船舶溢油评估模型研究

2022-10-19董洁杜利明

舰船科学技术 2022年17期

董洁，杜利明

(沈阳建筑大学电气与控制工程学院，辽宁沈阳 110168)

0 引言

随着各国对海洋环境保护的重视程度不断提升，如何控制海洋污染源成为了各国共同关注的课题。海洋污染源主要包括船舶污染、倾倒污染、海底活动污染以及陆地来源污染，其中船舶溢油是产生船舶污染的重要因素。为减少船舶作业过程产生的污染事故，有必要建立起船舶溢油评估模型，对溢油事故风险进行预测和评估，及时采取有效控制措施降低污染损失。

1 船舶溢油风险评估

1.1 溢油动力过程

当船舶发生溢油事故之后，在风力、潮流、海浪、光照等因素的综合作用下，会产生一系列的物理化学变化，包括动力过程和非动力过程，船舶溢油行为示意图如图1 所示。

图1 船舶溢油行为示意图Fig.1 Schematic diagram of ship oil spill behavior

溢油动力过程主要包括4 种：一是扩散。油膜受到油品溢油方式和油品因素的影响发生自身扩散，对于缓慢溢油事故而言，油膜扩散速度较慢。而对于大规模溢油量而言，油膜扩散速度较快；二是迁移。当船舶溢油后的油膜自由扩散到一定程度之后，在环境因素作用下，油膜向垂直和水平方向迁移；三是分散。船舶油膜受外力作用打碎，因油膜直径较小，所以小分子油滴重新聚集成膜，悬浮在水体上，经历成球、分散、聚合的过程；四是沉积。油滴与水中的悬浮颗粒发生吸附作用，当油滴质量足够大时发生沉降。当海水中悬浮物浓度越高，油滴沉降现象越频繁。

溢油非动力过程。油膜受自身性质影响发生非动力变化，具体包括以下5 种变化：一是蒸发。油膜质量逐步衰减，溢油量减小，在温度和光照作用下，油膜中的组分发生光氧化反应，其生成物质对生态环境造成破坏；二是溶解。油品中烃类物质进入水体中逐步溶解，当溢油扩散程度较大，海水温度较高时，油品溶解速率也随之加快；三是乳化。油品中的石蜡、沥青会在海水中发生乳化反应，在油膜厚度、风速等因子的综合作用下，导致油品乳化程度存在一定差异。在船舶油品中，易乳化的油品包括润滑油和原油；四是生物降解。油品受到海水中生物的作用产生二氧化碳、水以及其他中间产物，不同石油的化学分子结构存在一定差异，使其降解速度有所不同。在清除溢油过程中，为加快清除速度，一般采用生物降解方式；五是光化学变化。油品吸收光子后激发分子活性，发生组分分解，产生强烈的化学反应活性，产生含氧自由基，发生持续性的氧化作用。

1.2 船舶溢油评估模型

为模拟船舶溢油后的动态变化情况，需建立溢油评估模型，掌握溢油面积、残油分布和油膜最终归宿，评估溢油应急反应和造成的损失。本文提出构建动力轨迹模型对船舶溢油的不同动力变化因素进行分析，主要包括以下3 种动态过程模型：

溢油扩散模型。采用Fat 模型构建船舶溢油扩散模型，综合考虑表面张力、重力、粘结力和惯性力的作用，假定在海面平静且无需考虑油品性质、海流、风力等因素的条件下，建立起油膜扩散连续运动方程：

式中：

为油膜厚度；

为油膜扩散速度；

为距离油膜中心的径向坐标。根据公式推演出惯性扩散、粘性扩展和表面张力扩展阶段的计算公式。

在主要溢油迁移模型和质点迁移模型中，溢油迁移模型采用水动力学进行建模，质点迁移模型采用潮流场数据和风场数据进行建模。当船舶发生溢油事故时，溢油轨迹受到潮流、风场的影响程度较大，油膜动态轨迹公式为：

式中：

为油膜质心位移量；

为溢油的时间段；

为潮流对溢油的作用；

为潮流退去时间；

为风力作用。

GNOME 是权威性灾害应急反应部门针对船舶溢油构建的评估模型，通过模拟洋流、风场、溢油量等因素，预测溢油漂移和扩散情况，在预设时间内明确溢油运行轨迹。在GNOME 模型中，采用欧拉流场进行模拟，充分考虑溢油时间等因素，对油滴的动态位移情况进行判断，掌握油滴运动可能影响的区域，构建溢油轨迹模型：

1.3 船舶溢油评估方法

船舶溢油因素涵盖多个方面，本文提出采用综合评价模型对不同层次因素进行分类，确定各项影响因素的优劣次序，制定完善的评价指标，对溢油危害程度进行评价。综合评价模型采用权重

，先分析单因素，再分析多因素的模糊综合评价结果。在初次评价中，对每个单因素建立起因素评价矩阵，利用层次分析法计算得出因素权重；在二次评价中，划分因素集合，确定重要因素的模糊子集，得出二次综合评价结果，之后再单值化处理模糊子集。因评价结果为模糊向量，无法用于被评价对象的排序，需进一步分析处理模糊向量，设定各等级标准值，确定评价集。最高等级变量为5，确定5 项影响因素，利用模糊合成法预测溢油的可能性。

1.4 船舶溢油评估指标

在船舶溢油评估指标选取中，要遵循以下原则：一是目的性原则，需根据溢油危害性程度有目的的选取评价指标；二是整体性原则，要围绕评价功能和评价目标，结合评价结果应用要求全面选取评价指标，确保指标之间形成统一的整体；三是层次性原则，需按照层次结构表述指标之间的相互关系和从属关系，形成系统层次结构，评价系统危害程度；四是相关性原则，保证各项评价指标具有一定关联性，但是不得出现重复性；五是实用性原则，要求溢油评价与科学技术发展水平相适应。

船舶溢油评估指标体系的构建既要考虑到溢油本身因素，又要考虑到溢油周围环境变化，具体包括以下因素：溢油海域范围内风力、潮流、海水温度、能见度因素；海水污染情况；溢油点位置；船舶溢油事故统计，掌握与事故相关的因素，分析溢油危害规律；采用专家调查法对船舶溢油事故进行经验性分析。综合考虑上述因素，本文提出建立一个多级评估指标体系，具体指标体系构成如图2 所示。

图2 船舶溢油评估指标体系构成图Fig.2 Composition of ship oil spill assessment index system

在构建船舶溢油评估指标之后，确定各指标之间的隶属关系，运用隶属函数描述模糊分布状态，实现对转换过程的评价。在综合评判过程中，利用隶属度模糊子集实现函数功能，将其视为转换器，由决策人员按照一定方法评估指标，建立起多种因素危险度评估模型，用不同等级评估单个因素的优劣程度，用于划分各项指标的模糊边界。隶属度模糊子集表包括：子集1 为水文气象情况，分析风、能见度、波浪和海水温度对溢油的影响；子集2 为海水污染情况，分析油的粘度、溶解度、毒性、持久和溢油量对溢油的影响；子集3 为清污情况，分析溢油清污设备、通信设备、清污队伍、溢油反应应急能力对溢油的影响；子集4 为溢油地点，分析离岸距离、地区类别、沿岸地貌对溢油的影响。在确定子集后，采用层次分析法建立各因素判断矩阵，借助专家调查法对因素进行两两比较，判断矩阵中的元素重要性数值，确定对应的特征向量，得出各因素权重

值。在确定权重值后进行一致性检验，保证各项指标权重计算的准确性。

2 船舶溢油评估模型仿真实验

2.1 仿真实验条件

仿真实验算法。采用Matlab 仿真平台对船舶溢油评估模型进行训练，引入BP 神经网络，运用newff 函数建立BP 网络模型，net 表示生成的BP 网络对象，PR 表示输入矢量中最小值与最大值范围，

表示神经网络数目，各层神经元采集传输函数。在newff 中采用双曲正切s 形函数创建BP 网络，输出线形函数，采用误差反向传播算法调节网络权值和阈值，降低网络误差。BP 学习算法能够避免训练陷入僵局，但是与此同时神经算法还具备收敛速度慢、误差梯度可降至为0 的缺陷。在初始化的训练网络前，用命令init 完成偏置操作，接收网络对象后反馈，初始化函数为：

net 用于表示经过初始化后的函数，已经完成数据修正，权重和阈值发生变化。在神经网络工具箱内，设置训练操作，包括epochs 表示训练部署，show 表示显示间隔步数，goal 表示训练目标误差，time 表示训练允许时间，min-grad 表示最小允许梯度值。训练后，输出网络函数，用

表示：

仿真实验参数设计。在船舶溢油评估模型仿真中，选取5 个参数，具体包括：油种变量，变量值为原油；溢油量变量，变量值为1 t，10 t，50 t，100 t；溢油点变量，变量值共3 个序列，（121°52.57，’31°14.74′），（1 2 1°5 1.3 1′，3 1°1 7.4 7′），（1 2 1°5 1.2 7′，31°11.45′）；潮位变量，变量值为高潮、中潮、低潮；风力变量，变量值为3 级、5 级、6 级、8 级；风向变量，变量值为东、南、西、北。

2.2 仿真实验结果

船舶溢油损失评估。在船舶溢油评估中，利用Sigmoid 函数控制训练时间、训练规模和训练复杂程度，BP 网络结果为3 层，具体包括：隐含层，利用常用的经验公式计算出隐含层神经元数量，共12 个；输入层，分析影响船舶溢油的因素；输出层，将船舶溢油损失评估作为输出层。基于BP 神经网络的船舶溢油评估模型训练结果如图3 所示。

图3 基于BP 神经网络的船舶溢油评估模型训练结果Fig.3 Training results of ship oil spill assessment model based on BP neural network

将权值、阈值代入到BP 网络中，仿真输出目标值，船舶溢油评估模型的目标值拟合曲线图如图4 所示。

图4 船舶溢油评估模型的目标值拟合曲线图Fig.4 Fitting curve of target value of ship oil spill assessment model

在仿真软件中，利用train 函数训练BP 网络，其收敛速度较慢，为弥补这一缺点，采用自适应学习率梯度递减法改进算法，该算法需200 次迭代，满足训练收敛型的要求，基于Train 函数的船舶溢油评估模型训练结果如图5 所示。根据训练结果表明，船舶溢油评估损失的实际值与评估值最大误差为2.9%，表明评估模型具有一定有效性。

图5 基于Train 函数的船舶溢油评估模型训练结果Fig.5 Training results of ship oil spill assessment model based on train function

溢油面积影响评估。在仿真实验中，船舶溢油行为产生的溢油量与油膜面积存在正相关性，随着溢油量的增大，油膜面积也会随之增大；当风力增加的情况下，油膜面积也会产生变化，需要进一步研究风力与油膜面积的关系。在不同风险作用下，油膜面积存在一定差异性，这种差异性呈无规律变化，究其根本原因在于溢油点的地理位置不同，产生的溢油面积也会不同。