道路トンネル内の交通量に応じて汚染されるトンネ
ル内空気のトンネル内汚染濃度を所定範囲に制御するた
めに道路トンネル内に配設された複数の換気機でトンネ
ル外へ送風して制御する道路トンネル換気制御装置にお
いて、(a) 請求項１または請求項２に記載の道路トンネ
ル換気状態予測装置と、(b) 請求項３または請求項４に
記載の道路トンネル車道風速予測装置と、(c) 前記道路
トンネル換気状態予測装置にＮ種類の各換気機の運転風
量・運転台数計画値を入力し、各計画値に対応するトン
ネル内汚染濃度予測値を得る濃度演算手段と、(d) 前記
道路トンネル車道風速予測装置にＮ種類の各換気機の運
転風量・運転台数計画値を入力し、各計画値に対応する
車道内風速予測値を得る風速演算手段と、(e) 前記濃度
演算手段と前記風速演算手段による演算結果の中から、
換気機の起動頻度制約条件と、トンネル内汚染濃度制約
条件と、車道内最低風速条件とを満足し、且つ、換気機
運転所要電力が最小となる換気機運転風量・運転台数計
画値を選択する演算手段と、を備えることを特徴とす
る。

【００１４】本発明では、以下の各手段を構成の要件と
しており、これらの各手段(a)-(h)の作用については、
後述する。 (a) 交通量予測値と各換気機の運転風量・運転台数計画
値から混合構造形ニューラルネットワークによりトンネ
ル内汚染濃度を予測する手段。

【００１５】(b) 交通量実績値、各換気機の運転実績
値、トンネル内汚染濃度の実績値から上記（ａ）の混合
構造形ニューラルネットワーク内の結合重み係数を学習
する手段。

【００１６】(c) 交通量予測値と各換気機の運転風量台
数計画値から混合構造形ニューラルネットワークにより
車道内風速を予測する手段。

【００１７】(d) 交通量実績値、各換気機の運転実績
値、車道内風速実績値から上記（ｃ）の混合構造形ニュ
ーラルネットワーク内の結合重み係数を学習する手段。

【００１８】(e) 上記（ａ）の混合構造形ニューラルネ
ットワークを用いて、Ｎ種類の換気機運転計画に対応す
るトンネル内汚染濃度を予測する手段。

【００１９】(f) 上記（ｃ）の混合構造形ニューラルネ
ットワークを用いて、Ｎ種類の換気機運転計画に対応す
る車道内風速を予測する手段。

【００２０】(g) 上記（ｅ）の結果から、 ・換気機の起動頻度制約条件 ・トンネル内汚染濃度制約条件 を満足し、且つ、換気機運転所要電力が最小となる換気
機運転風量・運転台数計画値を選択する演算手段。

【００２１】(h) 上記（ｅ）、（ｆ）の結果から、 ・換気機の起動頻度制約条件 ・トンネル内汚染濃度制約条件 ・車道内最低風速条件 を満足し、且つ、換気機運転所要電力が最小となる換気
機運転風量・運転台数計画値を選択する演算手段。

【００２２】

【作用】まず、本発明における混合構造形ニューラルネ
ットワークの概要について説明する。従来のニューラル
ネットワークは、図３に示すように信号の流れが入力層
→中間層→出力層というように一方向にのみ流れる構成
をとっていた。したがって、このような構成のニューラ
ルネットワークは瞬時瞬時の入出力間の写像関係を表し
ているに過ぎず、過去の入力信号が現在の出力信号に影
響を及ぼすことはない。しかしながら、道路の交通流の
ように時系列的に変化する対象を取り扱う際には、ニュ
ーラルネットワーク自身が時系列を認識できることが必
要となる。このような背景から本発明では図２に示すよ
うな混合構造形ニューラルネットワークを用いている。

【００２３】混合構造形ニューラルネットワークでは、
従来の階層形ニューラルネットワークの構造に加え、中
間層の各素子間が相互に結合されているところに特徴が
ある。すなわち、ある中間層素子の１ステップ前の値
が、自分自身あるいは他の中間層素子の入力側にフィー
ドバックされている。このことにより、ニューラルネッ
トワーク自身が動特性を有することになり、時系列的な
変化を認識できることになる。

【００２４】なお、混合構造形ニューラルネットワーク
の名称の由来は、このネットワークの構造が階層形ニュ
ーラルネットワークと相互結合形ニューラルネットワー
クとの混合構造となっているところにある。

【００２５】このような混合構造形ニューラルネットワ
ーク内の結合重み係数の学習方法が問題となるが、これ
は次のようにして導かれる。

【００２６】まず、混合構造形ニューラルネットワーク
の説明における主な変数を下記のように定義する。

【００２７】ｔ：時間 ｍ：入力層の素子数 ｓ：中間層の素子数 ｎ：出力層の素子数 Ｕｉ(t) ：入力層第ｉ素子への入力（ｉ＝１〜ｍ） Ｉｉ(t) ：入力層第ｉ素子からの出力（ｉ＝１〜ｍ） ＮetＨｊ(t) ：中間層第ｊ素子への入力（ｊ＝１〜ｓ） Ｈｊ(t) ：中間層第ｊ素子からの出力（ｊ＝１〜ｓ） Ｎet０ｉ(t) ：出力層第ｉ素子への入力（ｉ＝１〜ｎ） Ｘｉ(t) ：出力層第ｉ素子からの出力（ｉ＝１〜ｎ） ａjk：入力層第ｋ素子出力端から中間層第ｊ素子入力端
への結合重み係数 ｂjr：中間層第ｒ素子出力端から中間層第ｊ素子入力端
への重み係数（ｂjrはリカレントループの結合重みを表
す。） ｃij：中間層第ｊ素子出力端から出力層第ｉ素子入力端
への結合重み係数 ｆＨ（・）：中間層における入出力変換関数 ｆ０（・）：出力層における入出力変換関数 Ｅ：誤差評価関数 Ｖｉ(t) ：出力層第ｉ素子からの出力に対する教師信号 Δａjk：重み係数ａjkの修正量 Δｂjr：重み係数ｂjrの修正量 Δｃij：重み係数ｃijの修正量 ε：重み係数学習パラメータ α：重み係数学習パラメータ δpj：クロネッカのデルタ 以上の変数定義のもとに、まず、混合構造形ニューラル
ネットワークにおける各層の入出力は次のようになる。 (1) 入力層への入力：Ｕｉ(t) （ｉ＝１〜ｍ） (2) 入力層からの出力：Ｉｉ(t) ＝Ｕｉ(t) （ｉ＝１〜ｍ） (3) 中間層への入力：ＮetＨｊ(t) （ｊ＝１〜ｓ） 中間層からの出力：Ｈｊ(t) （ｊ＝１〜ｓ） Ｈｊ(t) ＝ｆＨ（ＮetＨｊ(t)) …（Ｘ．１） ただし、

【００２８】

【数１】 ａjk：入力層第ｋ素子出力端から中間層第ｊ素子入力端
への結合重み係数 ｂjr：中間層第ｒ素子出力端から中間層第ｊ素子入力端
への結合重み係数（ｂjrはリカレントループの結合重み
を表す。） (4) 出力層への入力：Ｎet０ｉ(t) （ｉ＝１〜ｎ）

【００２９】

【数２】 ｃij：中間層第ｊ素子出力端から出力層第ｉ素子入力端
への結合重み係数 (5) 出力層からの出力：Ｘｉ(t) （ｉ＝１〜ｎ）

【００３０】

【数３】 ここで、結合重み係数の学習の基準となる誤差評価関数
Ｅを

【００３１】

【数４】 （Ｖｉ(t) ：教師信号） とすると、結合重み係数学習の基本式は、 ａpq（ｔ＋Δｔ）＝ａpq(t) ＋Δａpq(t) …（Ｘ．６） ｂpq（ｔ＋Δｔ）＝ｂpq(t) ＋Δｂpq(t) …（Ｘ．７） ｃpq（ｔ＋Δｔ）＝ｃpq(t) ＋Δｃpq(t) …（Ｘ．８） となる。上式中の各重み係数修正量は、

【００３２】

【数５】 ［註］各式の第２項は、収束の安定化を図るための項で
ある。

【００３３】ε，αは定数であり、通常１以下の値に設
定する場合が多い。で与えられる。

【００３４】上式を実際に計算する際には、誤差評価関
数Ｅの重み係数ｃpq，ｂpq，ａpqに関する勾配

【００３５】

【数６】 が必要となるが、これは次のようにして導出される。

【００３６】

【数７】

【００３７】

【数８】 となる。

【００３８】但しδpjはクロネッカのデルタを示してい
る。

【００３９】

【数９】 をｂpqで偏微分すると、Ｈｒ（ｔ−Δｔ）自身もｂpqの
関数であるため、偏微分の第１項としては、

【００４０】

【数１０】 が導出される。また、偏微分の第２項は、

【００４１】

【数１１】 ｊ＝ｐ以外のとき、上式は０となる。また、ｊ＝ｐであ
っても、ｒ＝ｑ以外のとき、上式は０となる。

【００４２】

【数１２】 となる。

【００４３】以上説明した混合構造形ニューラルネット
ワークの結合重み係数の学習方法を混合構造形ニューラ
ルネットワークの出力値演算を含めて整理すると以下の
ようなステップになる。 ［ＳＴＥＰ ０］時間ｔにおける演算開始。 ［ＳＴＥＰ １］入力層の出力を演算する。

【００４４】Ｉｉ(t) ＝Ｕｉ(t) （ｉ＝１〜ｍ） ［ＳＴＥＰ ２］中間層への入力を演算する。

【００４５】

【数１３】 （ただし、Ｈｒ(0) ＝０とする。） ［ＳＴＥＰ ３］中間層からの出力を演算する。

【００４６】 Ｈｊ(t) ＝ｆＨ（ＮetＨｊ(t)) （ｊ＝１〜ｓ） ［ＳＴＥＰ ４］出力層への入力を演算する。

【００４７】

【数１４】 ［ＳＴＥＰ ５］出力層からの出力を演算する。

【００４８】 Ｘｉ(t) ＝ｆ０（Ｎet０ｉ(t)) （ｉ＝１〜ｎ） ［ＳＴＥＰ ６］学習を行うときは、「ＳＴＥＰ ７］
へ。

【００４９】学習を行わないときは、時間ｔにおける演
算終了（ＲＥＴＵＲＮ）。

【００５０】

【数１５】

【００５１】

【数１６】

【００５２】

【数１７】

【００５３】

【数１８】 ［ＳＴＥＰ １６］重み係数ｃpqの更新を行う。

【００５４】ｃpq（ｔ＋Δｔ）＝ｃpq(t) ＋Δｃpq(t)
（ｐ＝１〜ｎ，ｑ＝１〜ｓ） ［ＳＴＥＰ １７］重み係数ｂpqの更新を行う。

【００５５】ｂpq（ｔ＋Δｔ）＝ｂpq(t) ＋Δｂpq(t)
（ｐ＝１〜ｓ，ｑ＝１〜ｓ） ［ＳＴＥＰ １８］重み係数ａpqの更新を行う。

【００５６】ａpq（ｔ＋Δｔ）＝ａpq(t) ＋Δａpq(t)
（ｐ＝１〜ｓ，ｑ＝１〜ｍ） ［ＳＴＥＰ １９］時間ｔにおける演算終了（ＲＥＴＵ
ＲＮ）。

【００５７】以上、混合構造形ニューラルネットワーク
について結合重み係数の学習方法を含めて説明した。

【００５８】次に、前記（ａ）〜（ｈ）の各手段の作用
について説明する。

【００５９】手段（ａ）では、交通量予測値（今後ｙ
［ｍｉｎ］間に予想される積算通行量［台／ｈ］）と各
換気機の運転風量台数計画値（今後ｙ［ｍｉｎ］間に運
転を予定している各換気機の運転風量および運転台数の
平均値、例えば集塵機風量［ｍ3 ／ｓ］、ジェットファ
ン運転台数［台］等）を上述の混合構造形ニューラルネ
ットワークに入力する事によりトンネル内汚染濃度
［−］（または煙霧透過率［％］）の混合ｙ［ｍｉｎ］
間の平均値を予測する。

【００６０】手段（ｃ）では、手段（ａ）と同様の入力
を混合構造形ニューラルネットワークに入力する事によ
り車道内風速の今後ｙ［ｍｉｎ］間の平均値を予測す
る。

【００６１】手段（ｂ）では、交通量実績値（過去ｚ
［ｍｉｎ］間の積算交通量［台／ｈ］）と各換気機の運
転風量台数実績値（過去ｚ［ｍｉｎ］間の各換気機の運
転風量および運転台数の平均値、例えば集塵機風量［ｍ
3 ／ｓ］、ジェットファン運転台数［台］等）を手段
（ａ）で使用している混合構造形ニューラルネットワー
クに入力したときの出力とトンネル内汚染濃度［−］
（または煙霧透過率［％］）の実績値（過去ｚ［ｍｉ
ｎ］間の平均値）とを比較し、上述の学習方法により手
段（ａ）で使用している混合構造形ニューラルネットワ
ーク内の重み係数を学習する。

【００６２】手段（ｄ）では、交通量実績値（過去ｚ
［ｍｉｎ］間の積算交通量［台／ｈ］）と各換気機の運
転風量台数実績値（過去ｚ［ｍｉｎ］間の各換気機の運
転風量および運転台数の平均値、例えば集塵機風量「ｍ
3 ／ｓ］、ジェットファン運転台数［台］等）を手段
（ｃ）で使用している混合構造形ニューラルネットワー
クに入力したときの出力と車道内風速［ｍ／ｓ］の実績
値（過去ｚ［ｍｉｎ］間の平均値）とを比較し、上述の
学習方法により手段（ｃ）で使用している混合構造形ニ
ューラルネットワーク内の重み係数を学習する。

【００６３】手段（ｅ）では、手段（ａ）を用いてＮ種
類の換気機運転計画（今後ｙ［ｍｉｎ］間に運転を予定
している各換気機の運転風量および運転台数の平均値、
例えば集塵機風量「ｍ3 ／ｓ］、ジェットファン運転台
数［台］等に関するＮ種類の組み合わせ）に対するトン
ネル内汚染濃度［−］（または煙霧透過率［％］）の今
後ｙ［ｍｉｎ］間の平均値を予測する。

【００６４】手段（ｆ）では、手段（ｃ）を用いてＮ種
類の換気機運転計画（今後ｙ［ｍｉｎ］間に運転を予定
している各換気機の運転風量および運転台数の平均値、
例えば集塵機風量［ｍ3 ／ｓ］、ジェットファン運転台
数［台］等に関するＮ種類の組み合わせ）に対する車道
内風速［ｍ／ｓ］の今後ｙ［ｍｉｎ］間の平均値を予測
する。

【００６５】手段（ｇ）では、手段（ｅ）の結果から、 ・換気機の移動頻度制約条件（例えば、同じジェットフ
ァンを起動してから、再び起動するまでの制約時間など
に関する条件） ・トンネル内汚染濃度制約条件（例えば、煙霧透過率は
３０［％］以上、一酸化炭素濃度は１００［ｐｐｍ］以
下などの制約条件） を満足し、且つ換気機運転所要電力が最小となる換気機
運転計画を選択する。

【００６６】手段（ｈ）では、手段（ｅ）、（ｆ）の結
果から、 ・換気機の移動頻度制約条件（例えば、同じジェットフ
ァンを起動してから、再び起動するまでの制約時間など
に関する条件） ・トンネル内汚染濃度制約条件（例えば、煙霧透過率は
３０［％］以上、一酸化炭素濃度は１００［ｐｐｍ］以
下などの制約条件） ・車道内最低風速条件（例えば、トンネル内の換気風が
逆転しないよう、車道内風速は０．５［ｍ／ｓ］以上と
するなどの条件） を満足し、且つ換気機運転所要電力が最小となる換気機
運転計画を選択する。

【００６７】

【実施例】以下、本発明による道路トンネル換気制御装
置の一実施例について説明する。

【００６８】図１は、本発明の一実施例を示す機能ブロ
ック図である。今、換気設備として複数のジェットファ
ン１と１台の集塵機２を有する対面通行のトンネル３を
考える。換気方向は、矢印３Ａで示した方向とする。ト
ンネル内には、ＶＩ（visibility＝煙霧透過率）を計測
するＶＩ計がＶＩ１とＶＩ２の２台、車道内風速を計測
する風向風速計ＷＳが１台設置されている。

【００６９】換気機運転風量・運転台数計画値発生手段
４は、ジェットファン運転台数計画値ＮJP［台］と集塵
機運転風量計画値ＱCP［ｍ3 ／ｓ］との数種類の組み合
わせを出力する。

【００７０】混合構造形ニューラルネットワーク手段５
は、上り線大型車交通量予測値ＵLP［台／ｈ］、上り線
小型車交通量予測値ＵSP［台／ｈ］、下り線大型車交通
量予測値ＤLP［台／ｈ］、下り線小型車交通量予測値Ｄ
SP［台／ｈ］と上述のＮJP，ＱCPを入力されることによ
り、ＶＩの予測値ＶIP［％］を出力する。ここで、上り
線か下り線かは喚起方向３Ａと同方向か逆方向かで換気
性能に関係し、大型車か小型車かで排気量が異なるので
空気の塵量に関係する。

【００７１】混合構造形ニューラルネットワーク学習手
段６では、上り線大型車交通量計測値ＵLA［台／ｈ］、
上り線小型車交通量計測値ＵSA［台／ｈ］、下り線大型
車交通量計測値ＤLA［台／ｈ］、下り線小型車交通量計
測値ＤSA［台／ｈ］とジェットファン運転台数実績値Ｎ
JA［台］、集塵機風量実績値ＱCA［ｍ3 ／ｓ］、ＶＩの
実績値ＶIA［％］、ＶＩの予測値ＶIP［％］を入力とし
て、混合構造形ニューラルネットワーク内の結合重み係
数群７を学習し、混合構造形ニューラルネットワーク手
段５に送っている。

【００７２】一方、混合構造形ニューラルネットワーク
手段８は、上り線大型車交通量予測値ＵLP［台／ｈ］、
上り線小型車交通量予測値ＵSP［台／ｈ］、下り線大型
車交通量予測値ＤLP［台／ｈ］、下り線小型車交通量予
測値ＤSP［台／ｈ］と上述のＮJP，ＱCPを入力されるこ
とにより、車道内風速の予測値ＷSP［ｍ／ｓ］を出力す
る。

【００７３】混合構造形ニューラルネットワーク学習手
段９では、上り線大型車交通量計測値ＵLA［台／ｈ］、
上り線小型車交通量計測値ＵSA［台／ｈ］、下り線大型
車交通量計測値ＤLA［台／ｈ］、下り線小型車交通量計
測値ＤSA［台／ｈ］とジェットファン運転台数実績値Ｎ
JA［台］、集塵機風量実績値ＱCA［ｍ3 ／ｓ］、車道内
風速の実績値ＷSA［ｍ／ｓ］、車道内風速の予測値ＷSP
［ｍ／ｓ］を入力として、混合構造形ニューラルネット
ワーク内の結合重み係数群１０を学習し、混合構造形ニ
ューラルネットワーク手段８に送っている。

【００７４】上述の換気機運転風量・運転台数計画値発
生手段４が発生したジェットファン運転台数計画値ＮJP
と集塵機運転風量計画値ＱCPとの数種類の組み合わせに
対応して、汚染濃度予測結果１１にはＶＩの予測値ＶIP
が記憶され、車道内風速予測結果１２には車道内風速の
予測値ＷSPが記憶される。

【００７５】制約条件チェック１３では、汚染濃度予測
結果１１の出力１４と車道内風速予測結果１２の出力１
５を入力として、換気上の制約条件のチェックを行う。
電力最小計画選択１６では、制約条件チェック１３の出
力１７を入力として、換気機運転所要電力が最小となる
運転計画値（ジェットファン最適運転台数ＮJM［台］、
集塵機最適運転風量ＱCM［ｍ3 ／ｓ］）を選択する。

【００７６】次に実施例の作用について述べる。図１に
示した実施例の基本思想あるいは基本的な処理の流れ
は、以下の通りである。

【００７７】(1) 換気機運転風量・運転台数の計画値
（今後ｙ［ｍｉｎ］の間、ジェットファンと集塵機を各
々どの程度運転すべきか）の候補を発生させる。…図１
の手段４に相当する。

【００７８】(2) 上記（１）で発生した各々の計画値に
従って換気機を運転したと仮定した場合のトンネル内換
気状態を混合構造形ニューラルネットワークにより予測
する。…図１の手段５、手段８に相当する。

【００７９】(3) 上記（１）、（２）の結果を踏まえ、
さらに換気上の制約条件、換気機運転所要電力を考慮し
た上で、最適な計画値を選択する。…図１の手段１１、
手段１２、手段１３、手段１６に相当する。

【００８０】(4) また、上記（１）、（２）、（３）と
並行して、オンラインデータから混合構造形ニューラル
ネットワーク内の結合重み係数の学習を行う。…図１の
手段６、手段９に相当する。

【００８１】まず、手段４では、今後ｙ［ｍｉｎ］（ｙ
の値は、３０〜６０［ｍｉｎ］）の間、ジェットファン
と集塵機を各々どの程度運転すべきかについての運転計
画値を数種類発生させる。これらの運転計画値は、ジェ
ットファン運転台数計画値ＮJP［台］と集塵機運転風量
計画値ＱCP［ｍ3 ／ｓ］との数種類の組み合わせとし
て、手段５および手段８に送られる。

【００８２】次に、手段５では、 ・今後ｙ［ｍｉｎ］間の積算値としての、上り線大型車
交通量予測値ＵLP［台／ｈ］ ・今後ｙ［ｍｉｎ］間の積算値としての、上り線小型車
交通量予測値ＵSP［台／ｈ］ ・今後ｙ［ｍｉｎ］間の積算値としての、下り線大型車
交通量予測値ＤLP［台／ｈ］ ・今後ｙ［ｍｉｎ］間の積算値としての、下り線小型車
交通量予測値ＤSP［台／ｈ］ ・ジェットファン運転台数計画値ＮJP［台］ ・集塵機運転風量計画値ＱCP［ｍ3 ／ｓ］ を入力として、前述の混合構造形ニューラルネットワー
クの手法を用いて、今後ｙ［ｍｉｎ］間のＶＩ平均値の
予測値ＶIP［％］を出力する。この演算は、手段４で発
生したＮJPとＱCPの組み合わせについて各々行われ、演
算結果は手段１１に記憶される。

【００８３】一方、手段８では、 ・今後ｙ［ｍｉｎ］間の積算値としての、上り線大型車
交通量予測値ＵLP［台／ｈ］ ・今後ｙ［ｍｉｎ］間の積算値としての、上り線小型車
交通量予測値ＵSP［台／ｈ］ ・今後ｙ［ｍｉｎ］間の積算値としての、下り線大型車
交通量予測値ＤLP［台／ｈ］ ・今後ｙ［ｍｉｎ］間の積算値としての、下り線小型車
交通量予測値ＤSP［台／ｈ］ ・ジェットファン運転台数計画値ＮJP［台］ ・集塵機運転風量計画値ＱCP［ｍ3 ／ｓ］ を入力として、前述の混合構造形ニューラルネットワー
クの手法を用いて、今後ｙ［ｍｉｎ］間の車道内風速平
均値の予測値ＷSP［ｍ／ｓ］を出力する。この演算は、
手段４で発生したＮJPとＱCPの組み合わせについて各々
行われ、演算結果は手段１２に記憶される。

【００８４】手段１３では、換気設備上の制約条件、 ・集塵機の再起動時間制約（集塵機を起動してから、一
旦停止後、再び起動するとき、起動と起動との間をＴC
［ｍｉｎ］以上あけなければならない。） ・ジェットファンの再起動時間制約（ジェットファンを
起動してから、一旦停止後、再び起動するとき、起動と
起動との間をＴJ ［ｍｉｎ］以上あけなければならな
い。） および、汚染濃度上の制約条件、 ・ＶＩ平均値の予測値ＶIP［％］が、ＶMIN ［％］以上
であること。

【００８５】・車道内風速平均値の予測値ＷSP［ｍ／
ｓ］が、ＷMIN ［ｍ3 ／ｓ］以上であること。

【００８６】（ただし、車道内風速に関する条件は、車
道内風の風向が逆転することを防止するためのものであ
るので、逆転の恐れの無いときには省略しても構わな
い。）をチェックし、制約条件を満足するＮJPとＱCPの
組み合わせのみを制約条件チェック結果１７として、手
段１６に送る。

【００８７】手段１６では、制約条件チェック結果１７
に残っているＮJPとＱCPの組み合わせに相当する換気機
運転所要電力の計算を行う（ジェットファンの運転所要
電力は、ジェットファン１台当たりの運転所要電力にＮ
JPを乗じることにより計算される。また、集塵機の運転
所要電力は、通常ＱCPの３次関数として計算される）。
そして、所要電力の最も小さいＮJPとＱCPの組み合わせ
を最適な組み合わせＮJMとＱCMとして選択する。

【００８８】以上の処理により、最適な運転計画値（ジ
ェットファン最適運転台数ＮJM［台］、集塵機最適運転
風量ＱCM［ｍ3 ／ｓ］）が選択される。

【００８９】一方、混合構造形ニューラルネットワーク
内の結合重み係数群の学習は、手段６および手段９によ
り行われる。学習アルゴリズムにいては、前述の［ＳＴ
ＥＰ０］〜［ＳＴＥＰ １９］に述べた通りであるが、
手段６では、混合構造形ニューラルネットワークへの入
力を、 ・過去ｚ［ｍｉｎ］間の積算値としての、上り線大型車
交通量実績値ＵLA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の積算値としての、上り線小型車
交通量実績値ＵSA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の積算値としての、上り線大型車
交通量実績値ＤLA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の積算値としての、上り線小型車
交通量実績値ＤSA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の平均値としての、ジェットファ
ン運転台数実績値ＮJA［台］ ・過去ｚ［ｍｉｎ］間の平均値としての、集塵機運転風
量実績値ＱCA［ｍ3 ／ｓ］ とし、教師信号を過去ｚ［ｍｉｎ］間のＶＩ平均値の実
績値ＶIA［％］とすることにより、結合重み係数を学習
する。このときの教師信号ＶIAとしては、図１の２台あ
るいはＶＩ計（ＶＩ１とＶＩ２）のうち、ＶＩ値の低い
方の値の平均値を採用する。手段６の学習結果である結
合重み係数群７が、手段５のＶＩ予測演算に使用され
る。

【００９０】また、手段９では、混合構造形ニューラル
ネットワークへの入力を、 ・過去ｚ［ｍｉｎ］間の積算値としての、上り線大型車
交通量実績値ＵLA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の積算値としての、上り線小型車
交通量実績値ＵSA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の積算値としての、上り線大型車
交通量実績値ＤLA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の積算値としての、上り線小型車
交通量実績値ＤSA［台／ｈ］ ・過去ｚ［ｍｉｎ］間の平均値としての、ジェットファ
ン運転台数実績値ＮJA［台］ ・過去ｚ［ｍｉｎ］間の平均値としての、集塵機運転風
量実績値ＱCA［ｍ3 ／ｓ］ とし、教師信号を過去ｚ［ｍｉｎ］間の車道内風速平均
値の実績値ＷSA［ｍ／ｓ］とすることにより、結合重み
係数を学習する。このときの教師信号ＷSAとしては、図
１の風向風速計ＷＳの値の平均値を採用する。手段９の
学習結果である結合重み係数群１０が、手段８の車道内
風速予測演算に使用される。

【００９１】以上説明した実施例においては、混合ニュ
ーラルネットワークの手法を用い、トンネル換気のオン
ラインデータによりトンネル内汚染状況と換気風の流れ
を予測し、換気機の最適な運転計画を決定するように構
成したので、ドライバーにとっての安全走行環境の維持
と換気機運転所要電力の低減化の効果を有する。

【００９２】次に本発明の他の実施例について説明す
る。上述の実施例においては、換気設備として複数のジ
ェットファン１と１台の集塵機２を有するトンネルを対
象に選んで記述したが、換気設備としてはこれに限らず
種々の換気機の組み合わせが可能である。主な換気機と
しては、 （ａ） ジェットファン （ｂ） 集塵機 （ｃ） 立坑送風機 （ｄ） 立坑排風機 があり、換気設備としては、（ａ），（ｂ），（ｃ），
（ｄ）のいれずか単独の換気機から構成される場合と、
（ａ），（ｂ），（ｃ），（ｄ）の内の何種類かの組み
合わせから構成される設備とが考えられる。換気設備が
変わった場合には、図１の手段４の出力である、 ・ジェッファン運転台数計画値ＮJP［台］ ・集塵機運転風量計画値ＱCP［ｍ3 ／ｓ］ および、図１の手段６および手段９の入力である、 ・過去ｚ［ｍｉｎ］間の平均値としての、ジェットファ
ン運転台数実績値ＮJA［台］ ・過去ｚ［ｍｉｎ］間の平均値としての、集塵機運転風
量実績値ＱCA［ｍ3 ／ｓ］ さらには、図１の手段１６の出力である、 ・ジェットファン最適運転台数ＮJM［台］ ・集塵機最適運転風量ＱCM［ｍ3 ／ｓ］ を設置されている換気機の運転台数・運転風量に相当す
る信号に変更すればよい。

【００９３】また、上述の実施例においては、教師信号
を図１の２台あるＶＩ計（ＶＩ１とＶＩ２）のうち、Ｖ
Ｉ値の低い方としていたが、ＶＩ１とＶＩ２の各々を教
師信号として、別個に学習させる構成としてもよい。Ｖ
Ｉ計が複数ある場合には、教師信号を複数のＶＩ計出力
のうちの最も低い値としてもよいし、各々のＶＩ計出力
を教師信号として学習させる構成としてもよい。

【００９４】なお、ＶＩ値の替わりに、煤煙濃度を用い
てもよい。

【００９５】風向風速計が複数ある場合は、複数の風向
風速計出力の平均値を教師信号として採用してもよい
し、立坑がある場合には立坑を挟んだ両換気区間で風向
風速が異なるので、各々の換気区間で教師信号を区別す
ればよい。

【００９６】また、図２に示した混合構造形ニューラル
ネットワークにおいて、出力信号Ｘｉ(t) の前回値Ｘｉ
（ｔ−Δｔ）を入力信号Ｕｉ(t) の一部に加えるフィー
ドバックループを設けてもよい。

【００９７】また、前述の実施例では対面通行トンネル
を対象としていたため、上り線、下り線の両者の交通量
を考慮していたが、一方通行トンネルを対象とした場合
には、上り線、下り線のいずれか該当する交通量のみを
考慮すればよい。

【００９８】

【発明の効果】

(1) 請求項１の構成によれば、トンネル内汚染濃度予測
モデルに混合構造形ニューラルネットワークを採用し、
オンラインデータをもとにモデルの学習を行う構成とし
たので、学習が進むに従い対象トンネルに合った汚染濃
度予測モデルが構築され、各時間帯のトンネル内汚染状
況を高精度で予測できる効果を有する。

【００９９】(2) 請求項３の構成によれば、車道内風速
予測モデルに混合構造形ニューラルネットワークを採用
し、オンラインデータをもとにモデルの学習を行う構成
としたので、学習が進むに従い対象トンネルに合った車
道内風速予測モデルが構築され、各時間帯の換気風の流
れを高精度で予測できる効果を有する。

【０１００】(3) 請求項５の構成によれば、に関連する
効果。換気機の運転計画を立てる際に、数種類の運転計
画に相当するトンネル内汚染濃度を混合構造形ニューラ
ルネットワークにより予測し、その結果の中から、 ・換気機の起動頻度制約 ・トンネル内汚染濃度制約 を満足し、且つ換気機運転所要電力が最小となる運転計
画を選択するように構成したので、 ・トンネル内安全走行環境維持 ・消費電力の低減化 の効果を有する。

【０１０１】(4) 請求項６の構成によれば、換気機の運
転計画を立てる際に、数種類の運転計画に相当するトン
ネル内汚染濃度および車道内風速を混合構造形ニューラ
ルネットワークにより予測し、その結果の中から、 ・換気機の起動頻度制約 ・トンネル内汚染濃度制約 ・車道内最低風速条件 を満足し、且つ換気機運転所要電力が最小となる運転計
画を選択するように構成したので、 ・トンネル内安全走行環境維持 ・消費電力の低減化 ・換気風の風向逆転に伴う汚染濃度悪化現象の防止 の効果を有する。なお、換気風の流れる方向が逆転した
直後に、汚染物質がトンネル内に滞留し、急激な汚染濃
度悪化現象が生じる。

【図面の簡単な説明】

【図１】本発明による道路トンネル換気制御装置の一実
施例を示すブロック図。

【図２】階層形ニューラルネットワークを説明するため
の構成図。

【図３】混合構造形ニューラルネットワークを説明する
ための構成図。

【図４】従来の道路トンネル換気制御装置を説明するた
めの機能ブロック図。

【図５】道路トンネルの内部を示す概略図。

【符号の説明】

１ ジェットファン ２ 集塵機 ３ トンネル ３Ａ 換気方向 ４ 換気機運転風量・運転台数計画値発生手段 ５，８ 混合構造形ニューラルネットワーク手段 ６，９ 混合構造形ニューラルネットワーク学習手段 ７，１０ 混合構造形ニューラルネットワーク内の結合
重み係数群 １１ 汚染濃度予測結果 １２ 車道内風速予測結果 １３ 制約条件チェック １４ 汚染濃度予測結果１１の出力 １５ 車道内風速予測結果１２の出力 １６ 電力最小計画選択 １７ 制約条件チェック１３の出力 ＶＩ１，ＶＩ２ ＶＩ計（煙霧透過率計測装置） ＷＳ 風向風速計 ＵLP 上り線大型車交通量予測値 ＵSP 上り線小型車交通量予測値 ＤLP 上り線大型車交通量予測値 ＤSP 上り線小型車交通量予測値 ＵLA 上り線大型車交通量計測値 ＵSA 上り線小型車交通量計測値 ＤLA 上り線大型車交通量計測値 ＤSA 上り線小型車交通量計測値 ＮJP ジェットファン運転台数計画値 ＱCP 集塵機運転風量計画値 ＮJA ジェッファン運転台数実績値 ＱCA 集塵機風量実績値 ＮJM ジェットファン最適運転台数 ＱCM 集塵機最適運転風量 ＶIP ＶＩの予測値 ＶIA ＶＩの実績値 ＷSP 車道内風速の予測値 ＷSA 車道内風速の実績値

Claims (6)

【特許請求の範囲】
1. 【請求項１】道路トンネル内の交通量に応じて汚染され
   るトンネル内空気のトンネル内汚染濃度を所定範囲に制
   御するために道路トンネル内に配設された複数の換気機
   でトンネル外へ送風して制御する道路トンネル換気制御
   装置における、トンネル内汚染濃度を予測する道路トン
   ネル換気状態予測装置であって、 (a) 現在からｙ［ｍｉｎ］先までの積算値としての交通
   量予測値と、現在からｙ［ｍｉｎ］先までの平均値とし
   ての各換気機の運転風量・運転台数計画値とを入力と
   し、トンネル内汚染濃度予測値を出力とする混合構造形
   ニューラルネットワーク手段と、 (b) 過去ｚ［ｍｉｎ］の積算値としての交通量実績値
   と、過去ｚ［ｍｉｎ］の平均値としての各換気機の運転
   風量・運転台数実績値とを入力とし、トンネル内汚染濃
   度実績値を教師信号とする混合構造形ニューラルネット
   ワーク学習手段と、を備えることを特徴とする道路トン
   ネル換気状態予測装置。
2. 【請求項２】前記交通量予測値は、各車線毎の大型車交
   通量予測値と各車線毎の小型車交通量予測値とからな
   り、 前記交通量実績値は、各車線毎の大型車交通量実績値と
   各車線毎の小型車交通量実績値とからなることを特徴と
   する請求項１に記載の道路トンネル換気状態予測装置。
3. 【請求項３】道路トンネル内の交通量に応じて汚染され
   るトンネル内空気のトンネル内汚染濃度を所定範囲に制
   御するために道路トンネル内に配設された複数の換気機
   でトンネル外へ送風して制御する道路トンネル換気制御
   装置における、トンネル内の車道風速を予測する道路ト
   ンネル車道風速予測装置であって、 (a) 現在からｙ［ｍｉｎ］先までの積算値としての交通
   量予測値と、現在からｙ［ｍｉｎ］先までの平均値とし
   ての各換気機の運転風量・運転台数計画値とを入力と
   し、トンネル内の車道風速予測値を出力とする混合構造
   形ニューラルネットワーク手段と、 (b) 過去ｚ［ｍｉｎ］の積算値としての交通量実績値
   と、過去ｚ［ｍｉｎ］の平均値としての各換気機の運転
   風量・運転台数実績値とを入力とし、トンネル内の車道
   風速実測値を教師信号とする混合構造形ニューラルネッ
   トワーク学習手段と、を備えることを特徴とする道路ト
   ンネル車道風速予測装置。
4. 【請求項４】前記交通量予測値は、各車線毎の大型車交
   通量予測値と各車線毎の小型車交通量予測値とからな
   り、 前記交通量実績値は、各車線毎の大型車交通量実績値と
   各車線毎の小型車交通量実績値とからなることを特徴と
   する請求項３に記載の道路トンネル車道風速予測装置。
5. 【請求項５】道路トンネル内の交通量に応じて汚染され
   るトンネル内空気のトンネル内汚染濃度を所定範囲に制
   御するために道路トンネル内に配設された複数の換気機
   でトンネル外へ送風して制御する道路トンネル換気制御
   装置において、 (a) 請求項１または請求項２に記載の道路トンネル換気
   状態予測装置と、 (b) 前記道路トンネル換気状態予測装置にＮ種類の各換
   気機の運転風量・運転台数計画値を入力し、各計画値に
   対応するトンネル内汚染濃度予測値を得る濃度演算手段
   と、 (c) 前記濃度演算手段による演算結果の中から、換気機
   の起動頻度制約条件と、トンネル内汚染濃度制約条件と
   を満足し、且つ、換気機運転所要電力が最小となる換気
   機運転風量・運転台数計画値を選択する演算手段と、を
   備えることを特徴とする道路トンネル換気装置。
6. 【請求項６】道路トンネル内の交通量に応じて汚染され
   るトンネル内空気のトンネル内汚染濃度を所定範囲に制
   御するために道路トンネル内に配設された複数の換気機
   でトンネル外へ送風して制御する道路トンネル換気制御
   装置において、 (a) 請求項１または請求項２に記載の道路トンネル換気
   状態予測装置と、 (b) 請求項３または請求項４に記載の道路トンネル車道
   風速予測装置と、 (c) 前記道路トンネル換気状態予測装置にＮ種類の各換
   気機の運転風量・運転台数計画値を入力し、各計画値に
   対応するトンネル内汚染濃度予測値を得る濃度演算手段
   と、 (d) 前記道路トンネル車道風速予測装置にＮ種類の各換
   気機の運転風量・運転台数計画値を入力し、各計画値に
   対応する車道内風速予測値を得る風速演算手段と、 (e) 前記濃度演算手段と前記風速演算手段による演算結
   果の中から、換気機の起動頻度制約条件と、トンネル内
   汚染濃度制約条件と、車道内最低風速条件とを満足し、
   且つ、換気機運転所要電力が最小となる換気機運転風量
   ・運転台数計画値を選択する演算手段と、を備えること
   を特徴とする道路トンネル換気制御装置。