基于FTA-BN的危化品停车场槽罐车泄漏概率分析

2022-09-29王成龙田宏朱家鑫贾圣孔

辽宁化工 2022年9期

王成龙，田宏，朱家鑫，贾圣孔

（沈阳航空航天大学安全工程学院，辽宁沈阳 110136）

由于化工行业迅速发展，危险化学品需求不断增加，其运输规模不断扩大，并且以长距离的异地公路运输为主。为了减少事故的发生，加强运输车辆的安全管理，国内的化工园区、危化品仓储物流等企业开始建设专用的危化品停车场。

危化品停车场中驻留的槽罐车装载的危险化学品大多具有易燃、易爆或者毒害性，如果出现了泄漏的情况将伴随着极大的危险隐患，容易产生爆炸、火灾甚至是人员中毒事件，这也意味着将对停车场及周边人员的人身安全带来威胁，并可能会带来相关的财产损失、环境污染等。

许多学者对危化品物流风险进行了一些研究[1-3]，这些研究大多集中在对道路运输过程中的风险进行研究，且以定性研究为主，而对危化品停车场内部的风险研究得较少。本文针对危化品停车场内的槽罐车泄漏风险进行研究，借助于将事故树转化贝叶斯网络的方法对危化品停车场中的槽罐车泄漏事故进行研究，目的是确定停车场内槽罐车的泄漏概率，以便对危化品停车场的风险分析和风险管理提供科学依据。

1 影响槽罐车泄漏的主要影响因素

驻留在停车场上的危化品槽罐车大多数是处于静止状态，储罐的泄漏主要由储罐本体和管路系统两大问题导致。

造成槽罐车储罐泄漏的主要因素有两点，其一是部分储罐存在质量不合格的情况，其二是由于长时间的使用导致储罐本身的储存强度削弱，即造成了罐体疲劳。

储罐自身的质量不合格主要是由于设计制造的问题造成的，罐体疲劳主要是由于超装和超压这些违规因素造成的，其中环境温度过高以及安全附件失效是引起超压的主要因素。当管路系统出现泄漏的问题时，往往表现为管道破裂、阀门失效或是法兰无效密封[4]。

影响储罐泄漏的影响因素还包括人的因素。其中，如果操作人员没有按照规范的操作流程进行，或者是出现违规操作，可能会导致罐体出现泄漏。除此之外，在维护方面，维修人员对槽罐车设备故障检维修不及时，这些都可能导致事故的形成和发生[5]。

此外，安全检查制度的不健全以及不能严格贯彻执行也是导致储罐泄漏的影响因素之一。

基于以上分析，以危化品停车场槽罐车泄漏作为顶事件，建立的事故树如图1所示，事故树中符号所对应的事件如表1所示。

表1 危化品停车场槽罐车泄漏事故树的事件和编号

图1 危化品停车场槽罐车泄漏事故树

2 模糊贝叶斯网络以及槽罐车泄漏概率分析

影响槽罐车泄漏概率的影响因素很多，很多具有模糊性且难以量化，一般的数学方法难以处理。贝叶斯网络能够充分利用定性知识和定量数据以及本领域专家的经验和知识对影响槽罐车泄漏的影响因素进行推理分析，最终得到槽罐车的泄漏概率。使用贝叶斯网络对槽罐车泄漏概率分析主要包括以下3 个步骤：①基于槽罐车泄漏事故树利用GeNIe软件建立对应的贝叶斯网络模型；②基于三角模糊数根据专家经验和知识对根节点进行模糊化处理；③对模糊化的数据进行解模糊得到模糊可能性值并将模糊可能性值转化为模糊失效概率，最后通过GeNIe 软件将得到的模糊失效概率进行演算分析从而获取罐体泄漏的概率。

2.1 贝叶斯网络

从概念上来看，贝叶斯网络（BN）指的是通过有向无环图来表现出要素之间依赖关系的网络结构，这种网络结构主要由有向无环图（DAG）若干个条件概率表（CPT）组成，可以表示为：

其中，(X,M)是具有n个节点的 DAG；M是这些节点的有向边；其中的每一个节点都代表着一种随机变量，X ={X1,X2,…,Xn}则是随机变量的集合；DAG 的组成包括这些节点及实现这些节点连接的有向边；P 是每个节点上的 CPT，即代表着一组对应的条件概率。DAG 通过定性的角度描述了贝叶斯网络的整体结构，CPT 则是通过定量的角度描述了贝叶斯网络的参数，即在父节点的所有取值组合下，某一节点处于不同的安全性影响因素状态的条件概率，同时，根节点的先验概率值代表着处于不同状态的概率[6]。

BN 的联合概率分布式为：

式中：π(Xi)表示—Xi的父节点。

2.2 事故树向贝叶斯网络映射

通过事故树向贝叶斯网络映射的方式能够通过利用历史信息，从而降低建模难度。通过事故树模型来构造贝叶斯网络的过程主要包括两个板块：①首先明确贝叶斯网络有向无环图，需要将网络中的各个节点与事故树的各个时间分别对应，并通过有向边连结对应的节点;②明确条件概率参数，把事故树中的逻辑门转化为贝叶斯网络的节点条件概率分布，如图2所示，具体流程见图3。根据前面对于危化品停车场所建立事故树模型，利用上面做介绍的流程，利用GeNIe 软件建立危化品停车场槽罐车泄漏的贝叶斯网络模型如图4所示。

图2 FTA 向BN 的转化规则

图3 基于FTA 构造BN 流程

图4 危化品停车场槽罐车泄漏的贝叶斯网络模型

2.3 槽罐车泄漏概率的模糊解法

本文中在基于贝叶斯网络来对于槽罐车泄漏概率进行分析的过程中有一个重要前提就是根节点与中间节点的概率均需为单一且精确的数值。然而，在槽罐车泄漏事故中出现的影响因素较多，从而具有一定的多态性与不确定性，使用传统计量方法难以得到对于本事件概率的精确量化结果。因此，本文将进一步对于底事件的模糊性问题进行探究，由此引出三角模糊数求解的方式。

2.3.1 三角模糊数

三角模糊数记为 A=(a,b,c)，其隶属度函数为[7]：

任取λ=[0,1]，则Aλ={x ∈R,μA≥λ} =[AUλ,ALλ]，Aλ为A的λ-截集。

2.3.2 解模糊

通过解模糊的方式能够将各事件发生过程中的模糊可能值转换成精确值。根据LIOU[8]的积分值方法，可以通过λ-截集的运算处理模糊数，LIOU 的方法具有基础且可操作性，因此在本文中将采取此方法来进行处理，主要计算公式如下：

I表示模糊可能性的代表值；α∈[0,1]，代表乐观系数；α =0、α =1，分别对应解模糊数A得到的模糊化值的上、下界；α =0.5 时，为模糊数A解模糊化值的代表值；μR(A)、μL(A)分别代表模糊数左、右隶属函数反函数的积分值；mλ、nλ表示模糊数A的λ-截集的上下界，=0,0.1,0.2,…,1，，Δλ=0.1。

2.3.3 模糊失效概率

由于在计算过程中采用模糊数代替基本事件发生的概率使得发生概率的真实数据与事件发生的模糊可能性存在一定程度的差异，所以通过将模糊可能性向发生概率的转换工作可以有效解决这一状况[9]，ONISAWA[10]的研究可以有效完成这一转换工作，计算过程如下：

式中K为转化系数：

3 实例研究

目前，对于罐车的失效概率没有数据库可供利用，此外有些因素，尤其是管理因素也难以量化。因此，本文尝试通过专家评判的方法来评判图1中事故树中基本事件发生的概率。专家评判语言集共分为5 个等级，按顺序依次为“低”“低”，“中等”“较高”“高”，可利用三角模糊数对专家语句进行转化。发生概率语言描述对应的模糊数形式和λ-集见表2，其中，率语言描述对应的模糊H”表示“低、较低、中等、较高、高”。