CN112784991A - 过程工业最严重可信事故场景确定方法、装置及存储介质 - Google Patents
过程工业最严重可信事故场景确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112784991A CN112784991A CN201911083584.2A CN201911083584A CN112784991A CN 112784991 A CN112784991 A CN 112784991A CN 201911083584 A CN201911083584 A CN 201911083584A CN 112784991 A CN112784991 A CN 112784991A
- Authority
- CN
- China
- Prior art keywords
- accident
- scene
- factor
- accident scene
- asset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004880 explosion Methods 0.000 claims description 46
- 206010000369 Accident Diseases 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 35
- 231100000331 toxic Toxicity 0.000 claims description 15
- 230000002588 toxic effect Effects 0.000 claims description 15
- 231100000572 poisoning Toxicity 0.000 claims description 14
- 230000000607 poisoning effect Effects 0.000 claims description 14
- SPSSULHKWOKEEL-UHFFFAOYSA-N 2,4,6-trinitrotoluene Chemical compound CC1=C([N+]([O-])=O)C=C([N+]([O-])=O)C=C1[N+]([O-])=O SPSSULHKWOKEEL-UHFFFAOYSA-N 0.000 claims description 11
- 239000000015 trinitrotoluene Substances 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 231100000419 toxicity Toxicity 0.000 claims 2
- 230000001988 toxicity Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 231100000816 toxic dose Toxicity 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Algebra (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施方式提供一种过程工业最严重可信事故场景确定方法、装置及存储介质，属于事故场景预测技术领域。方法包括：构建事故场景并对所有条件事件的发生概率求积得到事故场景的发生频率；依据事故场景的影响面积及发生频率计算人员伤亡损失因子及资产损失因子；依据事故场景的人员伤亡损失因子和/或资产损失因子以及事故场景的发生频率计算事故场景的可信因子；将具有最大值的可信因子对应的事故场景确定为最严重可信事故场景。本发明通过确定每个事件发生的具体场景及明确每个事故场景的因素和方法，相对于现有技术对大量事件进行分析且分析过程复杂的缺陷，具有算法直观、简便、实用性更强及适用范围更广的优点。
Description
技术领域
本发明涉及事故场景预测技术领域，具体地涉及一种过程工业最严重可信事故场景确定方法、一种过程工业最严重可信事故场景确定装置以及一种计算机可读存储介质。
背景技术
化工企业发生的火灾、爆炸等安全事故往往具有极强的破坏性，严重威胁人们的生命财产安全，事故场景的选择对于工厂的安全布局及防护有重要的影响。目前关于最严重可信事故场景(Worst Credible Accident Scenario,简称WCAS)的分析，基本都是基于分析人员的经验知识，通过Bow-tie法和事件树(ETA)法，定性确定每个选定的设备可能发生的事故后果和原因，分析复杂，且实用性不强。
发明内容
本发明实施方式的目的是提供一种过程工业最严重可信事故场景确定方法、装置及存储介质，以解决现有最严重的可信事故场景预测分析复杂、实用性不强的问题。
为了实现上述目的，在本发明第一方面，提供一种过程工业最严重可信事故场景确定方法，所述方法包括：
1)构建事故场景并确定每个事故场景的条件事件；
2)针对每个事故场景：
获取每个条件事件的发生概率，并对所有条件事件的发生概率求积得到所述事故场景的发生频率；
通过预设的影响面积模型得到所述事故场景的影响面积；
依据所述事故场景的影响面积及所述事故场景的发生频率计算所述事故场景的人员伤亡损失因子及资产损失因子；
依据所述事故场景的人员伤亡损失因子和/或资产损失因子、以及所述事故场景的发生频率，计算所述事故场景的可信因子；
3)按值对所有事故场景的可信因子进行排序，将具有最大值的可信因子对应的事故场景确定为最严重可信事故场景。
可选地，所述条件事件包括基础泄漏孔径、泄漏方向、风向、点火源类型或毒性浓度。
可选地，所述预设的影响面积模型包括：
用于计算火灾事故影响面积的火灾热辐射计算模型、用于计算爆炸事故影响面积的TNO多能模型及用于计算中毒事故影响面积的烟团扩散Pasquill-Gifford模型。
可选地，所述人员伤亡损失因子计算过程包括：
获取所述事故场景设定范围内的人口密度及人口分布因子，并依据公式Di＝Ai×fi×PDi×PDFi×k计算所述人员伤亡损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，PD表示所述事故场景设定范围内的人口密度，PDF表示人口分布因子，k表示人员伤亡的等效经济损失。
可选地，所述资产损失因子计算过程包括：
获取所述事故场景设定范围内的资产密度及资产分布因子，并依据公式Li＝Ai×fi×ADi×ADFi计算所述人员伤亡损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，AD表示所述事故场景设定范围内的资产密度，ADF表示资产分布因子。
可选地，所述事故场景包括导致火灾事故、爆炸事故及中毒事故的一组或多组条件事件。
可选地，所述可信因子的具体计算过程包括：
当所述事故场景包括导致火灾事故和/或导致爆炸事故的条件事件时，所述可信因子为Cei＝(Di2+Li2)1/2；
当所述事故场景包括导致中毒事故的条件事件时，所述可信因子为Cti＝Di×WPFi，其中，WPF表示大气稳定度为E或F的概率；
当所述事故场景包括导致中毒事故的条件事件、以及导致火灾事故和/或爆炸事故的条件事件时，所述可信因子为Cbi＝(Cei 2+Cti 2)1/2；
其中，Di表示人员伤亡损失因子，Li表示资产损失因子。
可选地，当所述事故场景包括导致火灾事故的条件事件和爆炸事故的条件事件时，所述事故场景的影响面积以火灾事故影响面积及爆炸事故影响面积中影响面积较大的为准。
在本发明第二方面，还提供一种过程工业最严重可信事故场景确定装置，所述装置包括：
事故场景构建模块，被配置为构建事故场景并确定每个事故场景的条件事件；
可信因子计算模块，被配置为针对每个事故场景，获取每个条件事件的发生概率，并对所有条件事件的发生概率求积得到所述事故场景的发生频率；
通过预设的影响面积模型得到所述事故场景的影响面积；
依据所述事故场景的影响面积及所述事故场景的发生频率计算所述事故场景的人员伤亡损失因子及资产损失因子；
依据所述事故场景的人员伤亡损失因子和/或资产损失因子、以及所述事故场景的发生频率，计算所述事故场景的可信因子；
最严重可信事故场景计算模块，被配置为按值对所有事故场景的可信因子进行排序，将具有最大值的可信因子对应的事故场景确定为最严重可信事故场景。
可选地，所述条件事件包括基础泄漏孔径、泄漏方向、风向、点火源类型或毒性浓度。
可选地，所述预设的影响面积模型包括：
用于计算火灾事故影响面积的火灾热辐射计算模型、用于计算爆炸事故影响面积的TNO多能模型及用于计算中毒事故影响面积的烟团扩散Pasquill-Gifford模型。
可选地，所述人员伤亡损失因子计算过程包括：
获取所述事故场景设定范围内的人口密度及人口分布因子，并依据公式Di＝Ai×fi×PDi×PDFi×k计算所述人员伤亡损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，PD表示所述事故场景设定范围内的人口密度，PDF表示人口分布因子，k表示人员伤亡的等效经济损失。
可选地，所述资产损失因子计算过程包括：
获取所述事故场景设定范围内的资产密度及资产分布因子，并依据公式Li＝Ai×fi×ADi×ADFi计算所述人员伤亡损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，AD表示所述事故场景设定范围内的资产密度，ADF表示资产分布因子。
可选地，所述事故场景包括导致火灾事故、爆炸事故及中毒事故的一组或多组条件事件。
可选地，所述可信因子的具体计算过程包括：
当所述事故场景包括导致火灾事故和/或爆炸事故的条件事件时，所述可信因子为Cei＝(Di2+Li2)1/2；
当所述事故场景包括导致中毒事故的条件事件时，所述可信因子为Cti＝Di×WPFi，其中，WPF表示大气稳定度为E或F的概率；
当所述事故场景包括导致中毒事故、以及导致火灾事故和/或爆炸事故的条件事件时，所述可信因子为Cbi＝(Cei 2+Cti 2)1/2；
其中，Di表示人员伤亡损失因子，Li表示资产损失因子。
当所述事故场景包括导致火灾事故的条件事件和爆炸事故的条件事件时，所述事故场景的影响面积以火灾事故影响面积及爆炸事故影响面积中影响面积较大的为准。
在本发明第三方面，还提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的一种过程工业最严重可信事故场景确定方法。
本发明上述技术方案通过确定每个事件发生的具体场景而不是仅确定出设备设施可能发生的事件，并明确确定每个事故场景的因素和方法，本发明相对于现有技术主要依赖于Bow-tie法等对大量事件进行分析，分析过程过于复杂的缺陷，具有算法直观、简便、实用性更强、适用范围更广，应用性强的优点。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的过程工业最严重可信事故场景确定方法的流程图；
图2是本发明一种实施方式提供的过程工业最严重可信事故场景确定方法中可信因子的计算流程图；
图3是本发明一种实施方式提供的过程工业最严重可信事故场景确定装置的结构框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在本发明实施方式中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
实施例1
如图1及图2所示，在本发明第一方面，提供一种过程工业最严重可信事故场景确定方法，方法包括：
1)构建事故场景并确定每个事故场景的条件事件；
2)针对每个事故场景：
获取每个条件事件的发生概率，并对所有条件事件的发生概率求积得到事故场景的发生频率；
通过预设的影响面积模型得到事故场景的影响面积；
依据事故场景的影响面积及事故场景的发生频率计算事故场景的人员伤亡损失因子及资产损失因子；
依据事故场景的人员伤亡损失因子和/或资产损失因子、以及事故场景的发生频率，计算事故场景的可信因子；
3)按值对所有事故场景的可信因子进行排序，将具有最大值的可信因子对应的事故场景确定为最严重可信事故场景。
如此，本发明上述技术方案通过确定每个事件发生的具体场景而不是仅确定出设备设施可能发生的事件，并明确确定每个事故场景的因素和方法，本发明相对于现有技术主要依赖于Bow-tie法等对大量事件进行分析、分析过程过于复杂的缺陷，具有算法直观、简便、实用性更强、适用范围更广，应用性强的优点，能准确的预测每个事故场景造成的影响，对工厂布局、安全距离的确定以及安全防护措施的制度具有重要的作用。
具体的，首先构建可能发生的事故场景，本实施方式所述的事故场景指在事故状态下，装置区或工艺区的每个泄漏单元在每个泄漏孔径、每个释放方向和每个气象条件下的特定事件。每个事故场景包括一组或多组条件事件，本实施方式中，事故场景包括导致火灾事故、爆炸事故或中毒事故的一组或多组条件事件，分别确定每种事故场景的条件事件，其中，条件事件包括基础泄漏孔径、泄漏方向、风向、点火源类型或毒性浓度，分别获取每个条件事件的发生概率，并根据公式f＝fa×fb×fc×fd得到对应事故场景的发生频率，其中，fa表示不同泄漏孔径下的基础泄漏频率，针对不同泄漏孔径的基础泄漏频率，可结合设备设施运行情况，根据设备设施中使用的各种组件的故障率(行业失效频率)或现有数据得到。fb表示不同泄漏方向的概率，泄漏方向包括但不限于水平方向喷射或竖直方向喷射，其选择可根据具体事故场景确定。fc表示影响事故的风向频率，对于阻塞度较高的装置区，可不单独考虑风向的影响；对于罐区，fc可以为主导风向或最不利风向频率，风向频率可按照当地气象资料确定。fd表示点火概率或人员暴露概率，即中毒概率，对于火灾爆炸事故，主要考虑点火概率，不同点火源的类型其点火概率不同，本实施方式中，点火源类型包括点源、线源及面源；对于毒性泄漏扩散事故，主要考虑人员暴露概率，其中，点火概率及人员暴露概率可以以《化工企业定量风险评价导则》中提供的算法作为函数计算得到。通过预设的影响面积模型分别计算得到对应的事故场景的影响面积，依据事故场景的影响面积及对应事故场景的发生频率分别计算人员伤亡损失因子及资产损失因子，根据不同的事故场景，分别依据对应事故场景的发生频率、人员伤亡损失因子和/或资产损失因子确定事故场景的可信因子，其中，事故场景包括导致火灾和/或爆炸事故的条件事件时，需同时考虑人员伤亡损失因子及资产损失因子，事故场景包括导致中毒事故的条件事件时，只考虑人员伤亡损失因子，事故场景同时包括导致中毒事故、以及导致火灾事故和/或爆炸事故的条件事件时，需同时结合上述两种事故场景的可信因子。通过上述方法得到所有可能的事故场景的可信因子，并对得到的所有可信因子由大到小进行排序，选取可信因子最大值对应的事故场景确定为最严重可信事故场景。
本实施方式中，预设的影响面积模型包括：用于计算火灾影响面积的火灾热辐射计算模型、用于计算爆炸影响面积的TNO多能模型及用于计算毒气影响面积的烟团扩散Pasquill-Gifford模型，依据不同的事故场景，通过调用对应的影响面积模型计算得到对应事故场景的影响面积，上述预设的影响面积模型均为现有技术，此处对其计算过程不再赘述。
本发明的实施方式中，人员伤亡损失因子计算过程包括：
获取事故场景设定范围内的人口密度及人口分布因子，并依据公式Di＝Ai×fi×PDi×PDFi×k计算人员伤亡损失因子；
其中，i表示事故场景；A表示对应事故场景的损害影响面积，单位为m2；f表示事故场景的发生频率，单位为次/年；PD表示事故场景设定范围内的人口密度，其中，设定范围为事故半径2000米范围内；PDF表示人口分布因子，为无量纲，PDF反映了人口分布的异质性，如果目标区域内，即半径2000m的人口分布均匀，则分布因子最大值为1，如果人口是局部分布的，并且远离事故点，则最小值为0.2，具体取值可预先根据不同人口分布情况设定；k表示人员伤亡的等效经济损失，对于人员死亡事故，k＝100，单位为万元/人。
如此，通过确定各事故场景的人员伤亡损失影响因素，从而避免了目前在严重可信事故场景确定过程中需通过对大量事件进行分析确定的情况，计算简单、实用性强，通过建立人员伤亡损失因子与对应事故场景的发生频率、影响面积、人口密度、人口分布因子及人员伤亡等效经济损失的函数关系，能准确的得到表征各事故场景下的人员伤亡损失情况的人员伤亡损失因子，而不是定性确定每个设备可能发生的事故后果和原因，从而使得本方法具有更好的实用性。
进一步的，在本实施方式中，资产损失因子计算过程包括：
获取事故场景设定范围内的资产密度及资产分布因子，并依据公式Li＝Ai×fi×ADi×ADFi计算人员伤亡损失因子；
其中，i表示事故场景；A表示对应事故场景的损害影响面积，单位为m2；f表示事故场景的发生频率，单位为次/年；AD表示事故场景设定范围内的资产密度，其中，设定范围为事故半径500米范围内，单位为万元/m2；ADF表示资产分布因子，为无量纲，ADF反映了资产分布的异质性，如果目标区域内，即半径500m范围内的资产分布均匀，则分布因子最大值为1；如果资产是局部分布的，并且远离事故点，则最小值为0.2，其具体的取值可预先根据不同资产分布情况设定。
如此，通过确定各事故场景的资产损失影响因素，从而避免了目前在严重可信事故场景确定过程中需通过对大量事件进行分析确定的情况，计算简单、实用性强，通过建立资产损失因子与对应事故场景的发生频率、影响面积、资产密度及资产分布因子的函数关系，能准确的得到表征各事故场景下的资产损失情况的资产损失因子，而不是定性确定每个设备可能发生的事故后果、原因及造成的损失，从而使得本方法具有更好的实用性。
具体的，在人员伤亡损失因子及资产损失因子计算过程中，当事故场景包括导致火灾事故的条件事件和爆炸事故的条件事件时，事故场景的影响面积A以火灾事故影响面积及爆炸事故影响面积中影响面积较大的为准，例如，当事故场景同时包括火灾事故和爆炸事故时，分别计算火灾事故场景及爆炸事故场景的影响面积，若爆炸事故场景的影响面积更大，则在人员伤亡损失因子及资产损失因子计算过程中，A取值为得到的爆炸事故的影响面积。
进一步的，可信因子的具体计算过程包括：
当事故场景包括导致火灾事故和/或爆炸事故的条件事件时，可信因子为Cei＝(Di2+Li2)1/2；
当事故场景包括导致中毒事故的条件事件时，可信因子为Cti＝Di×
(WPF)i，其中，WPF表示大气稳定度为E或F的概率；
当事故场景包括导致中毒事故、以及导致火灾事故和/或爆炸事故的条件事件时，可信因子为Cbi＝(Cei 2+Cti 2)1/2；
其中，Di表示人员伤亡损失因子，Li表示资产损失因子。
具体的，在本实施方式中，当事故场景包括导致火灾事故和/或爆炸事故的条件事件时，需同时考虑人员伤亡损失因子和资产损失因子，当事故场景仅包括导致中毒事故的条件事件时，可以只考虑人员伤亡损失因子而无需考虑资产损失因子，同时考虑大气稳定度对毒性物质释放和扩散事故场景的影响，进一步增加了预测的准确性，事故场景同时包括导致中毒事故、以及导致火灾事故和/或爆炸事故的条件事件时，则需同时考虑人员伤亡损失因子及资产损失因子，并将其进行叠加，通过对不同事故场景构建不同的可信因子函数，使得不同的损失因子及相关参数的权重对于不同的可信因子函数不同，使得本实施方式的方法能适用于不同事故场景的可信因子计算，从而具有更好地适应性及准确性，相比现有技术主要依赖于Bow-tie法等对大量事件进行分析、分析过程过于复杂的缺陷，本实施方式的方法具有算法直观、简便、实用性更强、适用范围更广，应用性强的优点。
实施例2
如图3所示，本实施方式提供一种过程工业最严重可信事故场景确定装置，过程包括：
事故场景构建模块，被配置为构建事故场景并确定每个事故场景的条件事件；
可信因子计算模块，被配置为针对每个事故场景，获取每个条件事件的发生概率，并对所有条件事件的发生概率求积得到所述事故场景的发生频率；
通过预设的影响面积模型得到所述事故场景的影响面积；
依据所述事故场景的影响面积及所述事故场景的发生频率计算所述事故场景的人员伤亡损失因子及资产损失因子；
依据所述事故场景的人员伤亡损失因子和/或资产损失因子、以及所述事故场景的发生频率，计算所述事故场景的可信因子；
最严重可信事故场景计算模块，被配置为按值对所有事故场景的可信因子进行排序，将具有最大值的可信因子对应的事故场景确定为最严重可信事故场景。
在本实施方式中，条件事件包括基础泄漏孔径、泄漏方向、风向、点火源类型或毒性浓度。
在本实施方式中，预设的影响面积模型包括：
用于计算火灾事故影响面积的火灾热辐射计算模型、用于计算爆炸事故影响面积的TNO多能模型及用于计算中毒事故影响面积的烟团扩散Pasquill-Gifford模型。
在本发明的实施方式中，人员伤亡损失因子计算过程包括：
获取事故场景设定范围内的人口密度及人口分布因子，并依据公式Di＝Ai×fi×PDi×PDFi×k计算人员伤亡损失因子；
其中，i表示事故场景，A表示事故场景的影响面积，f表示事故场景的发生频率，PD表示事故场景设定范围内的人口密度，PDF表示人口分布因子，k表示人员伤亡的等效经济损失。
进一步的，在本实施方式中，资产损失因子计算过程包括：
获取事故场景设定范围内的资产密度及资产分布因子，并依据公式Li＝Ai×fi×ADi×ADFi计算人员伤亡损失因子；
其中，i表示事故场景，A表示事故场景的影响面积，f表示事故场景的发生频率，AD表示事故场景设定范围内的资产密度，ADF表示资产分布因子。
在本实施方式中，事故场景包括导致火灾事故、爆炸事故或中毒事故的一组或多组条件事件。
进一步的，可信因子的具体计算过程包括：
当事故场景包括导致火灾事故和/或爆炸事故的条件事件时，可信因子为Cei＝(Di2+Li2)1/2；
当事故场景包括导致中毒事故的条件事件时，可信因子为Cti＝Ai×fi×PDi×PDFi×k×WPFi，其中，WPF表示大气稳定度为E或F的概率；
当事故场景包括导致中毒事故、以及导致火灾事故和/或爆炸事故的条件事件时，可信因子为Cbi＝(Cei 2+Cti 2)1/2；
其中，Di表示人员伤亡损失因子，Li表示资产损失因子。
进一步的，当事故场景包括导致火灾事故的条件事件和爆炸事故的条件事件时，事故场景的影响面积以火灾事故影响面积及爆炸事故影响面积中影响面积较大的为准。
实施例3
本实施方式提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行实施例1提供的一种过程工业最严重可信事故场景确定方法。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (17)
1.一种过程工业最严重可信事故场景确定方法，其特征在于，所述方法包括：
1)构建事故场景并确定每个事故场景的条件事件；
2)针对每个事故场景：
获取每个条件事件的发生概率，并对所有条件事件的发生概率求积得到所述事故场景的发生频率；
通过预设的影响面积模型得到所述事故场景的影响面积；
依据所述事故场景的影响面积及所述事故场景的发生频率计算所述事故场景的人员伤亡损失因子及资产损失因子；
依据所述事故场景的人员伤亡损失因子和/或资产损失因子、以及所述事故场景的发生频率，计算所述事故场景的可信因子；
3)按值对所有事故场景的可信因子进行排序，将具有最大值的可信因子对应的事故场景确定为最严重可信事故场景。
2.根据权利要求1所述的过程工业最严重可信事故场景确定方法，其特征在于，所述条件事件包括基础泄漏孔径、泄漏方向、风向、点火源类型或毒性浓度。
3.根据权利要求1所述的过程工业最严重可信事故场景确定方法，其特征在于，所述预设的影响面积模型包括：
用于计算火灾事故影响面积的火灾热辐射计算模型、用于计算爆炸事故影响面积的TNO多能模型及用于计算中毒事故影响面积的烟团扩散Pasquill-Gifford模型。
4.根据权利要求1所述的过程工业最严重可信事故场景确定方法，其特征在于，所述人员伤亡损失因子计算过程包括：
获取所述事故场景设定范围内的人口密度及人口分布因子，并依据公式Di＝Ai×fi×PDi×PDFi×k计算所述人员伤亡损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，PD表示所述事故场景设定范围内的人口密度，PDF表示人口分布因子，k表示人员伤亡的等效经济损失。
5.根据权利要求1所述的过程工业最严重可信事故场景确定方法，其特征在于，所述资产损失因子计算过程包括：
获取所述事故场景设定范围内的资产密度及资产分布因子，并依据公式Li＝Ai×fi×ADi×ADFi计算所述资产损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，AD表示所述事故场景设定范围内的资产密度，ADF表示资产分布因子。
6.根据权利要求1所述的过程工业最严重可信事故场景确定方法，其特征在于，所述事故场景包括导致火灾事故、爆炸事故或中毒事故的一组或多组条件事件。
7.根据权利要求6所述的过程工业最严重可信事故场景确定方法，其特征在于，所述可信因子的具体计算过程包括：
当所述事故场景包括导致火灾事故和/或导致爆炸事故的条件事件时，所述可信因子为Cei＝(Di2+Li2)1/2；
当所述事故场景包括导致中毒事故的条件事件时，所述可信因子为Cti＝Di×WPFi，其中，WPF表示大气稳定度为E或F的概率；
当所述事故场景包括导致中毒事故、以及导致火灾事故和/或爆炸事故的条件事件时，所述可信因子为Cbi＝(Cei 2+Cti 2)1/2；
其中，Di表示人员伤亡损失因子，Li表示资产损失因子。
8.根据权利要求6所述的过程工业最严重可信事故场景确定方法，其特征在于，当所述事故场景包括导致火灾事故的条件事件和爆炸事故的条件事件时，所述事故场景的影响面积以火灾事故影响面积及爆炸事故影响面积中影响面积较大的为准。
9.一种过程工业最严重可信事故场景确定装置，其特征在于，所述装置包括：
事故场景构建模块，被配置为构建事故场景并确定每个事故场景的条件事件；
可信因子计算模块，被配置为针对每个事故场景，获取每个条件事件的发生概率，并对所有条件事件的发生概率求积得到所述事故场景的发生频率；
通过预设的影响面积模型得到所述事故场景的影响面积；
依据所述事故场景的影响面积及所述事故场景的发生频率计算所述事故场景的人员伤亡损失因子及资产损失因子；
依据所述事故场景的人员伤亡损失因子和/或资产损失因子、以及所述事故场景的发生频率，计算所述事故场景的可信因子；
最严重可信事故场景计算模块，被配置为按值对所有事故场景的可信因子进行排序，将具有最大值的可信因子对应的事故场景确定为最严重可信事故场景。
10.根据权利要求9所述的过程工业最严重可信事故场景确定装置，其特征在于，所述条件事件包括基础泄漏孔径、泄漏方向、风向、点火源类型或毒性浓度。
11.根据权利要求9所述的过程工业最严重可信事故场景确定装置，其特征在于，所述预设的影响面积模型包括：
用于计算火灾事故影响面积的火灾热辐射计算模型、用于计算爆炸事故影响面积的TNO多能模型及用于计算中毒事故影响面积的烟团扩散Pasquill-Gifford模型。
12.根据权利要求9所述的过程工业最严重可信事故场景确定装置，其特征在于，所述人员伤亡损失因子计算过程包括：
获取所述事故场景设定范围内的人口密度及人口分布因子，并依据公式Di＝Ai×fi×PDi×PDFi×k计算所述人员伤亡损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，PD表示所述事故场景设定范围内的人口密度，PDF表示人口分布因子，k表示人员伤亡的等效经济损失。
13.根据权利要求9所述的过程工业最严重可信事故场景确定装置，其特征在于，所述资产损失因子计算过程包括：
获取所述事故场景设定范围内的资产密度及资产分布因子，并依据公式Li＝Ai×fi×ADi×ADFi计算所述资产损失因子；
其中，i表示事故场景，A表示所述事故场景的影响面积，f表示所述事故场景的发生频率，AD表示所述事故场景设定范围内的资产密度，ADF表示资产分布因子。
14.根据权利要求9所述的过程工业最严重可信事故场景确定装置，其特征在于，所述事故场景包括导致火灾事故、爆炸事故或中毒事故的一组或多组条件事件。
15.根据权利要求14所述的过程工业最严重可信事故场景确定装置，其特征在于，所述可信因子的具体计算过程包括：
当所述事故场景包括导致火灾事故和/或爆炸事故的条件事件时，所述可信因子为Cei＝(Di2+Li2)1/2；
当所述事故场景包括导致中毒事故的条件事件时，所述可信因子为Cti＝Di×WPFi，其中，WPF表示大气稳定度为E或F的概率；
当所述事故场景包括导致中毒事故、以及导致火灾事故和/或爆炸事故的条件事件时，所述可信因子为Cbi＝(Cei 2+Cti 2)1/2；
其中，Di表示人员伤亡损失因子，Li表示资产损失因子。
16.根据权利要求14所述的过程工业最严重可信事故场景确定装置，其特征在于，当所述事故场景包括导致火灾事故的条件事件和爆炸事故的条件事件时，所述事故场景的影响面积以火灾事故影响面积及爆炸事故影响面积中影响面积较大的为准。
17.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行权利要求1～7中任意一项权利要求所述的过程工业最严重可信事故场景确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911083584.2A CN112784991B (zh) | 2019-11-07 | 2019-11-07 | 过程工业最严重可信事故场景确定方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911083584.2A CN112784991B (zh) | 2019-11-07 | 2019-11-07 | 过程工业最严重可信事故场景确定方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784991A true CN112784991A (zh) | 2021-05-11 |
| CN112784991B CN112784991B (zh) | 2024-03-26 |
Family
ID=75747976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911083584.2A Active CN112784991B (zh) | 2019-11-07 | 2019-11-07 | 过程工业最严重可信事故场景确定方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784991B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050009009A (ko) * | 2003-07-15 | 2005-01-24 | 한국가스안전공사 | 중대산업설비의 위험등급에 따른 진단평가 방법 및 그프로그램을 저장한 기록매체 |
| JP2005327214A (ja) * | 2004-05-17 | 2005-11-24 | Mitsui Sumitomo Insurance Co Ltd | 災害発生頻度推定装置、方法、ソフトウェア、記録媒体及び災害事象発生頻度推定システム |
| CN101853436A (zh) * | 2010-04-30 | 2010-10-06 | 中国环境科学研究院 | 一种水污染事故风险源识别方法 |
| CN102509003A (zh) * | 2011-10-19 | 2012-06-20 | 中国石油化工股份有限公司 | 利用计算机进行化工装置爆炸风险评估的方法及系统 |
| CN102841600A (zh) * | 2012-08-24 | 2012-12-26 | 中国核电工程有限公司 | 用于核燃料后处理厂事故安全分析的分析方法 |
| CN103309342A (zh) * | 2012-03-15 | 2013-09-18 | 华北计算机系统工程研究所 | 一种针对工业控制系统的防危性验证方案 |
| CN104750949A (zh) * | 2015-04-22 | 2015-07-01 | 中国石油大学(华东) | 一种气体泄漏中毒个人风险定量评估及表征方法 |
| CN104915760A (zh) * | 2015-05-27 | 2015-09-16 | 中国石油化工股份有限公司 | 一种预防大型原油储罐火灾事故的评估方法 |
| CN105976043A (zh) * | 2016-03-31 | 2016-09-28 | 华南理工大学 | 一种危险化学品多米诺事故应急物资需求量预测方法 |
| CN106096829A (zh) * | 2016-06-06 | 2016-11-09 | 浙江大学 | 一种石化企业事故风险损失评估方法 |
| CN106204319A (zh) * | 2015-04-30 | 2016-12-07 | 中国石油天然气股份有限公司 | 储气库地面设备的风险评估方法和装置 |
| CN107862470A (zh) * | 2017-11-27 | 2018-03-30 | 国网北京市电力公司 | 事故风险等级的确定方法及装置、存储介质 |
| CN110020760A (zh) * | 2018-01-09 | 2019-07-16 | 中国石油化工股份有限公司 | 石化企业安全风险等级定量评估方法 |
-
2019
- 2019-11-07 CN CN201911083584.2A patent/CN112784991B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050009009A (ko) * | 2003-07-15 | 2005-01-24 | 한국가스안전공사 | 중대산업설비의 위험등급에 따른 진단평가 방법 및 그프로그램을 저장한 기록매체 |
| JP2005327214A (ja) * | 2004-05-17 | 2005-11-24 | Mitsui Sumitomo Insurance Co Ltd | 災害発生頻度推定装置、方法、ソフトウェア、記録媒体及び災害事象発生頻度推定システム |
| CN101853436A (zh) * | 2010-04-30 | 2010-10-06 | 中国环境科学研究院 | 一种水污染事故风险源识别方法 |
| CN102509003A (zh) * | 2011-10-19 | 2012-06-20 | 中国石油化工股份有限公司 | 利用计算机进行化工装置爆炸风险评估的方法及系统 |
| CN103309342A (zh) * | 2012-03-15 | 2013-09-18 | 华北计算机系统工程研究所 | 一种针对工业控制系统的防危性验证方案 |
| CN102841600A (zh) * | 2012-08-24 | 2012-12-26 | 中国核电工程有限公司 | 用于核燃料后处理厂事故安全分析的分析方法 |
| CN104750949A (zh) * | 2015-04-22 | 2015-07-01 | 中国石油大学(华东) | 一种气体泄漏中毒个人风险定量评估及表征方法 |
| CN106204319A (zh) * | 2015-04-30 | 2016-12-07 | 中国石油天然气股份有限公司 | 储气库地面设备的风险评估方法和装置 |
| CN104915760A (zh) * | 2015-05-27 | 2015-09-16 | 中国石油化工股份有限公司 | 一种预防大型原油储罐火灾事故的评估方法 |
| CN105976043A (zh) * | 2016-03-31 | 2016-09-28 | 华南理工大学 | 一种危险化学品多米诺事故应急物资需求量预测方法 |
| CN106096829A (zh) * | 2016-06-06 | 2016-11-09 | 浙江大学 | 一种石化企业事故风险损失评估方法 |
| CN107862470A (zh) * | 2017-11-27 | 2018-03-30 | 国网北京市电力公司 | 事故风险等级的确定方法及装置、存储介质 |
| CN110020760A (zh) * | 2018-01-09 | 2019-07-16 | 中国石油化工股份有限公司 | 石化企业安全风险等级定量评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784991B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cozzani et al. | The assessment of risk caused by domino effect in quantitative area risk analysis | |
| Rae et al. | Fixing the cracks in the crystal ball: A maturity model for quantitative risk assessment | |
| US20150242779A1 (en) | Computerized complex system event assessment, projection and control | |
| Lau et al. | Fire risk assessment with scoring system, using the support vector machine approach | |
| KR102189254B1 (ko) | Gis 기반 불규칙 하천 지형 특성 분석을 통한 오염물질 추적 및 역추적 정보제공 방법 | |
| Aspinall et al. | Volcanic risk assessment | |
| CN114997607A (zh) | 一种基于工程检测数据的异常评估预警方法及系统 | |
| CN116205498B (zh) | 基于物联网的火灾潜在发生评估与预警方法、系统及介质 | |
| Rad et al. | A risk-based methodology for optimum placement of flammable gas detectors within open process plants | |
| CN112784991A (zh) | 过程工业最严重可信事故场景确定方法、装置及存储介质 | |
| Maal et al. | Methodology for security risk assessments: Is there a best practice | |
| Zhou et al. | Probabilistic Analysis of Domino Effects by Using a Matrix‐Based Simulation Approach | |
| Kim et al. | Development of a risk assessment model against disasters in high-rise buildings and results of a building simulation analysis | |
| CN112565380B (zh) | 一种消防物联网数据接入方法及系统 | |
| CN113344472A (zh) | 网络安全评分方法 | |
| Decarli et al. | Barrier Integrity Management: An Innovative Approach for Managing Process Safety Risks in Oil and Gas Assets | |
| KR102561776B1 (ko) | 화학물질 누출사고의 피해등급 자동산정장치 | |
| Borysiewicz et al. | An integrated risk informed decision making in the nuclear industry | |
| Arjuna et al. | Fire Risk Analysis in The Chemical Industry using The Hazard Identification and Risk Assessment Method | |
| RU2790795C2 (ru) | Способ обеспечения комплексной безопасности объектов, территорий и населения на базе программно-аппаратных комплексов и универсальный программно-аппаратный комплекс управления системой комплексной безопасности | |
| Luskova et al. | SOCIETAL VULNERABILITY TO IMPACTS OF EXTREME WEATHER EVENTS ON LAND TRANSPORT INFRASTRUCTURE. | |
| KR102622068B1 (ko) | 원자력 사고 대응을 위한 방재대책 수목도 편집 시스템 | |
| POPOVICI et al. | Towards An Integrated Modular Solution For Monitoring And Ecological Actions In Danube Delta | |
| Khudbiddin et al. | Prevention of Major Accident Hazards (MAHs) in major Hazard Installation (MHI) premises via land use planning (LUP): a review | |
| US20170068422A1 (en) | Generating an incident dossier |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240226 Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant after: CHINA PETROLEUM & CHEMICAL Corp. Country or region after: China Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd. Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant before: CHINA PETROLEUM & CHEMICAL Corp. Country or region before: China Applicant before: SINOPEC Research Institute OF SAFETY ENGINEERING |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |