CN106980902A - 液化气储罐事故预测系统及方法 - Google Patents
液化气储罐事故预测系统及方法 Download PDFInfo
- Publication number
- CN106980902A CN106980902A CN201710217770.5A CN201710217770A CN106980902A CN 106980902 A CN106980902 A CN 106980902A CN 201710217770 A CN201710217770 A CN 201710217770A CN 106980902 A CN106980902 A CN 106980902A
- Authority
- CN
- China
- Prior art keywords
- liquefied gas
- gas storage
- node
- accident
- status information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种液化气储罐事故预测系统,包括:信息采集系统,数据处理系统、数据处理系统和输出系统,所述数据处理系统的建立基于贝叶斯网络的数据分析方法;本发明还可公开了一种液化气储罐事故预测方法,将液化气储罐的实时状态信息传输至数据处理系统后,经由数据处理系统进行基于贝叶斯网络的数据分析,适应状态信息的动态变化,计算出各事故类型发生的概率,将可能出现的事故类型输出,实现动态事故实时预测。通过建立动态的事故预测系统,避免液化气储罐状态信息改变时,不能实时反映危险源的状态而造成安全事故。
Description
技术领域
本发明涉及危险识别领域,更具体地,涉及一种液化气储罐事故预测系统及方法。
背景技术
风险评价是化工过程预防和危害转移的重要手段,并逐渐形成了如定量分析评价(QRA)、概率安全评价(PSA)等多种风险评价手段,危险识别是风险评价的首要步骤。危险识别是危险频率分析和结果分析的前提。经过多年发展,形成了多种危险识别方法如HAZOP分析法(Hazard and Operabi l ity Analys is,危险与可操作性分析)、故障树分析法等,这些方法被广泛应用于工业。然而危险源在不同的状态下其危险程度不同,现行的危险识别方法,如重大危险源辨识、HAZOP分析方法等均为静态特性。当状态信息改变时,不能实时反应危险源的状态,这将导致不准确甚至错误的结果。特别是当运行参数连续变化时,这个缺点将被放大。因此,需要建立动态的危险识别方法以适应事故风险的不断改变。
发明内容
基于此,本发明在于克服现有技术无法动态识别风险的缺陷,提供一种液化气储罐事故预测系统及方法,能适应各参数的动态变化,实时识别风险。
其技术方案如下:
一种液化气储罐事故预测系统,包括
信息采集系统,采集液化气储罐的实时状态信息;
数据处理系统,与信息采集系统连接,对实时状态信息进行分析;所述数据处理系统的建立基于贝叶斯网络的数据分析方法;
输出系统,与数据处理系统连接,将可能出现的事故类型输出,实现动态事故实时预测。
本技术方案将液化气储罐的实时状态信息传输至数据处理系统后,经由数据处理系统进行基于贝叶斯网络的数据分析,适应状态信息的动态变化,计算出各事故类型发生的概率,将可能出现的事故类型输出,实现动态事故实时预测。通过建立动态的事故预测系统,避免液化气储罐状态信息改变时,不能实时反映危险源的状态而造成安全事故。
在其中一个实施例中,所述基于贝叶斯网络的数据分析方法包括以下步骤:
1)、建立液化气储罐事故演化过程;
2)、建立液化气储罐事故演化贝叶斯网络;
3)、贝叶斯网络初始化。
在其中一个实施例中,所述液化气储罐事故演化过程包括建立各状态信息之间的多分支演化过程。
在其中一个实施例中,所述液化气储罐的状态信息包括状态参数、破裂方式、泄漏类型和事故类型。因此,所述液化气储罐事故演化过程即为状态参数、破裂方式、泄漏类型和事故类型之间的多分支演化过程。
在其中一个实施例中,所述液化气储罐事故演化贝叶斯网络包括将液化气储罐事故演化过程离散成关键节点,并根据演化过程建立各关键节点之间的因果关系。因此,数据处理系统将关键节点的需求信息反馈至信息采集系统,所述信息采集系统根据数据处理系统的需求采集状态信息,所采集到的状态信息即为贝叶斯网络中的关键节点的状态,各关键节点均由状态信息离散而成。
在其中一个实施例中,所述关键节点根据其在贝叶斯网络中的位置分为根节点、子节点和叶节点,根据其在贝叶斯网络中的作用分为证据节点、中间节点和查询节点;所述证据节点为根节点,只能通过信息采集系统观察或测量得到实时状态参数,所述查询节点为最终的事故类型输出,所述中间节点是连接证据节点和查询节点的过渡节点;所述证据节点只能是根节点,查询节点为子节点或叶节点,中间节点为根节点或子节点。本技术方案中的查询节点则是本技术方案的预测的事故类型。
在其中一个实施例中,所述根节点的状态信息为状态参数,包括材料性能、运行参数、填充状态、泄漏位置、点火方式以及液化气储罐内的介质的介质性质以及液化气储罐内液体所含能量。由于状态参数为根节点的状态信息,因此,状态参数均只能通过信息采集系统采集,而无法通过分析得出。
在其中一个实施例中,所述子节点和/或叶节点的状态信息包括破裂方式、泄漏类型和事故类型。所述子节点和叶节点的状态信息则通过贝叶斯网络分析计算根节点的状态信息可推理得出。
在其中一个实施例中,所述贝叶斯网络初始化包括通过案例学习或专家知识,形成根节点的先验概率,以及子节点和叶节点的条件概率。所述先验概率是指:设B1,B2,...Bn是样本空间为Ω中的事件,若Bi发生的概率P(Bi)可根据已有的数据的分析或者根据专家知识即先验知识估计得到,则称P(Bi)为先验概率。所述条件概率是指令A、B表示两事件,且P(A)≠0,给定事件A发生的条件下事件B发生的条件概率为:所述先验概率和条件概率均可通过已有的数据分析或根据专家知识估计得到。
本技术方案还提供一种液化气储罐事故预测方法,所述液化气储罐事故预测方法基于如上所述任一项实施例所述的液化气储罐事故预测系统,所述液化气储罐事故预测方法包括如下步骤:
1)、信息采集系统接收数据处理系统反馈的关键节点的需求信息,实时收集液化气储罐的状态信息,将状态信息存储记录至数据库中,并将所需信息发送至数据处理系统;所述数据库中存储记录的状态信息,可作为其他数据分析方法初始化的依据。
2)、数据处理系统将各关键节点的状态信息实时输入至初始化后的贝叶斯网络,当信息采集系统收集到的影响液化气储罐事故演化的状态信息发生变化时,将数据处理系统中对应的关键节点的初始化状态值或信息采集系统较早采集的状态信息更改为当前信息采集系统提供的实时状态信息,利用贝叶斯定理计算各关键节点的不同状态所对应的概率并更新;
3)、输出系统将可能出现的事故类型输出,且附有各事故类型的发生概率,实现事故的动态实时预测。
本发明的有益效果在于:
本技术方案将液化气储罐的实时状态信息传输至数据处理系统后,经由数据处理系统进行基于贝叶斯网络的数据分析,适应状态信息的动态变化,计算出各事故类型发生的概率,将可能出现的事故类型输出,实现动态事故实时预测。通过建立动态的事故预测系统,避免液化气储罐状态信息改变时,不能实时反映危险源的状态而造成安全事故。
所述数据库中存储记录的状态信息,可作为其他数据分析方法初始化的依据。
附图说明
图1为本发明的液化气储罐事故预测系统示意图;
图2为本发明的液化气储罐事故演化过程示意图;
图3为本发明的液化气储罐事故演化贝叶斯网络;
图4为本发明的液化气储罐事故演化贝叶斯网络的初始化;
图5为本发明的液化气储罐事故演化贝叶斯网络实时预测情景1;
图6为本发明的液化气储罐事故演化贝叶斯网络实时预测情景2。
附图标记说明:
10、信息采集系统;20、数据处理系统;30、输出系统。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步的详细说明。应当理解的是,此处所描述的具体实施方式仅用以解释本发明,并不限定本发明的保护范围。
如图1所示的一种液化气储罐事故预测系统,包括
信息采集系统10,采集液化气储罐的实时状态信息;
数据处理系统20,与信息采集系统10连接,对实时状态信息进行分析;所述数据处理系统20的建立基于贝叶斯网络的数据分析方法;
输出系统30,与数据处理系统10连接,将可能出现的事故类型输出,实现动态事故实时预测。
本实施方式将液化气储罐的实时状态信息传输至数据处理系统10后,经由数据处理系统20进行基于贝叶斯网络的数据分析,适应状态信息的动态变化,计算出各事故类型发生的概率,将可能出现的事故类型输出,实现动态事故实时预测。通过建立动态的事故预测系统,避免液化气储罐状态信息改变时,不能实时反映危险源的状态而造成安全事故。
进一步地,所述基于贝叶斯网络的数据分析方法包括以下步骤:
1)、建立液化气储罐事故演化过程;
2)、建立液化气储罐事故演化贝叶斯网络;
3)、贝叶斯网络初始化。
进一步地,所述液化气储罐事故演化过程包括建立各状态信息之间的多分支演化过程。
进一步地,所述液化气储罐的状态信息包括状态参数、破裂方式、泄漏类型和事故类型。因此,所述液化气储罐事故演化过程即为状态参数、破裂方式、泄漏类型和事故类型之间的多分支演化过程。所述事故类型即火灾、爆炸或中毒。具体地,所述破裂方式也可称为液化气储罐的完整性指标。
进一步地,所述状态参数包括液化气储罐的材料性能、运行参数、填充状态、泄漏位置、点火方式以及液化气储罐内介质的介质性质以及液化气储罐内液体所含能量;所述液化气储罐内液体所含能量也可称为足够能量指标;所述运行参数包括压力和温度;所述介质性质包括介质的可燃性和介质的化学物质毒性。
具体地,液化气储罐各状态信息的相关状态类型如表1所示。
表1 液化气储罐各状态信息的相关状态类型
如图2所示,液化气储罐事故演化过程如下:
1)、液化气储罐材料性能下降、压力升高和/或温度升高时,液化气储罐可能会出现的破裂方式为:灾难性破坏、有限程度破坏和没有明显破坏;所述灾难性破坏包括液化气储罐断裂,所述有限程度破坏包括裂纹、孔洞等;
2)、当液化气储罐出现灾难性破坏时,液化气储罐内的液体部分瞬间气化,部分形成液池,引起沸腾液体蒸气云爆炸;如果介质为可燃物,则同时发生火球;如果介质有毒,释放的有毒介质将会引起中毒事故;
3)、所述液化气储罐包括气相空间和液相空间,当液化气储罐出现有限程度破坏时,如果液化气储罐的填充状态为高填充,泄漏位置位于液相空间的壁面,泄漏的液体会使液化气储罐压力迅速降低,液体迅速气化,发生沸腾液体蒸气云爆炸;如果介质为可燃物,同时发生火球;如果介质有毒,释放的有毒介质将会引起中毒事故;
4)、当液化气储罐出现有限程度破坏时,如果液化气储罐的填充状态为低填充,泄漏位置位于液化气储罐的气相空间的壁面,且泄漏孔面积与液面面积之比,亦即孔洞有效面积比小于0.01,则泄漏孔为有限孔或小孔,发生连续性的气体泄漏;如果介质为可燃物,当被立即点燃时,则发生喷射火,被延迟点燃会发生蒸气云爆炸;如果介质有毒,释放的有毒介质将会引起中毒事故;
5)、当液化气储罐出现有限程度破坏时,如果液化气储罐的填充状态为低填充,泄漏位置位于液化气储罐的气相空间的壁面,且泄漏孔面积与液面面积之比大于0.01,液化气储罐内的液体瞬时泄漏,迅速气化,发生沸腾液体蒸气云爆炸;如果介质为可燃物,同时会发生火球;如果介质有毒,释放的有毒介质将会引起中毒事故;
6)、当液化气储罐出现有限程度破坏时,如果液化气储罐的填充状态为低填充,泄漏位置位于液化气储罐的液相空间的壁面,且液化气储罐内过热液体所含的能量大于等于液体蒸发所需要的能量,则泄漏的液体会立即气化,发生连续的气体泄漏,如果介质为可燃物,被立即点燃则会发生喷射火,被延迟点燃会发生蒸气云爆炸;如果介质有毒,释放的有毒介质将会引起中毒事故;
7)、当液化气储罐出现有限程度破坏时,如果液化气储罐的填充状态为低填充,泄漏位置位于液化气储罐的液相空间的壁面,且液化气储罐内过热液体所含的能量小于液体蒸发所需要的能量,则泄漏处的液体部分气化即部分闪蒸,部分形成液池,发生气液两相连续泄漏;例如以液体形式积聚在地面;如果介质为可燃物,被立即点燃则会发生喷射火和池火灾,被延迟点燃会发生蒸气云爆炸和池火灾;如果介质有毒,释放的有毒介质将会引起中毒事故。
进一步地,所述液化气储罐事故演化贝叶斯网络包括将液化气储罐事故演化过程离散成关键节点,并根据演化过程建立各关键节点之间的因果关系。因此,数据处理系统将关键节点的需求信息反馈至信息采集系统,所述信息采集系统根据数据处理系统的需求采集状态信息,所采集到的状态信息即为贝叶斯网络中的关键节点的状态,各关键节点均由状态信息离散而成。
进一步地,所述关键节点根据其在贝叶斯网络中的位置分为根节点、子节点和叶节点,根据其在贝叶斯网络中的作用分为证据节点、中间节点和查询节点;所述证据节点为根节点,只能通过信息采集系统观察或测量得到实时状态参数,所述查询节点为最终的事故类型输出,所述中间节点是连接证据节点和查询节点的过渡节点;所述证据节点只能是根节点,查询节点为子节点或叶节点,中间节点为根节点或子节点。本技术方案中的查询节点则是本技术方案的预测的事故类型。另,还可根据具有因果关系的相邻层级的节点之间成立父节点和子节点的关系,具体地,相对于当前的节点而言,当前节点的上层节点为该当前节点的父节点,同时,该当前节点为该父节点的子节点;即所述父节点是相对于子节点而言。
进一步地,所述根节点的状态信息为状态参数,包括材料性能、运行参数、填充状态、泄漏位置、点火方式以及液化气储罐内的介质的介质性质以及液化气储罐内液体所含能量。由于状态参数为根节点的状态信息,因此,状态参数均只能通过信息采集系统采集,而无法通过分析得出。
进一步地,所述子节点和/或叶节点的状态信息包括破裂方式、泄漏类型和事故类型。所述子节点和叶节点的状态信息则通过贝叶斯网络分析计算根节点的状态信息可推理得出。
具体地,根据液化气储罐事故演化过程共得到14个关键节点,所述液化气储罐事故演化贝叶斯网络中各关键节点和各关键节点的关系如表2所示。信息采集系统采集14个关键节点的状态信息。表2中采用父节点和子节点的关系来说明各关键节点之间的因果关系。
表2 液化气储罐事故演化贝叶斯网络中各关键节点之间的关系
如图3所示,根据液化气储罐事故演化过程将有因果关系的关节节点用带箭头的连线连接,其中箭头从代表原因的关键节点指向代表结果的关键节点,建立的液化气储罐事故演化贝叶斯网络。
进一步地,所述贝叶斯网络初始化包括通过案例学习或专家知识,形成根节点的先验概率,以及子节点和叶节点的条件概率。所述先验概率是指:设B1,B2,...Bn是样本空间为Ω中的事件,若Bi发生的概率P(Bi)可根据已有的数据的分析或者根据专家知识即先验知识估计得到,则称P(Bi)为先验概率。所述条件概率是指令A、B表示两事件,且P(A)≠0,给定事件A发生的条件下事件B发生的条件概率为:所述先验概率和条件概率均可通过已有的数据分析或根据专家知识估计得到。
如图4所示,本实施方式通过统计数据分析确定了根节点各个状态的概率,通过专家知识确定了子节点的条件概率,实现贝叶斯网络初始化。
本实施方式还提供一种液化气储罐事故预测方法,所述液化气储罐事故预测方法基于如上所述任一项实施例所述的液化气储罐事故预测系统,所述液化气储罐事故预测方法包括如下步骤:
1)、信息采集系统接收数据处理系统反馈的关键节点的需求信息,实时收集液化气储罐的状态信息,将状态信息存储记录至数据库中,并发送至数据处理系统;所述数据库中存储记录的状态信息,可作为其他数据分析方法初始化的依据。
2)、数据处理系统将各关键节点的状态信息实时输入至初始化后的贝叶斯网络,当信息采集系统收集到的影响液化气储罐事故演化的状态信息发生变化时,将数据处理系统中对应的关键节点的初始化状态值或信息采集系统较早采集的状态信息更改为当前信息采集系统提供的实时状态信息,利用贝叶斯定理计算各关键节点的不同状态所对应的概率并更新;
3)、输出系统将可能出现的事故类型输出,且附有各事故类型的发生概率,实现事故的动态实时预测。
具体地,如图5和图6所示,信息采集系统将关键节点的实时状态信息输入至初始化后的贝叶斯网络,如当信息采集系统采集到的数据表明液化气储罐内的压力超过正常值时,材料性能较弱,其他关键节点的状态没有变化,将此信息传递到数据处理系统,此时贝叶斯网络的关键节点中,“压力”的状态为“高”,“材料性能”的状态为“低”,其他关键节点状态不变,根据贝叶斯定理即可得出其他各关键节点的状态概率如图5所示,由图可以直观地得到发生中毒事故的概率为0.8,发生沸腾液体蒸气云爆炸的概率为0.440836;如果在此基础上,获得的状态信息表明液化气储罐的“填充状态”为“低”,则事故场景及概率如图6所示,此时发生中毒事故的概率为0.8,发生沸腾液体蒸气云爆炸的概率为0.398656。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种液化气储罐事故预测系统,其特征在于,包括:
信息采集系统,采集液化气储罐的实时状态信息;
数据处理系统,与信息采集系统连接,对实时状态信息进行分析;所述数据处理系统的建立基于贝叶斯网络的数据分析方法;
输出系统,与数据处理系统连接,将可能出现的事故类型输出,实现动态事故实时预测。
2.根据权利要求1所述的液化气储罐事故预测系统,其特征在于,所述基于贝叶斯网络的数据分析方法包括以下步骤:
1)、建立液化气储罐事故演化过程;
2)、建立液化气储罐事故演化贝叶斯网络;
3)、贝叶斯网络初始化。
3.根据权利要求2所述的液化气储罐事故预测系统,所述液化气储罐事故演化过程包括建立各状态信息之间的多分支演化过程。
4.根据权利要求3所述的液化气储罐事故预测系统,其特征在于,所述液化气储罐的状态信息包括状态参数、破裂方式、泄漏类型和事故类型。
5.根据权利要求2所述的液化气储罐事故预测系统,其特征在于,所述液化气储罐事故演化贝叶斯网络包括将液化气储罐事故演化过程离散成关键节点,并根据演化过程建立各关键节点之间的因果关系;数据处理系统将关键节点的需求信息反馈至信息采集系统。
6.根据权利要求5所述的液化气储罐事故预测系统,其特征在于,所述关键节点根据其在贝叶斯网络中的位置分为根节点、子节点和叶节点,根据其在贝叶斯网络中的作用分为证据节点、中间节点和查询节点;所述证据节点为根节点,只能通过信息采集系统观察或测量得到实时状态参数,所述查询节点为最终的事故类型输出,所述中间节点是连接证据节点和查询节点的过渡节点;所述证据节点只能是根节点,查询节点为子节点或叶节点,中间节点为根节点或子节点。
7.根据权利要求6所述的液化气储罐事故预测系统,其特征在于,所述根节点的状态信息为状态参数,包括材料性能、运行参数、填充状态、泄漏位置、点火方式以及液化气储罐内介质的介质性质以及液化气储罐内液体所含能量。
8.根据权利要求6所述的液化气储罐事故预测系统,其特征在于,所述子节点和/或叶节点的状态信息包括破裂方式、泄漏类型和事故类型。
9.根据权利要求6-8任一项所述的液化气储罐事故预测系统,其特征在于,所述贝叶斯网络初始化包括通过案例学习或专家知识,形成根节点的先验概率,以及子节点和叶节点的条件概率。
10.一种液化气储罐事故预测方法,其特征在于,所述液化气储罐事故预测方法基于如权利要求5-9任一项所述的液化气储罐事故预测系统,所述液化气储罐事故预测方法包括如下步骤:
1)、信息采集系统接收数据处理系统反馈的关键节点的需求信息,实时收集液化气储罐的状态信息,将状态信息存储记录至数据库中,并将所需信息发送至数据处理系统;
2)、数据处理系统将各关键节点的状态信息实时输入至初始化后的贝叶斯网络,将关键节点的初始化状态值或信息采集系统较早采集的状态信息更改为当前信息采集系统提供的实时状态信息,利用贝叶斯定理计算各关键节点的不同状态所对应的概率并更新;
3)、输出系统将可能出现的事故类型输出,实现事故的动态实时预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710217770.5A CN106980902A (zh) | 2017-04-05 | 2017-04-05 | 液化气储罐事故预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710217770.5A CN106980902A (zh) | 2017-04-05 | 2017-04-05 | 液化气储罐事故预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106980902A true CN106980902A (zh) | 2017-07-25 |
Family
ID=59345536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710217770.5A Pending CN106980902A (zh) | 2017-04-05 | 2017-04-05 | 液化气储罐事故预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106980902A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531729A (zh) * | 2019-10-15 | 2019-12-03 | 南京科思倍信息科技有限公司 | 一种基于大数据的储罐作业风险智能识别与操作方法 |
CN111523759A (zh) * | 2020-03-18 | 2020-08-11 | 北京理工大学 | 燃气管道动态风险评估方法及装置 |
CN111695752A (zh) * | 2019-03-15 | 2020-09-22 | 中国石油化工股份有限公司 | 基于结构化事故数据库的过程安全数据挖掘与事故预警方法 |
CN112508124A (zh) * | 2020-12-22 | 2021-03-16 | 三峡大学 | 一种基于贝叶斯网络的砂砾土地震液化判别方法 |
CN113536654A (zh) * | 2021-04-06 | 2021-10-22 | 南京工业大学 | 一种常压储罐区多米诺事故动态预测方法、系统及装置 |
CN116739345A (zh) * | 2023-06-08 | 2023-09-12 | 南京工业大学 | 一种危化品道路运输事故发生可能性实时评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905560A (zh) * | 2014-04-11 | 2014-07-02 | 南京理工大学 | 基于复杂网络的油罐区火蔓延预测与分析方法 |
CN104406808A (zh) * | 2014-11-17 | 2015-03-11 | 山东科技大学 | 一种瓦斯参数测定仪煤样采集罐 |
CN105629856A (zh) * | 2016-03-16 | 2016-06-01 | 柳州铁道职业技术学院 | 家庭煤气罐人性化智能控制系统及其控制方法 |
CN106287225A (zh) * | 2015-06-02 | 2017-01-04 | 齐鲁工业大学 | 一种燃气在线监测预警系统及其检测控制方法 |
-
2017
- 2017-04-05 CN CN201710217770.5A patent/CN106980902A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905560A (zh) * | 2014-04-11 | 2014-07-02 | 南京理工大学 | 基于复杂网络的油罐区火蔓延预测与分析方法 |
CN104406808A (zh) * | 2014-11-17 | 2015-03-11 | 山东科技大学 | 一种瓦斯参数测定仪煤样采集罐 |
CN106287225A (zh) * | 2015-06-02 | 2017-01-04 | 齐鲁工业大学 | 一种燃气在线监测预警系统及其检测控制方法 |
CN105629856A (zh) * | 2016-03-16 | 2016-06-01 | 柳州铁道职业技术学院 | 家庭煤气罐人性化智能控制系统及其控制方法 |
Non-Patent Citations (2)
Title |
---|
国家安全生产监督管理总局政策法规司: "《安全生产标准汇编 第6辑》", 31 March 2014 * |
宋莹: "石油化工装置定量分析风险评价", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695752A (zh) * | 2019-03-15 | 2020-09-22 | 中国石油化工股份有限公司 | 基于结构化事故数据库的过程安全数据挖掘与事故预警方法 |
CN111695752B (zh) * | 2019-03-15 | 2024-02-27 | 中国石油化工股份有限公司 | 基于结构化事故数据库的过程安全数据挖掘与事故预警方法 |
CN110531729A (zh) * | 2019-10-15 | 2019-12-03 | 南京科思倍信息科技有限公司 | 一种基于大数据的储罐作业风险智能识别与操作方法 |
CN110531729B (zh) * | 2019-10-15 | 2020-03-20 | 南京科思倍信息科技有限公司 | 一种基于大数据的储罐作业风险智能识别与操作方法 |
CN111523759A (zh) * | 2020-03-18 | 2020-08-11 | 北京理工大学 | 燃气管道动态风险评估方法及装置 |
CN112508124A (zh) * | 2020-12-22 | 2021-03-16 | 三峡大学 | 一种基于贝叶斯网络的砂砾土地震液化判别方法 |
CN113536654A (zh) * | 2021-04-06 | 2021-10-22 | 南京工业大学 | 一种常压储罐区多米诺事故动态预测方法、系统及装置 |
CN113536654B (zh) * | 2021-04-06 | 2023-11-21 | 南京工业大学 | 一种常压储罐区多米诺事故动态预测方法、系统及装置 |
CN116739345A (zh) * | 2023-06-08 | 2023-09-12 | 南京工业大学 | 一种危化品道路运输事故发生可能性实时评估方法 |
CN116739345B (zh) * | 2023-06-08 | 2024-03-22 | 南京工业大学 | 一种危化品道路运输事故发生可能性实时评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980902A (zh) | 液化气储罐事故预测系统及方法 | |
CN106341414B (zh) | 一种基于贝叶斯网络的多步攻击安全态势评估方法 | |
Symes et al. | Why do we lose protected areas? Factors influencing protected area downgrading, downsizing and degazettement in the tropics and subtropics | |
Tadesse et al. | Data-driven modeling of global storm surges | |
Li et al. | Dynamic probability assessment of urban natural gas pipeline accidents considering integrated external activities | |
Colabianchi et al. | Discussing resilience in the context of cyber physical systems | |
CN112600800B (zh) | 基于图谱的网络风险评估方法 | |
Ji et al. | Risk-based domino effect analysis for fire and explosion accidents considering uncertainty in processing facilities | |
Suciu et al. | Expected exploitability: Predicting the development of functional vulnerability exploits | |
Hannart et al. | Probabilities of causation of climate changes | |
Hassan et al. | An assessment of causes and failure likelihood of cross-country pipelines under uncertainty using bayesian networks | |
Meng et al. | A data-driven Bayesian network model integrating physical knowledge for prioritization of risk influencing factors | |
CN109117641A (zh) | 一种基于i-hmm的网络安全风险评估方法 | |
CN101226078A (zh) | 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 | |
Ahmad et al. | A step forward towards a comprehensive framework for assessing liquefaction land damage vulnerability: Exploration from historical data | |
CN114547415A (zh) | 工业物联网中基于网络威胁情报的攻击模拟方法 | |
Beven et al. | Epistemic uncertainties and natural hazard risk assessment–Part 1: A review of the issues | |
CN106600167A (zh) | 考虑人因失误和组织缺陷的海洋平台火灾风险评估方法 | |
CN114821976B (zh) | 一种多要素岩溶塌陷的智能预报系统 | |
CN104394015A (zh) | 一种网络安全态势评估方法 | |
Valor et al. | Statistical analysis of pitting corrosion field data and their use for realistic reliability estimations in non-piggable pipeline systems | |
Wang et al. | Dynamic risk analysis of offshore natural gas hydrates depressurization production test based on fuzzy CREAM and DBN-GO combined method | |
Liu et al. | Assessing the impacts of climate change to financial stability: evidence from China | |
Zhen et al. | An interpretable and augmented machine-learning approach for causation analysis of major accident risk indicators in the offshore petroleum industry | |
Machado et al. | Risk analysis in energy projects using Bayesian networks: A systematic review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170725 |
|
RJ01 | Rejection of invention patent application after publication |