LNG船装卸作业风险动态网络预测

马先山, 刘 宇, 方 磊, 朱祥贵

(1.青岛远洋船员职业学院,山东 青岛 266071; 2.上海海事大学 商船学院，上海 201306；3.台州港引航站,浙江 台州 318000)

LNG船装卸作业风险动态网络预测

马先山1, 刘 宇2, 方 磊2, 朱祥贵3

(1.青岛远洋船员职业学院,山东 青岛 266071; 2.上海海事大学 商船学院，上海 201306；3.台州港引航站,浙江 台州 318000)

以液化天然气(Liquefied Natural Gas,LNG)船装卸货风险为研究对象，针对其特征和物理属性，考虑船舶和环境2方面因素对装卸货风险的影响，确定LNG船装卸货风险的形成原因及其耦合关系，并分别采用静态和动态贝叶斯网络建立LNG船卸货风险预测模型，以分析装卸货作业过程中的风险变化。利用所建模型对LNG船港口卸货作业进行风险预测，通过验证该模型的正确性和有效性，得出LNG船卸货作业过程风险波动性强的结果。结果表明，所得风险预测结果与历史事故规律基本吻合，该模型能较好地预测LNG船作业过程中的风险。

LNG船;动态贝叶斯网络;卸货作业;风险预测

随着各国对液化天然气(Liquefied Natural Gas，LNG)的需求量不断增多、LNG利用效率不断增大，LNG的运输量和装卸量呈逐年递增趋势。由于LNG具有一定的特殊性和危险性，使得LNG船一旦发生意外，将对周围环境和人员造成危害。因此,针对这种可能存在的危险情况做好LNG船装卸货的安全研究和风险预测尤为重要。

近年来,国内外相关学者已对LNG船的航行进行较多的研究。国外方面:文献[1]通过分析LNG船事故的历史数据，对潜在危险源进行识别，并结合相关专家知识，利用综合安全评价法(Formal Safety Assessment，FSA)对LNG船可能发生的碰撞、搁浅、触碰、火灾和爆炸及装卸货事故进行风险分析;文献[2]采用故障树分析法(Fault Tree Analysis，FTA)及事故因果分析和预先危险性方法(Preliminary Hazard Analysis，PHA)构造LNG船在装卸液货时的事故模型，对事故后果进行风险分析，提出预防LNG泄漏的建议和操作措施;文献[3]采用功能树法(Functional Tree，FT)对LNG船货物装卸设备进行失效分析，结合预先危险性分析和因果图分析法得出的危险源，利用贝叶斯概率算法得出各事件发生的可能性，利用风险矩阵进行风险分析，提出减少装卸设备维护的操作方法和建议。国内方面:文献[4]研究装卸作业关键步骤人、船舶、LNG装卸码头、环境和管理因素等5个方面对LNG船装卸作业安全的影响，分析装卸过程中应关注的环节，提出合理的安全管理意见;文献[5]利用FSA理论方法研究LNG船和接收站数据资料，分析船舶装卸货过程中和航行过程中的危险，采用事故树分析法进行风险评估，提出碰撞、搁浅和泄漏事故应急处理预案;文献[6]分析影响运输的因素和运输流程，以中海油LNG船为例，随机选取该船某航次，利用BP(Back Propagation)神经网络方法分析，为LNG海上运输提供参考;文献[7]运用“人-机-环-管”理论构建LNG接收站评价体系，利用模糊综合评判法和层次分析法建立模型，以国内某接收站为例进行安全评价，提出整改意见。

以上文献主要对LNG船在静态因素下的风险进行研究，并没有考虑到LNG船的影响因素是随时间改变的，即风险因素的动态特征。在综合分析以上文献的基础上，根据事故致因理论和LNG及船舶营运领域专家的研究成果，考虑LNG船装卸货时的动态特性，引入动态贝叶斯网络构建LNG船装卸货风险预测的DBN(Dynamic Bayesian Network)模型，对LNG船装卸货风险进行预测。

1 LNG船装卸货风险因素分析

研究单次装卸货作业中LNG动态转移过程和环境带来的动态风险的大小及其变化规律，根据事故致因理论，对装卸货过程中的船舶和环境影响因素进行分析；同时，结合以往的研究和专家建议，确定LNG船装卸货风险预测的指标体系。具体LNG船装卸货风险DBN网络结构见图1。

图1 LNG船装卸货风险DBN网络结构

1.1船舶因素

船舶因素是影响LNG船装卸货作业最基本的因素，因此对船舶因素加以考虑，对保证船舶装卸货安全而言至关重要。这里选取船况、船舶参数和LNG状态等3部分进行研究。

1.2环境因素

环境因素主要考虑自然环境、社会环境和交通条件等3个方面，其中：自然环境包括气象水文和突发性自然灾害；社会环境包括恐怖袭击和战争。

1.3船舶和岸基作业人员

鉴于人员因素影响的行为最终会通过船舶设备和设施等机器系统显示为人机行为，不再将船舶和岸基作业人员列为分析参数，以简化网络构造工作。

2 LNG船装卸货风险预测模型

2.1风险值

LNG船装卸货风险预测模型主要用来预测LNG船装卸货事故的发生概率，只有将其与事故的后果相结合才能得到风险的大小。根据当前的LNG船装卸货事故统计规律，按等级对事故后果进行赋值。由于所有情况的赋值方法相同，因此赋值的大小对预测结果的分级没有太大影响。

2.2风险因素耦合

风险系统与风险系统之间存在着非线性的相互作用，这种系统与系统之间的相互作用是事物存在的普遍范式，称之为耦合。[9-11]风险耦合是指系统中某个或某类风险的发生及其影响力依赖于其他风险的程度和影响其他风险发生及其影响力的程度。在LNG船装卸货风险系统中，装卸货风险是由船舶、LNG等因素与环境因素的不确定性相互耦合产生的。通过对LNG船装卸货风险进行分析得到,影响因素之间的关系是网络型的。

2.3风险预测的节点网络结构

LNG船装卸货风险影响因素具有单向无环的特性。因此，可引入贝叶斯网络进行定量化推理。

DBN是以静态贝叶斯网络(Bayesian Belief Networks，BBN)为基础，将原来的网络结构与时间信息相结合形成的具有处理时序数据能力的随机模型。由于时间因素的引入，系统状态在不同时序下形成的数据将反映所代表的变量的演化规律。若要分析这种动态数据，需建立相应状态转移的动态模型。当前时刻的物理要素变量状态受前一时刻自身状态的影响，满足马尔科夫过程中的时间状态转移关系。为表示这种关系，需在动态节点上添加时序关系有向弧段。一般通过以下方法确定贝叶斯网络结构。[8，12]

1) 通过对数据库进行学习，获取贝叶斯网络结构。

2) 根据专家知识，对建立的网络拓扑结构进行优化调整和验证。

结合事故统计和专家建议确定LNG船装卸货风险预测的BN(Bayesian Network)网络结构如图1所示，深色框表示该节点为动态因素，这些节点及其相互间的关系根据相关领域知识和装卸货风险的实际情况确定。

在确定LNG船装卸货风险预测BN网络结构的基础上，可结合转移网络获得装卸货风险预测DBN网络。动态贝叶斯网络结构不随时间改变，动态因素随时间发生状态转移。利用贝叶斯建模软件建模，所得DBN网络拓扑结构如图1所示，其中,带数字直线连接的部分为转移网络，线段中间的数字为转移模式。

2.4DBN模型中节点的参数

BN的变量节点分为以下2类：

1) A类节点，与其父节点之间存在逻辑“与”或逻辑“或”的关系，其条件概率可通过逻辑分析获得。

2) B类节点，其父节点综合作用导致该节点的发生，发生的可能性为[0,1]，其条件概率主要通过事故数据分析和专家问卷调查获得。

2.5DBN模型中的状态转移变量

状态转移变量根据相关领域知识指定或通过统计概率获得，并按照贝叶斯法则合成。即针对动态转移变量，根据同一时间片内的条件概率(由先验网络获得)和不同时间片上原始的转移概率,按照贝叶斯法则计算得到新的转移概率，这实质上是贝叶斯学习的一种形式，所得到的新转移概率在不同时间片上保持不变。

3 算 例

以卸货为例，对LNG船装卸货风险预测模型进行分析。首先利用静态贝叶斯网络(BN)对LNG船进行静止状态下的卸货风险预测;在此基础上,利用DBN对我国东部某港LNG船卸货风险进行预测。

3.1模型参数确定

为获取DBN预测模型网络节点的条件概率、先验概率和转移概率，对港口作业数据进行统计并进行问卷调查。对2014年我国东部某港LNG船的进出港情况进行统计，对LNG码头的卸货作业操作人员、管理人员和部分船长等(共100人)进行包括“LNG船卸货事故情况调研”和“LNG船岸工作人员问卷调查”等在内的调研，收回问卷89份，其中有效问卷85份。结合专家知识最终得到模型节点的先验概率、条件概率和转移概率。

1) 静态节点参数。以LNG船的船长节点为例，通过贝叶斯网络学习确立先验概率学习结果(100300 m:0.243 4)。

2) 转移变量。以风速(1～4级、5～6级、7～9级)为例，该节点的转移概率为

(1)

3) 动态节点参数。在LNG船卸货风险预测模型中，将19个物理变量定义为动态变量，包括LNG转移速率、LNG蒸发率、液货泵、交通流量、能见度、风速和流速等，不同变量的状态转移概率是不同的。

这里以LNG船舶进港过程中的转移(运动)速率为例，得到LNG转移速率状态转移曲线见图2。

3.2LNG船卸货静态风险预测

根据该卸货作业的具体船舶和环境条件，将相应风险因素的状态输入到BN预测模型中进行推理预测。根据风险计算方法，通过计算可得卸货风险值为

图2 LNG转移速率状态转移曲线

(2)

3.3LNG船卸货作业动态风险预测

由于静态贝叶斯网络只能预测某种静止状态下的卸货风险，不能预测整个卸货过程中不同状态的综合风险，因此有必要引入动态贝叶斯网络进行卸货作业的动态风险预测。结合DBN预测模型中的先验网络和转移网络确立时间片段下的状态风险，通过量化推理进行风险的动态分析和预测。[13]图3为卸货风险在10个时间片下的时序变化曲线。

图3 卸货风险在10个时间片下的时序变化曲线

处于卸货状态的船舶发生事故的概率相比其他船舶较低。整体来说,卸货作业是安全可靠的。从图3中可看出,在卸货过程中，中间段的风险波动性相对较大，表明卸货作业中间段的安全预防工作存在一定的不足。

3.4LNG船卸货风险动态预测实例

以一艘LNG船为研究对象，相关信息如下。

1) 船舶信息：船长345.3 m，宽53.8 m，吃水12 m，船龄4 a。

2) 载货信息：满载26.6万m3LNG。

3) 作业环境信息：能见度0.5～1.5 n mile，风力1～3级，阵风5级，最大流速2.5 kn，交通流密集，周围渔船较多。

对LNG船卸货作业进行分析。将时间长度设为10个时间片，由于该船在满载情况下的卸货作业大约需20 h，因此10个时间片代表20 h左右。

首先按给定条件对10个时间片的各变量节点的状态进行指定，然后结合动态变量的转移概率进行动态卸货风险的推理预测，得到该船卸货风险的时序变化曲线见图4。

图4 LNG船卸货风险的时序变化曲线

根据图4和数据分析可得出以下结论：

1) 整个卸货作业过程中小事故和大事故的波动性较大，一般事故和不发生事故的风险波动性较小，但在“4”“5”和“7”时间片上变化较大，反映卸货中间阶段风险性较大，与历史事故统计规律相吻合。

2) 虽然在LNG船卸货风险中各类事故的绝对值变化相对较小，但预测值在不同时间片上的相对变化较大,表明LNG船卸货风险处于小范围波动状态。不发生事故的波动幅度较小，在-2.1%～2.9%;而大事故的波动幅度较为显著，在-50%～46%，表明大事故具有偶发性。

3) 各时间片上的卸货风险值不同。在时间片“5”～“9”上都要大于或近于静态风险，风险值要比静态时预测的风险值5.28大。此外，在时间片“0”～“3”，风险值远小于静态值，充分表明在作业之初，各系统要素安全性高，随着时间的推移，安全性下降，风险上升。

4) 在卸货过程中的船舶发生事故的概率相比其他船舶较低。整体来说卸货作业是安全可靠的。但是，在卸货作业的中间段风险波动性相对较大，表明各因素相互作用情况不稳定。

4 结束语

1) 从人船系统与环境2个方面考虑风险因素的耦合形式，结合贝叶斯理论建立LNG船装卸货动态风险预测模型，对LNG船装卸货风险进行动态预测。结果与实际相符合，表明模型是合理有效的。

2) 针对LNG船装卸货风险因素的动态性特征，结合最终的风险预测图形可看出,风险在装卸货过程中是波动的。这反映出在装卸LNG过程中的一些时间段内，安全生产存在一定的问题，多因素之间相互作用会造成风险增加，需针对不同时间段的风险特征采取相应的安全措施，加强监管。

[1] VANEM E,ANTO P,ØSTVIK I,et al.Analyzing the Risk of LNG Carrier Operations [J].Reliability Engineering and System Safety,2008,93(9):1328-1344.

[3] MELANI AHDA,SILVA DWR,SOUZA GFM.Use of Bayesian Network to Support Risk-Based Analysis of LNG Carrier Loading Operation [C].Probabilistic Safety Assessment and Management PSAM,2014.

[4] 吴宛青,张彬.液化天然气船舶液货泄露风险评价研究[J].中国航海,2008,31(3):276-279.

[5] 李长山.液化天然气船装卸货中的安全问题[J].世界海运,2011,34(7):41-43.

[6] 崔春英,靳由顺,胡超.基于AHP-模糊综合评价的LNG接收站安全评价[J].安全、健康和环境,2014,14(4):47-50.

[7] LUO Y,WU T D,HWANG J N.Object-Based Analysis and Interpretation of Human Motion in Sports Video Sequences by Dynamic Bay Esian Networks[J].Computer Vision and Image Understanding,2003,92(2-3):196-216.

[8] 郭云龙，席永涛，胡甚平，等．基于动态贝叶斯网络的船舶溢油风险预测[J]． 中国安全科学学报，2013，23(11):53-59．

[9] 刘堂卿.空中交通管制安全风险耦合机理研究[D].武汉:武汉理工大学,2011.

[10] 金鑫.关于空管安全风险耦合理论的研究[J].中国电子商务,2012(19):71.

[11] 胡甚平，黄常海，邓华，等.基于马尔科夫链的船舶引航过程风险动态仿真[J].哈尔滨工程大学学报，doi:10.11990/jheu.201605025.

[12] 蒋国萍.软件项目风险管理的贝叶斯网络模型研究[D].长沙:国防科学技术大学,2005.

[13] 张敬磊,王晓原,马立云,等.基于动态贝叶斯网络的交通流状态辨识方法[J].北京理工大学学报,2014,34(1):45-49.

PredictionofLNGOperationRisktoLNGCarrierUsingDynamicBayesianNetwork

MAXianshan1，LIUYu2，FANGLei2,ZHUXianggui3

(1.Qingdao Ocean Shipping Mariners College,Qingdao 266071,China;2.Merchant Marine College,Shanghai Maritime University,Shanghai 201306,China;3.Taizhou Pilot Station,Taizhou 318000,China)

The LNG ship risks associated with the cargo handling process is analyzed.The LNG cargo handling characteristics and physical properties of both ship and environmental factors affecting cargo handling risks are investigated and the causes of danger and the coupling relationship between them are determined.The model for LNG carrier cargo operation risk prediction is constructed using static and dynamic Bayesian networks.The correctness and validity of the model is verified and used to predict the LNG cargo operation risks in harbor.Tests show that the prediction agrees with the situation of the historical accidents,proving that the prediction model can be useful for LNG carrier unloading process.

LNG carrier; dynamic Bayesian network; unloading process; risk prediction

U698;U674.13+3.3

A

2017-01-11

浙江省港航局科研项目计划项目(2016-6)

马先山(1967—),男，山东青岛人，教授,船长，主要研究方向为航海技术。E-mail:1055798847@qq.com

1000-4653(2017)02-0069-04