CN109359833B - 一种基于abc-brann模型的海洋平台燃爆风险分析方法 - Google Patents

Abstract

本发明公布了一种基于ABC‑BRANN模型的海洋平台燃爆风险分析方法。基于FLACS建立油气扩散、燃爆数值模型，开展典型场景下的扩散模拟；结合ABC‑BRANN耦合算法，获取扩散‑ABC‑BRANN瞬时预测器，预测大量瞬时气云体积Q9值；开展典型燃爆场景的数值计算，并以燃爆最大超压为数据基础，发展爆炸‑BRANN预测器；借助拉丁抽样从扩散概率模型随机抽取扩散场景组合，作为扩散‑ABC‑BRANN瞬时预测器的输入，获取瞬时Q9与Q6值，由逆累积频率的收敛性分析，确定最优抽取样本；将获取Q9与Q6值分别代入爆炸‑BRANN预测器及燃爆概率模型，得到燃爆载荷超越曲线。该方法能提供更真实反映燃爆场景的设计事故载荷值，且载荷的精度较高，该载荷值可直接用于结构抗爆设计，为平台抗爆、减灾关键结构设计提供支持。

Description

一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法

技术领域

本发明属于海洋平台燃爆事故防控技术，具体地说是一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法。

背景技术

海洋平台工艺区域设备密集，泄漏的可燃气云一旦被点燃发生燃爆事故，燃爆压力能够在拥塞的障碍下升级，最终导致设备的严重受损及人员的严重伤亡。燃爆定量分析能够从统计或者概率角度给出目标对象的燃爆设计事故载荷值(DALs)，不仅能够减缓燃爆事故风险，且大大降低基于最恶劣场景的平台设计建造成本。目前，在海洋平台运行全阶段(概念设计阶段、在役阶段)，均须对其开展燃爆风险评价，为油气安全开采提供技术保障。该评价的核心在于准确获得燃爆造成的超压载荷，其受平台环境空间影响显著，须建立真实反映研究对象障碍物拥塞程度的试验、经验或CFD模型。其中，试验模型可还原燃爆火焰激励场景，但因其花费高、危险性大，通用性和重复性不强，多用于基础研究，无法工程推广；常用经验模型如TNT、TNO，在描述障碍物对火焰燃烧加速过程方面存在显著不足，超压结果精确度差，已经被标准放弃。

人工蜂群优化算法是一种快速、简单的，且以种群为基础的全局优化算法。该算法由Karaboga于2005年提出，并被广泛应用于不同领域。算法属于群智能算法的一种，其来源于蜂群的采蜜行为，蜜蜂根据各自分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。近年来，相关学者借助群智能优化算法，提高神经网络的训练及预测性能。其中，最为流行的的群智能优化算法为粒子群优化算法(Particle SwarmOptimization(PSO))与人工蜂群优化算法(Artificial Bee Colony(ABC))。然而，相关研究表明ABC相对PSO表现出更加优越的性能。

人工蜂群算法由三种蜜蜂组成，分别为雇佣蜂、观察蜂及侦察蜂。雇佣蜂是在初始给定的蜜源信息的基础上，不断地更新寻找新的蜜源，并与观察蜂分享蜜源信息；观察蜂在蜂房中等待并依据雇佣蜂分享的信息寻找新的蜜源；侦察蜂的任务是在蜂房附近随机地寻找新的有价值的蜜源。雇佣蜂或观察蜂的数量与蜜源的数量相等，即每个雇佣蜂都对应一个蜜源；蜜源的位置对应一种优化方案；蜜源的花粉量对应方案的适度值。

假设求解空间为D维，雇佣蜂或观察蜂的数量为SN，即优化方案数量为SN。算法针对每一种方案，首先随机产生对应的D维向量，其中D为待优化的参数量。随后，一个雇佣蜂优化对应的一个方案(向量)，如下所示：

v_ij＝z_ij+ψ_ij(z_ij-z_kj) (1)

其中，k∈{1，2，...，SN},j∈{1，2，...，D}.i∈{1，2，...，SN}，且i≠k。z_i,j为与该雇佣蜂对应的初始给定的方案(向量)；v_i.j为优化之后的方案(向量)。随后，计算方案v_i.j的适应度：

fit_i＝1+abs(f_i) f_i＜0 (3)

如果v_i.j的适应度大于原方案的适应度，该雇佣蜂将会记录方案v_i.j，反之，则会放弃该方案，保持原方案。在对初始给出的所有方案更新结束后，雇佣蜂将与正在蜂房中等待的观察蜂分享所记录的最新方案。随后，观察蜂将会评估所有共享方案的适应度，并根据与适应度对应的概率选取其中某个方案。其中，与适应度对应的概率值可由下式所得：

式中SN为方案数量，fit_i为方案的适应值。随后，观察蜂继续按照式来更新共享的方案，并按照公式计算其对应的适应度，进一步储存适应值较高的方案。之后，如果在预先设置的循环数量即limit下，方案无法进一步得到改善，则会被放弃。此时，侦察蜂则会依据下式，产生一个新的方案，以代替被放弃的方案：

式中，z_min与z_max为第j个参数的下限值与上限值；

在第一次循环结束后，算法将会记录目前最优的方案，并继续迭代更新该方案，直到达到最大循环数MCN或最优方案满足最小界限位置。

鉴于海洋油气开发事故源危险性及环境破坏性，，目前亟需开展海洋平台燃爆风险分析方法的研究，为海洋平台的安全生产提供评估方法，为油气安全开采提供技术保障。

发明内容

本发明提供一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法，用以解决现有技术中的缺陷。

本发明通过以下技术方案予以实现：一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法，具体包括以下步骤：

步骤1：基于FLACS，建立油气扩散数值模型，结合研究对象平台所在区域的风况情况，开展通风数值模拟；

步骤2：以通风模拟结果为基础，开展典型场景下的扩散模拟，以获取的瞬时气云体积Q9为数据，结合ABC-BRANN耦合算法，获取扩散-ABC-BRANN瞬时预测器，预测获取大量瞬时气云体积Q9值；

步骤3：开展典型燃爆场景的数值计算，并以燃爆最大超压为数据基础，发展爆炸-BRANN预测器；

步骤4：按照拉丁抽样从泄漏概率模型、风场概率模型随机抽取扩散场景组合，并作为扩散-ABC-BRANN瞬时预测器的输入，获取大量的瞬时气云体积Q9与瞬时Q6值，由其逆累积频率的收敛性分析，确定最小抽取样本；

步骤5：将获取的瞬时气云体积Q9值代入发展的爆炸-BRANN预测器获得大量燃爆最大超压值，同时将瞬时Q6代入点火模型，将获取的点火概率乘抽取样本组合对应的泄漏概率及风场概率，获取与最大超压值对应的燃爆概率值，最大超压与概率值，得到燃爆载荷超越曲线。

本发明的优点是：本发明提供的基于ABC-BRANN的燃爆风险分析方法将扩散-ABC-BRANN获取的可燃气云瞬时预测值与OLF点火概率模型耦合，能提供更真实反映燃爆场景的设计事故载荷值，且载荷的精度较高，该载荷值可直接用于结构抗爆设计，为平台抗爆、减灾关键结构设计提供支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是基于ABC-BRANN模型的海洋平台燃爆风险分析主要流程图；图2是扩散-ABC-BRANN瞬时预测器的获取流程图；图3是爆炸-BRANN预测器的获取流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法，具体包括以下步骤：

步骤1：基于FLACS，建立油气扩散数值模型，结合研究对象平台所在区域的风况情况，开展通风数值模拟；

步骤2：以通风模拟结果为基础，开展典型场景下的扩散模拟，以获取的瞬时气云体积Q9为数据，结合ABC-BRANN耦合算法，获取扩散-ABC-BRANN瞬时预测器，预测获取大量瞬时气云体积Q9值。具体详细步骤如下：

第一步：以通风模拟结果为基础，开展典型场景下的扩散模拟，将所开展的场景进行分类，一类包括多种单一风速、风向与泄漏方向组合下不同泄漏速率的扩散场景；另一类由单一泄漏率、风向与泄漏方向组合下不同风速的扩散场景组成。第一类用于发展不同泄漏速率下的扩散-ABC-BRANN瞬时预测器，第二类则用于获取不同风速下的瞬时预测器。每一类中单一组合下仿真场景可分为发展集及校核集。在训练预测器之前，需要对输入泄漏率或风速及时间参数进行标准化处理，从而避免因量纲问题，给模型带来的误差影响。

第二步：基于发展集，设置BRANN框架，确定需要优化的权重、偏差参数D＝inp×hidden+out×hidden+hidden+1，其中inp,hidden,out分别为输入神经元的个数、隐含层神经元的个数以及输出层神经元的个数。进一步设置优化参数的边界条件，上边界为ub，下边界为lb。计算参数limit并随机初始化SN个方案对应的D维向量。通过计算预测气云体积与模拟气云体积的MSE，进一步评估初始设置的SN个方案，并储存于最小MSE对应的方案SN₀。其中MSE如下所示：

A₁＝tansig(iw×X,b₁) (7)

y_i＝purelin(lw×A₁,b₂) (8)

式中y_i为评估值；Y_i为数值计算值；iw与b₁为输入层与输出层之间权重与偏差；lw与b2分别为隐含层到输出层的权重与偏差。

第三步：按照式(1)，利用雇佣蜂更新最初的方案，并按照式(2)与(3)，计算更新方案的适应度。随后，基于贪婪选择方法获取最优的方案，也就是如果更新方案的适应度大于原方案，雇佣蜂则会储存更新的方案，丢弃旧方案，否则储存最初的方案。在更新所有方案之后，雇佣蜂与观察蜂分享更新的方案。

第四步：一个观察蜂计算从雇佣蜂获取的所有方案的适应度，并按照与适应度相关的概率值选取某方案。随后，观察蜂更新选取的方案，计算更新方案的适度值，并对比前者，并储存具备较大适度值的方案。当所有的观察蜂更新完获取的方案后，算法会得到一个最优的方案，此时观察蜂对比此方案与最小MSE对应的方案SN₀，并储存具有较小MSE的方案。

第五步：假设上述某个方案SN_i在预先设置好的循环内，即limit内，适度值没有得到提高，则此方案将会被遗弃。于是，侦察蜂将会按照(5)，产生新的方案，以代替遗弃的方案。

第六步：计算获取每一迭代步中的最小MSE，记为MSE(Iter)。设置优化算法收敛准则，如下所示：

式中Iter/50应为正整数，比如1,2,3,…,n。如果达到收敛准则，算法将会终止，否则重复第三步到第五步，直到迭代次数达到MCN。

第七步：算法结束之后，将获取的最优权重及偏差值耦合入BRANN算法。以发展集为数据前提，基于获取的最优参数值，计算对应的贝叶斯概率密度方程，如下所示：

式中M为神经网络框架；w为神经网络权重与偏差的向量；α，β为超参数，用于控制其他参数的分布；D为训练的数据，数据由发展集随机产生；式中，P(D/α,β,M)可表示为：

在BRANN算法中，获取最优的权重与偏差，意味着最大化后验概率P(w/D,α,β,M)，也等效于最小化目标函数F。进一步，使用莱文贝格-马夸特算法即LM算法，最大化后验概率，优化权重与偏差，直到最小化目标函数为止。LM算法迭代更新权重如下所示：

w^k+1＝w^k-[H+μI]^-1J^Te (12)

式中e＝(e₁,e₂,…,e_N)为训练集对应的预测值与真实值之间的误差向量；k为迭代次数；μ为阻尼参数，始于很小的值，并不断迭代更新；μ是LM算法中重要的参数，如果MSE不能得到有效降低，μ将会乘一个调整系数而减小，这使得LM算法类似于梯度下降法；相反地，如果MSE降低速度很快，μ则会显著降低，这使得LM算法接近于高斯-牛顿算法。H为汉森矩阵，可表示为H＝J^TJ，其中J为雅可比行列式，如下所示：

当获取最大后验概率下的权重值w_MP之后，优化的超参数值α_MP与β_MP获取如下：

η＝w_MP-(α_MP×tr(H_MP ^-1)) (14)

β_MP＝(N-η)/(2*E_D(w_MP)) (15)

α_MP＝η/(2*E_W(w_MP)) (16)

式中MP代表最大后验；参数η代表算法内有效的参数量。

第八步：在第六步训练结束后，获取发展集的决定系数R²。进一步计算校核集的决定系数R²。重复第六步与第七步，直到最大循环次数j。最后，在所有循环中，找出最高校核集决定系数对应的权重与偏差，获取最终的瞬时预测器。获取的预测器可为点火概率模型及燃爆数值计算提供大量的瞬时气云体积Q9与Q6值(下文主要以瞬时气云体积Q9为对象，对预测器性能进行展示)。

步骤3：开展典型燃爆场景的数值计算，并以燃爆最大超压为数据基础，发展爆炸-BRANN预测器。具体详细步骤如下：

第一步：根据前期的扩散数值计算，开展典型燃爆事故场景数值计算。将仿真结果划分为发展集与校核集两个子集。发展集可进一步随机划分为(85％)的训练集与(15％)的测试集。在训练预测器之前，需要对参数进行标准化处理，减小量纲差异对模型精度的影响。其中，需要进行标准化处理的输入参数为瞬时气云体积Q9与点火位置，输出参数为燃爆最大超压。

第二步：基于训练集训练预测器，使用测试集确定算法中最优的权重与偏差，同时计算发展集的决定系数R²；使用发展的预测器预测校核集，并计算预测值与仿真的决定系数R²；统计所有测试集数据，生成预测值的累积频率曲线，同时获取基于仿真值得累积频率曲线，计算两条曲线的决定系数R²，进而从统计学角度分析发展预测器的推广能力。

第三步：重复第二步，直到最大发展次数imax。从所有的预测器中，选择最大的测试集决定系数与曲线的决定系数。随后，获取的预测器可结合发展的扩散-ABC-BRANN瞬时预测器、不同的概率模型(点火概率模型、风场概率模型以及泄漏概率模型)，获取燃爆超越曲线。

步骤4：按照拉丁抽样从泄漏概率模型、风场概率模型随机抽取扩散场景组合，并作为扩散-ABC-BRANN瞬时预测器的输入，获取大量的瞬时气云体积Q9与Q6值，由其逆累积频率的收敛性分析，确定最小抽取样本；

步骤5：将获取的瞬时气云体积Q9值代入发展的爆炸-BRANN预测器获得大量燃爆最大超压值，同时将瞬时Q6代入点火模型，将获取的点火概率乘抽取样本组合对应的泄漏概率及风场概率，获取与最大超压值对应的燃爆概率值，耦合最大超压与概率值，得到燃爆载荷超越曲线。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法，其特征在于，具体包括以下步骤：

步骤1：基于FLACS，建立油气扩散数值模型，结合研究对象平台所在区域的风况情况，开展通风数值模拟；

步骤2：以通风模拟结果为基础，开展典型场景下的扩散模拟，以获取的瞬时气云体积Q9为数据，结合ABC-BRANN耦合算法，获取扩散-ABC-BRANN瞬时预测器，预测获取大量瞬时气云体积Q9；

步骤3：开展典型燃爆场景的数值计算，并以燃爆最大超压为数据基础，发展爆炸-BRANN预测器；

步骤4：按照拉丁抽样从泄漏概率模型、风场概率模型随机抽取扩散场景组合，并作为扩散-ABC-BRANN瞬时预测器的输入，获取大量的瞬时Q9与瞬时设备暴露体积Q6，由其逆累积频率的收敛性分析，确定最小抽取样本；

步骤5：将获取的瞬时Q9值代入发展的爆炸-BRANN预测器获得大量燃爆最大超压值，同时将瞬时Q6代入点火模型，将获取的点火概率乘抽取样本组合对应的泄漏概率及风场概率，获取与最大超压值对应的燃爆概率值，耦合最大超压与概率值，得到燃爆载荷超越曲线。

2.根据权利要求1所述的一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法，其特征在于：所述的步骤2的具体详细过程如下：

第一步：以通风模拟结果为基础，开展典型场景下的扩散模拟，将所开展的场景进行分类，一类包括多种单一风速、风向与泄漏方向组合下不同泄漏速率的扩散场景；另一类由单一泄漏率、风向与泄漏方向组合下不同风速的扩散场景组成，第一类用于发展不同泄漏速率下的扩散-ABC-BRANN瞬时预测器，第二类则用于获取不同风速下的瞬时预测器，每一类中单一组合下仿真场景可分为发展集及校核集，在训练预测器之前，需要对输入泄漏率或风速及时间参数进行标准化处理，从而避免因量纲问题给模型带来的误差影响；

第二步：基于发展集，设置BRANN框架，确定需要优化的权重、偏差参数D＝inp×hidden+out×hidden+hidden+1，其中inp,hidden,out分别为输入神经元的个数、隐含层神经元的个数以及输出层神经元的个数，进一步设置优化参数的边界条件，上边界为ub,下边界为lb，计算参数limit并随机初始化SN个方案对应的D维向量，通过计算预测气云体积与模拟气云体积的MSE，进一步评估初始设置的SN个方案，并储存于最小MSE对应的方案SN₀，其中MSE如下所示：

A₁＝tan sig(iw×X,b₁) (2)

y_i＝purelin(lw×A₁,b₂) (3)

式中y_i为评估值；Y_i为数值计算值；iw与b₁为输入层与输出层之间权重与偏差；lw与b2分别为隐含层到输出层的权重与偏差；

第三步：按照式(4)，利用雇佣蜂更新最初的方案，并按照式(5)与(6)，计算更新方案的适应度，随后，基于贪婪选择方法获取最优的方案，也就是如果更新方案的适应度大于原方案，雇佣蜂则会储存更新的方案，丢弃旧方案，否则储存最初的方案，在更新所有方案之后，雇佣蜂与观察蜂分享更新的方案；

v_ij＝z_ij+ψ_ij(z_ij-z_kj) (4)

fit_i＝1+abs(f_i)f_i<0 (6)

第四步：一个观察蜂计算从雇佣蜂获取的所有方案的适应度，并按照与适应度相关的概率值选取某方案，随后，观察蜂更新选取的方案，计算更新方案的适度值，并对比前者，并储存具备较大适度值的方案，当所有的观察蜂更新完获取的方案后，算法会得到一个最优的方案，此时观察蜂对比此方案与最小MSE对应方案SN₀，并储存具有较小MSE的方案；

第五步：假设上述某个方案SN_i在预先设置好的循环内，即limit内，适度值没有得到提高，则此方案将会被遗弃，于是，侦察蜂将会按照(7)，产生新的方案，以代替遗弃的方案：

式中，z_min与z_max为第j个参数的下限值与上限值；

第六步：计算获取每一迭代步中的最小MSE，记为MSE(Iter)，设置优化算法收敛准则，如下所示：

式中Iter/50应为正整数，比如1,2,3,…,n，如果达到收敛准则，算法将会终止，否则重复第三步到第五步，直到迭代次数达到最大循环次数MCN；

第七步：算法结束之后，将获取的最优权重及偏差值耦合入BRANN算法，以发展集为数据前提，基于获取的最优参数值，计算对应的贝叶斯概率密度方程，如下所示：

式中M为神经网络框架；w为神经网络权重与偏差的向量；α，β为超参数，用于控制其他参数的分布；D为训练的数据，数据由发展集随机产生；式中，P(D/α,β,M)可表示为：

在BRANN算法中，获取最优的权重与偏差，意味着最大化后验概率P(w/D,α,β,M)，也等效于最小化目标函数F，进一步，使用莱文贝格-马夸特算法即LM算法，最大化后验概率，优化权重与偏差，直到最小化目标函数为止，LM算法迭代更新权重如下所示：

w^k+1＝w^k-[H+μI]^-1J^Te (11)

式中e＝(e₁,e₂,…,e_N)为训练集对应的预测值与真实值之间的误差向量；k为迭代次数；μ为阻尼参数，始于很小的值，并不断迭代更新；μ是LM算法中重要的参数，如果MSE不能得到有效降低，μ将会乘一个调整系数而减小，这使得LM算法类似于梯度下降法；相反地，如果MSE降低速度很快，μ则会显著降低，这使得LM算法接近于高斯-牛顿算法，H为汉森矩阵，可表示为H＝J^TJ，其中J为雅可比行列式，如下所示：

当获取最大后验概率下的权重值w_MP之后，优化的超参数值α_MP与β_MP获取如下：

η＝w_MP-(α_MP×tr(H_MP ^-1)) (13)

β_MP＝(N-η)/(2*E_D(w_MP)) (14)

α_MP＝η/(2*E_W(w_MP)) (15)

式中MP代表最大后验；参数η代表算法内有效的参数量；

第八步：在第六步训练结束后，获取发展集的决定系数R²，进一步计算校核集的决定系数R²，重复第六步与第七步，直到最大循环次数j，最后，在所有循环中，找出最高校核集决定系数对应的权重与偏差，获取最终的瞬时预测器，获取的预测器可为点火概率模型及燃爆数值计算提供大量的瞬时气云体积Q9与Q6值。

3.根据权利要求1所述的一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法，其特征在于：所述的步骤3的具体详细过程如下：

第一步：根据前期的扩散数值计算，开展典型燃爆事故场景数值计算，将仿真结果划分为发展集与校核集两个子集，发展集可进一步随机划分为85％的训练集与15％的测试集，在训练预测器之前，需要对参数进行标准化处理，减小量纲差异对模型精度的影响，其中，需要进行标准化处理的输入参数为瞬时气云体积Q9与点火位置，输出参数为燃爆最大超压；

第二步：基于训练集训练预测器，使用测试集确定算法中最优的权重与偏差，同时计算发展集的决定系数R²；使用发展的预测器预测校核集，并计算预测值与仿真的决定系数R²；统计所有测试集数据，生成预测值的累积频率曲线，同时获取基于仿真值得累积频率曲线，计算两条曲线的决定系数R²，进而从统计学角度分析发展预测器的推广能力；

第三步：重复第二步，直到最大发展次数imax，从所有的预测器中，选择最大的测试集决定系数与曲线的决定系数，随后，获取的预测器可结合发展的扩散-ABC-BRANN瞬时预测器，不同的点火概率模型、风场概率模型以及泄漏概率模型，获取燃爆超越曲线。

Images