基于故障树和贝叶斯网络的仓储类建筑火灾风险评估

林楠 王慧颖

摘要：以降低仓储类建筑火灾风险为目的，通过分析影响仓储类建筑火灾发生原因，分析顶层事件与基层事件之间自上而下的因果关系，建立故障树，并将其映射到贝叶斯网络中，通过计算得出事件发生的先验和后验概率，并将两者有效的联系起来。给出各事件发生的重要度指标有结构指标、概率指标和关键指标，分别进行定量分析指出仓储类建筑最有可能存在的风险。文章以2010—2020年十年期间仓储类建筑火灾发生案例为样本对本文提出的模型进行验证。检验结果：文章提出贝叶斯网络模型能够有效评估仓储类建筑风险等级并降低火灾事故发生。

关键词：仓储类建筑;风险评估;贝叶斯网络;故障树;重要度

中图分类号：TU714       文献标识码：A       文章编号：2096-1227（2022）02-0009-03

仓储类建筑的用处是存储各类物资[1]，其特点是由仓库的建筑结构、储存物资的形式、储存物资的数量以及仓库所处的地理环境所决定的，因物资存放较为密集且存储量大，较容易存在火灾隐患。

国内对建筑火灾风险评估研究起步较晚，近年来关于火灾风险评估的定量分析方法已有一些研究，但关于仓储类建筑火灾风险评估方法的研究很少。学者金玉祥[2]采用古斯塔夫法对仓储物流场所火灾风险进行综合评价，但此方法为一种半定量分析方法，火灾评估方法除此之外，例如故障树法（FTA）[3]、概率方法[4-5]、模糊评价法、贝叶斯网络法（BN）[6-7]以及加权朴素贝叶斯等方法都可以对火灾事故进行评估。李建宇[5]采用概率方法对中国古建筑火灾损失和中国1950—2006年火灾损失进行风险评估得出提高消防系统的安全标准。袁长峰等利用故障树方法建立了二次事故模型进行定量分析，找出了导致二次事故发生影响概率较大的因素和最有可能发生的途径。田玉敏等[8]将概率方法与模糊评价方法相结合对高层建筑火灾风险进行评估，提供火灾风险评价方法的一种新尝试。王蕾等[9]基于贝叶斯网络方法对火灾爆炸事故的发生概率进行监控和预测。岳宝强等[10]利用贝叶斯网络建立了综合考虑突发事件、承灾载体和应急管理等风险因素的贝叶斯网络结构，应用概率刻画风险因素信息的不确定性及其相互影响，定量分析事件后果。

本文分析仓储类建筑火灾发生原因及特点，采用故障树与贝叶斯网络结合方法定量分析仓储类火灾发生原因。在此基础上分析顶层事件与基层事件之间自上而下的因果关系，建立故障树，将其转化贝叶斯网络方法得出顶层事件发生的概率及基层事件的先验和后验概率，并将两者有效的联系起来。最后，利用该方法得出所有基层事件发生风险因素的重要度，为消防安全管理工作提供指导。

1  构造FTA

1.1  火災风险因素识别

顶层事件为仓储类建筑火灾风险，则影响仓储类建筑火灾风险发生的各项基层事件以及中间层事件，如表1所示。

代号及名称 基层事件代号 基层事件名称

E1：易燃易爆物存放不合理 X1 如木材、棉花等易燃物品存放不合理

X2 汽油罐等易爆物品存放不合理

X3 建筑材料耐火等级低

E2：引起火种 G1：电气引起的火种 X4 电气线路安装不符合规定

X5 电气线路存在老化、短路等情况

X6 违规操作设备

G2：游火引起的火种 X7 员工违规使用明火意外引燃物品

G3：高温天气引起火种 X8 通风差引发室内高温

1.2  建立FTA模型

FTA利用逻辑门自上而下地将顶层事件、中间层事件以及基层事件有效地连接起来，如图1所示。

2  火灾风险定量分析方法

2.1  FTA向BN转化

FTA向BN转化是将FTA中的事件（包括顶层事件、中间层事件、基层事件）与BN中节点进行对应，其转化流程图如图2所示。

2.2 模型检验

本文收集了2010—2020年十年间仓储类建筑火灾发生案例为样本，对本文提出的模型进行验证。

首先利用全概率公式P（A）计算得出各项基层事件的先验概率，如表2所示。再运用GeNIe2软件得出仓储类建筑火灾风险作为顶层事件发生的概率和影响它的中间层事件发生的概率，如表3所示。

计算得出，仓储类建筑火灾风险评估值为79.9%，说明对仓储类建筑火灾防范措施需要重点加强。利用BN模型的后向推演并计算仓储类建筑火灾发生时各项基层事件发生的后验概率，计算结果如表4所示。

由表4结果分析，影响顶层事件发生的重点事件，按照发生概率值大小排序为：p（X7）>p（X3）>p（X6）>p（X1）>p（X5）>p（X2）>p（X8）>p（X4）。

接下来对各项基层事件的重要度进行分析，可以更加客观地对仓储类建筑火灾风险实施防范措施起到有效的指导作用。通过BN模型得出各基层事件的重要度相关指标，如表5所示。

由表5中给出的数据可知，结构重要度越大，则其基层事件风险发生对等事件发生的影响越大。结论是易燃物品存放不合理，易爆物品存放不合理，以及建筑材料耐火等级低的结构重要度最大，因此前三项基层事件对仓储类建筑火灾风险的影响最大。

概率重要度越大，则对某项基层事件采取预防可以快速达到降低顶层事件发生的概率。所以，提高建筑材料耐火等级能够有效降低仓储类重大火灾风险发生的概率。

2.3  结果分析

从上述模型检验的计算结果可知，利用BN模型在基层事件的先验概率已知的前提下，可以计算得出顶层事件发生概率为79.9%，仓储类建筑火灾风险较高，需要重点采取防范措施;当顶层事件发生时，运用BN模型进行后向推理，得出基层事件员工违规使用明火意外引燃物品的后验概率最大为58%，说明仓储类建筑应对管理人员制定相关规定，禁止使用明火。

3  結语

文章以2010—2020年期间仓储类建筑火灾发生案例为样本，找出仓储类建筑发生火灾的最可能的因素，分析了仓储类建筑火灾特点及火灾风险因素，构建了故障树，并与BN模型结合，对仓储类建筑火灾风险进行了评估。FTA的构建给出了顶层事件和基层事件之间的因果关系，再将FTA转化为BN模型，利用BN得出顶层事件概率和各基层事件后验概率，并给出了各项基层事件重要度。

基于此方法可以加强仓储类建筑的火灾风险的预测，通过实施有效的预防措施，减少火灾事故发生，具有一定的实际意义。运用文章提出的方法分析和评价火灾风险时，需要准确地确定出各基层事件的先验概率，才能达到安全风险评估的真正目的，但如何才能准确给出各基层事件的先验概率，其确定方法则是接下来需要研究的内容。

参考文献：

[1]代凤华.仓储类建筑火灾的作战指挥研究[J].消防技术与产品信息，2018，31（03）：35-37.

[2]金玉祥.仓储物流场所火灾风险评估[J].消防科学与技术，2020，39（07）：1018-1020.

[3]袁长峰，张玉龙，呼义超，等.基于模糊动态故障树的油气储运火灾事故应急过程致因因素评价[J].大连海事大学学报，2021，47（01）：92-100.

[4]郝蕾.基于层次分析法的高层建筑施工现场火灾风险模糊评价[J].河北工业科技，2015，32（03）：224-229.

[5]李建宇.期望概率方法在火灾风险评估中的应用[J].武警学院学报，2009，25（12）：35-37.

[6]汪涛，廖彬超，马昕，等.基于贝叶斯网络的施工安全风险概率评估方法[J].土木工程学报，2010，43（S2）：384-391..

[7]童威，黄启萍.加权朴素贝叶斯算法在消防检测中的应用[J].西安工程大学学报，2019，33（01）：111-115.

[8]田玉敏，刘茂.高层建筑火灾风险的概率模糊综合评价方法[J].中国安全科学学报，2004（09）：103-107+4.

[9]王蕾，代养勇.基于蝴蝶结贝叶斯网络的高校实验室火灾爆炸事故的风险评估[J].实验室研究与探索，2021，40（04）：304-308.

[10]岳宝强，孙世军，杨立超，等.基于贝叶斯网络的危化品爆炸事故电力系统风险评估模型[J].中国安全生产科学技术，2021，17（01）：155-161.

Fire risk assessment of storage type

buildings based on fault trees and bayesian networks

Lin Nan1， Wang Huiying2

（1.Fire and Rescue Section of Jiaojiang District， Taizhou Zhejiang，Zhejiang  Taizhou  318000;2.China Fire and Rescue Academy，Beijing 102200）

Abstract：With the aim of reducing the risk of fire in storage buildings， the top-down causal relationship between top-level events and grassroots events is analyzed by analyzing the causes affecting the occurrence of fire in storage buildings， establishing a fault tree and mapping it to a Bayesian network， and calculating the prior and posterior probabilities of event occurrence and effectively linking the two. The importance indicators for the occurrence of each event are given as structural indicators， probability indicators and critical indicators， and the quantitative analysis is carried out to point out the most likely risks of storage type buildings respectively. The article validates the model proposed in this paper with a sample of cases of fire occurrence in storage type buildings during the decade of 2010-2020. The results of the test： the Bayesian network model proposed in the paper can effectively assess the risk level of storage buildings and reduce the occurrence of fire accidents.

Keywords：storage buildings; risk assessment;bayesian network; fault tree; importance