基于案例推理的化工园区应急资源需求预测

2020-06-30王自龙

火灾科学 2020年4期

王自龙，蒋勇

(中国科学技术大学火灾科学国家重点实验室，合肥，230026)

0 引言

化工园区的快速发展实现了化工企业之间资源和人才的优化配置[1],在带来巨大经济效益的同时也造成了很大的区域风险。化工企业的集中分布导致大量的危险物质集聚[2]，各企业内部复杂的生产工艺和生产设备[3]又提高了化工园区发生事故的风险。一旦化工园区内发生事故，会在整个区域内蔓延和发展，造成巨大的人员伤亡和财产损失。

为了有效地对化工园区事故进行应急处置，需要对化工园区事故的应急资源需求进行预测，以便应急决策人员对应急资源进行高效合理的调配。目前，国内外学者针对事故条件下的应急资源需求预测进行了大量的研究。Sheu[4]将应急救援过程划分为多个时间区间，通过不断更新累计死亡人数对地震发生后的应急资源需求进行实时的预测。Chakraborty等[5]通过对历史相似案例的检索和应急资源数量的手动调整来对火灾过程中消防员对消防物资的需求进行决策。Liu等[6]将案例推理应用于地震灾害下的应急资源需求预测，将通过最近相邻法检索得到的最相似案例的应急资源消耗作为当前灾害条件下的应急资源需求。Sun等[7]针对当前突发事故和历史突发事故的特征属性集合，提出了一种基于模糊粗糙集的应急资源需求预测方法。Liao等[8]通过整合案例推理、遗传算法、人工神经网络等技术实现了溢油事故的应急准备。这些研究大多是针对自然灾害条件下的静态应急资源需求预测，部分学者虽然对应急资源随时间的变化进行了研究却只考虑了单一因素对应急资源需求的影响。对于化工园区事故，其强度和范围会随着时间的发展不断发生变化，此时静态的应急资源预测和基于单一影响因素的动态资源预测就无法满足实际应急救援的需要。

基于以上分析，本文在前人研究的基础上提出了一种基于案例推理的应急资源动态响应需求预测方法。该方法利用机器学习的方法建立同类型化工园区事故中应急资源消耗与事故特征状态的关系，在事故发生时通过不断更新事故状态特征实时地对事故应急过程中的应急资源需求进行预测，为应急资源的快速合理配置提供依据。

1 基于案例推理的模型构建

针对化工园区的火灾、爆炸、泄漏等重大事故，由于其多主体、多因素、多尺度、多变量、多灾种的事故特征，很难建立起完善的量化模型对当前事故的应急资源需求进行预测。预测者通常根据自己的经验对当前事故的应急资源需求进行分析[9]，由于预测结果完全由专家的主观判断决定，极易出现预测结果不精确不合理的问题，从而影响到整个应急救援工作的展开。为此，急需建立一种规则化的应急资源需求预测模型来客观地进行应急资源需求决策，并提高应急资源需求决策的智能化和精度。

案例推理[10]是人工智能领域中一种重要的基于知识的问题求解和学习算法，它通过寻找与当前案例相似的历史案例，对相似案例进行重用和修正以得到问题的解决方案。在当前事故灾害信息不全面，物资需求数量不确定的情况下，案例推理通过化工园区历史事故中的应急资源供给情况来对当前事故的应急资源需求进行预测，其主要流程如图1所示。

图1 基于案例推理的应急资源需求预测过程

首先，应急决策人员通过收集化工园区的相关资料对当前的事故状态进行模糊判断。然后,整合专家判断得到的模糊信息并对其进行去模糊化以得到置信的模糊事故特征，将化工园区相关资料中得到的确切事故特征与专家判断得到的模糊事故特征整合得到数值化的事故特征。最后，将数值化的事故特征导入通过历史案例训练获得的最优神经网络模型中得到当前事故的应急资源需求最优值。为了使该应急资源需求预测方法能够适应化工园区不断改变的事故状态，应急资源的预测过程被划分为多个阶段，当前阶段的应急资源生效后，由专家对化工园区的事故状态进行判断，如果达到事故终止的要求，结束应急资源的预测和供应，并将当前事故特征和实际的应急资源需求写入历史案例数据库中。反之，继续进行专家的模糊判断，并将这一阶段的事故特征输入最优神经网络模型中进行新一轮的应急资源需求预测以适应化工园区事故的变化。

区别于常规的数学模型，案例推理方法可以很快地获取历史案例中隐含的难以规则化的经验知识，提高专家应急决策的效率，使得应急资源需求的决策有据可依。同时，案例推理方法的求解结果可以进行重复的利用，极大地提高了应急资源预测的灵活性和预测效率。通过对数据库技术的引入，案例推理系统还可以通过添加新案例来获取知识，提高预测结果的准确性[11]。

2 化工园区事故的案例描述

为了应用案例推理对化工园区的应急资源需求进行预测，首先需要对案例库中的历史案例和当前事故的特征进行描述。

2.1 历史事故案例描述

考虑到化工园区应急资源需求预测的特殊性，本文采用框架法[12]对化工园区事故的历史案例进行描述。框架法是一种有效的知识表达方法，每一个框架由一系列的标签组成，用以从多个角度描述一个主题，每个标签包含不同的属性。以框架法表示的化工园区事故案例为：

案例：：=<序号，事故名称，事故特征，应急资源需求，效果评价，有效性>；

事故属性：：=<属性1，属性2，属性3，…>；

应急资源需求：：=<物资1，物资2，物资3，…>；

效果评价：：=<描述，得分(0～5)>；

有效性：：=<应用时间，事故终止时间>。

其中，事故特征对化工园区事故的状态进行描述，包括事故类型，环境因素，灾害要素，事故严重程度，灾区人口密度，造成的经济损失以及伤亡人数等。应急资源需求属性对应急救援过程中需要的应急资源进行描述，包含应急资源的类型和应急资源数量等。通过对历史案例的描述，可以建立化工园区事故特征与应急资源需求的关系，当新的化工园区事故发生时快速地预测它的应急资源需求。

2.2 当前事故特征描述

(1)

其中i为专家名称，P,Q,R分别为专家给出的事故特征最小值，中值和最大值。对所有专家的模糊判断求和即可得到置信的事故特征模糊集。

(2)

然后采用区域中心方法(COA)对置信的事故特征模糊集进行去模糊化，该方法可以表示为：

(3)

通过对专家模糊决策的综合处理，可以减少由于个别专家的偏好判断造成的影响，获得更为准确的事故特征属性，从而对当前事故的应急资源需求进行准确的预测。

3 基于人工神经网络的案例适应

根据案例推理的4R循环模型[14]，在对化工园区应急资源需求进行预测过程中通常需要经过案例检索、重用、修正和保留四个阶段。现存的应急资源需求预测方法大多是根据当前事故的特征对案例库中的相似案例进行检索，对案例库中最相似案例的应急资源需求进行重用和修正来获取当前事故的解决方案。然而由于化工园区事故的多样性，通常无法找到一个与当前事故完全相似的案例，需要专家对相似案例的应急资源数量进行修正以适应当前事故的需求，不可避免地降低了决策效率并引入了由于专家偏好而产生的误差。为了克服案例检索、重用和修正过程带来的误差，本文通过使用人工神经网络将案例检索、重用和修正过程合并成案例适应的过程，以得到应急资源需求的最优预测结果，提高应急决策的效率。

3.1 人工神经网络

人工神经网络是一种由大量节点之间相互联接构成的运算模型[15]，能够获取输入输出数据之间复杂的非线性关系并将其以结构化的形式表达出来，可以被应用于模式识别[16]、回归问题[17]、预测模型[18]等不同的领域。本文采用多层感知器模型对人工神经网络进行训练，多层感知器模型是一个大规模并行分布的信息处理系统，已被成功应用于解决非线性问题。其由输入层(xij),具有链接权值的隐藏层(wij)和输出层(yi)构成[19]：

(4)

其中,xi,j——来自第j个神经元的输入值(输入层)；

wi,j——神经元i和神经元j的联接权重(隐藏层)；

θi——神经元i的偏差。

神经元的输出值通过应用激活函数进行计算，本文使用线性整流函数(ReLU)作为神经网络的激活函数：

f(x)=max(0,x)

(5)

本文采用自适应学习率的优化算法(Adam)对神经网络进行训练，Adam算法通过计算梯度的一阶矩估计和二阶矩估计来为不同的输入参数设计独立的自适应性学习率，提高了训练效率且避免了局部最优的问题。

3.2 模型训练

为了得到最优的应急资源预测模型，将案例库中的同类型历史案例导入神经网络中进行训练，其中，神经网络的输入值和输出值分别为历史事故的特征属性和该事故的应急资源需求。通过神经网络的引入，取消了案例检索这一过程，并将案例的重用和修正合并为基于神经网络的案例适应过程，极大地提高了应急决策的效率，避免了专家主观判断的影响。应急资源需求预测模型的训练过程如图2所示。

图2 基于人工神经网络的应急资源需求预测

其中，采用各种统计指标对训练得到的应急资源预测模型进行评价，包括平均绝对误差(MAE)、平均绝对百分比误差(MPAE)、平均均方根误差(rRMSE)和相关性系数(r),各自的定义如下：

(6)

(7)

(8)

(9)

其中，n——案例库中历史案例的数目；

根据前人的研究[20]，预测模型的精度由不同的rRMSE区间来进行评估,如表1所示。

表1 预测模型评估标准

通过对历史案例的案例适应建立基于人工神经网络的应急资源需求预测模型，可以综合大量的相关的知识，并根据事故特征的变化做出实时的响应，有助于应急救援工作的展开，且随着新案例的不断增加，预测模型可以通过进一步的学习不断提高预测精度，在应急资源需求预测问题上展现了极大的优越性。

4 应用实例

本文提出的应急资源预测过程既可以用于事故中化工园区的应急资源预测，又可以对未发生事故化工园区的应急资源储备提供指导。

以石化园区的储罐火灾事故为例对应急资源的需求进行预测。在事故未发生前构建储罐火灾应急资源需求预测案例库，通过专家对事故特征进行分析，挑选出最能反映事故特征的属性F={罐区储量，起火储量，火灾强度，影响面积，风速}，化工园区应急资源需求以消防泡沫，消防设备，医疗设备需求量为例。假设某石化园区储罐火灾案例库中包含历史案例63例，每个案例都包含各个历史事故的事故特征与应急资源需求信息，如表2所示。

表2 化工园区储罐火灾事故案例库

根据案例库中提供的信息对应急资源需求预测模型进行训练，其中57例案例用于应急资源预测模型的训练，6例案例用于预测模型性能的测试。为了保证人工神经网络对案例库中的历史案例进行案例适应，首先需要确定人工神经网络的结构。根据化工园区储罐火灾事故的事故特征和应急资源需求种类，可以确定要建立的神经网络输入层和输出层的神经元数目分别为5和3。隐藏层节点数通过经验公式(10)获得:

(10)

其中，m为隐藏层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的任意常数。由条件可知，隐藏层节点数在4～13之间。由于三层神经网络即可逼近任意非线性函数，隐藏层数取为1～3之间。最佳神经网络模型通过获取最小神经网络损失值的方式确定。其中：

(11)

对不同的神经网络结构进行训练并计算测试集的损失值，结果如表3所示。由测试结果可得最佳的神经网络模型结构为2个隐含层，每个隐含层包含13个隐藏节点，最优的神经网络结构如图3所示。

图3 应急资源需求预测神经网络

表3 不同网络结构的测试结果

根据测试所得最优神经网络结构对案例库中的训练集和测试集分别进行应急资源预测，所得结果如图4和图5所示。可以看出基于神经网络的应急资源预测模型在训练集中表现出了极高的准确性，对三种应急资源需求的预测误差在(-4,5)之间。测试集的应急资源预测结果与实际应急资源消耗相差不大，可以满足应急资源决策的需要。

图4 训练集中预测模型的绝对误差

图5 测试集中应急资源需求实际值和预测值的对比

对案例库中训练集和测试集的三种应急资源预测结果进行误差分析得到应急资源需求预测相对误差箱型图如图6所示，可以看出训练集和测试集的应急资源需求预测误差中位数都在0附近，训练集和测试集预测结果的相对误差集中分布在(-5%,5%)之间，基本可以实现对应急资源需求的精确预测。

图6 训练集和测试集的相对误差箱形图

使用与模型预测性能相关的参数对该预测模型的有效性进行验证，如表4所示，训练集和测试集的预测结果均有着较低的平均绝对误差和平均绝对百分比误差。训练集和测试集的相对均方根误差均小于0.1，根据表1所示预测模型评估标准，预测模型的精度为优秀。此外，该预测模型的预测结果和实际应急资源需求还有着很高的相关性系数。以上结果均表明所得应急资源需求预测模型符合实际应急资源决策的需要，可以用于实际化工园区事故中应急资源需求的预测中。