CN114861988A - 动态贝叶斯网络和故障树模型预测常压储罐群事故方法 - Google Patents
动态贝叶斯网络和故障树模型预测常压储罐群事故方法 Download PDFInfo
- Publication number
- CN114861988A CN114861988A CN202210393100.XA CN202210393100A CN114861988A CN 114861988 A CN114861988 A CN 114861988A CN 202210393100 A CN202210393100 A CN 202210393100A CN 114861988 A CN114861988 A CN 114861988A
- Authority
- CN
- China
- Prior art keywords
- storage tank
- bayesian network
- probability
- accident
- accidents
- 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.)
- Withdrawn
Links
- 238000003860 storage Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004880 explosion Methods 0.000 claims abstract description 47
- 230000003068 static effect Effects 0.000 claims abstract description 31
- 230000000704 physical effect Effects 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 7
- 230000035939 shock Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 description 15
- 239000007788 liquid Substances 0.000 description 13
- 230000005855 radiation Effects 0.000 description 8
- 239000000126 substance Substances 0.000 description 5
- 239000002360 explosive Substances 0.000 description 4
- 206010000369 Accident Diseases 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Filling Or Discharging Of Gas Storage Vessels (AREA)
Abstract
动态贝叶斯网络和故障树模型预测常压储罐群事故方法，涉及一种预测常压储罐群事故方法，首先收集待评估常压储罐群的基础数据，基于泄露和破裂的风险评价结果确定初始危险储罐；考虑火灾、爆炸两种重大事故，分别计算两种事故的物理效应，基于故障树分析法对初始危险储罐与邻近储罐间可能的事故演化模式进行分析，并建立常压储罐群重大事故的故障树模型；根据事故物理效应计算邻近储罐的事故概率，根据故障树模型构建常压储罐群重大事故概率的静态贝叶斯网络；根据静态贝叶斯网络构建常压储罐群重大事故概率的动态贝叶斯网络，计算发生重大事故的动态概率，结合故障树模型预测最可能发生的事故演化模式及关联储罐。
Description
技术领域
本发明涉及一种预测常压储罐群事故方法，特别是涉及一种动态贝叶斯网络和故障树模型预测常压储罐群事故方法。
背景技术
化工产业是国民经济的支柱产业，由于化工产品普遍具有易燃、易爆等特点，而常压储罐又是化工产品的主要储存手段。一旦常压储罐发生事故往往会对同一围堰中的其他储罐产生影响。故对常压储罐群的重大事故的安全评估非常有必要。
常压储罐中的液体介质往往具备易燃易爆等物理特性，一旦常压储罐发生破裂或泄漏，遇到明火后就会发生火灾或爆炸。同一围堰内各个常压储罐邻近建造，当有一个储罐发生火灾或爆炸，其邻近的常压储罐发生事故的概率将会大幅度提高，使事故后果的严重度提高。
常压储罐一般指钢制立式圆筒形焊接储罐，广泛应用于石油、石化行业生产以及危险化学品仓储，一旦发生泄漏，即可能造成火灾、爆炸、环境污染等恶性事故。目前，我国的大型常压储罐存在很多超期不检的情况，为保障其安全平稳运行，有效预防重大事故发生，非常有必要对常压储罐群事故进行预测。
发明内容
本发明的目的在于提供一种动态贝叶斯网络和故障树模型预测常压储罐群事故方法，本发明针对常压罐区火灾和爆炸重大事故，基于动态贝叶斯网络和故障树模型，提出了考虑时间和空间耦合作用的常压储罐群重大事故的预测方法，该方法能够辨识常压储罐群最可能事故演化模式及关联储罐，对制定常压储罐群重大事故的应急响应预案和保障化工企业常压罐区的危化品安全，具有重要的理论意义和应用价值。
本发明的目的是通过以下技术方案实现的：
动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述方法包括以下步骤：
（1）收集待评估常压储罐群的基础数据；
（2）根据所述基础数据确定初始危险储罐及其事故模式；
（3）根据所述初始危险储罐的事故模式，计算火灾或爆炸重大事故的物理效应；
（4）建立常压储罐群重大事故的故障树模型；
（5）根据所述故障树模型构建常压储罐群重大事故概率的静态贝叶斯网络；
（6）根据所述静态贝叶斯网络构建常压储罐群重大事故概率的动态贝叶斯网络；
（7）根据所述动态贝叶斯网络计算动态概率，预测常压储罐群最可能发生的重大事故演化模式及关联储罐；
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述收集待评估常压储罐群的基础数据的过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》收集常压储罐失效概率分析所需的基础数据。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述根据所述基础数据确定初始危险储罐及其事故模式的过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》，基于泄露和破裂失效概率的评价结果确定初始危险储罐；
设定初始事故模式判别标准，确定初始危险储罐的初始事故模式。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述根据所述初始危险储罐的事故模式，计算火灾或爆炸重大事故的物理效应的过程为：
根据池火灾模型，计算火灾的物理效应；
根据冲击波爆炸模型和TNT当量模型，计算爆炸的物理效应。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述建立常压储罐群重大事故的故障树模型的过程为：
根据火灾或爆炸的物理效应，结合常压储罐群的分布，分析可能发生的事故演化模式；
根据可能发生的各事故演化模式构造常压储罐群重大事故的故障树模型。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述根据所述故障树模型构建常压储罐群重大事故概率的静态贝叶斯网络的过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》计算出初始危险储罐的失效概率；
根据Cozzani和Salzano提出的常压储罐破坏概率模型，计算在火灾或爆炸事故下邻近储罐的破坏概率；
根据专家经验和国内136例储罐事故的统计结果，计算常压储罐在破坏的情况下发生火灾或爆炸的概率；
基于所述的初始危险储罐的失效概率、在火灾或爆炸事故下邻近储罐的破坏概率和破坏情况下常压储罐发生火灾或爆炸的概率，计算各级危险储罐发生火灾或爆炸的概率；
基于所述的各级危险储罐发生火灾或爆炸的概率，得到常压储罐群重大事故静态贝叶斯网络的条件概率表；
根据故障树模型构造静态贝叶斯网络的网络结构。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述根据所述静态贝叶斯网络构建常压储罐群重大事故概率的动态贝叶斯网络的过程为：
根据所述的静态贝叶斯网络的网络结构，构建常压储罐群重大事故概率的动态贝叶斯网络的网络结构；
根据静态贝叶斯网络的条件概率表确定动态贝叶斯网络的初始条件概率表；
计算动态贝叶斯网络的状态转移概率；
动态贝叶斯网络的初始条件概率表由静态贝叶斯网络的条件概率表确定，动态贝叶斯网络的状态转移概率由
确定。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述根据所述动态贝叶斯网络计算动态概率，预测常压储罐群最可能发生的重大事故演化模式及关联储罐的过程为：
根据动态贝叶斯网络的逻辑推理算法，计算事故演化模式的动态概率；
判别动态概率最大的事故演化模式，预测常压储罐群最可能发生的重大事故演化模式及关联储罐。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述当初始危险储罐的事故模式是火灾时，常压储罐发生火灾通常为池火灾，故计算火灾的物理效应时选用池火灾模型；当初始危险储罐的事故模式是爆炸时，选用超声波冲击模型和TNT当量模型计算物理效应。
所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，所述根据静态贝叶斯网络的网络结构确定动态贝叶斯网络的网络结构；
根据所述动态贝叶斯网络计算动态概率，预测常压储罐群最可能发生的重大事故演化模式及关联储罐。
附图说明
图1是本发明提出的常压储罐群重大事故预测方法流程图；
图2是初始危险储罐与邻近储罐间可能的事故演化模式示意图；
图3是常压储罐群重大事故的故障树模型；
图4是本发明的静态贝叶斯网络图；
图5是本发明的动态贝叶斯网络图。
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。
本发明提供一种基于故障树分析法和动态贝叶斯网络的常压储罐群重大事故预测方法，包括如下步骤：
S1、收集待评估常压储罐群的基础数据，具体过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》，收集常压储罐失效概率分析所需的基础数据包括：
储罐（包括涂层、保温、和衬里）投用、维修、改造日期；
储罐涂层、保温、和衬里安装质量；
储罐的操作压力、操作温度；
储罐中可能存在的工艺介质种类（包括罐底水层）、各工艺介质的相对含量（包括腐蚀介质）；
储罐各层壁板和底板的建造材料、名义厚度；
储罐建造热处理工艺；
储罐底板类型、衬垫类型、阴极保护类型、土壤电阻率、排放雨水能力；
储罐水汲取设施以及是否安装蒸汽盘管加热器；
储罐历次检验的有效性和检验次数；
储罐建造、修理、改造所使用的设计规范或标准；
储罐泄漏探测系统的类型。
S2、根据所述基础数据确定初始危险储罐及其事故模式，具体过程为：
计算常压罐区所有常压储罐的失效概率
，公式为：
式中，
为平均失效概率；
为总损伤系数；
为管理系统评价系数。具体计算过程参考《GB/T 30578-2014常压储罐基于风险的检测及评价》。
选择失效概率
最大的常压储罐作为初始危险储罐。根据初始危险储罐所储存的物料特性进行初始事故的模式判别。针对由常压储罐泄露或破裂导致的物料特性为易燃的液体泄漏，如果立即接触点火源，则会被点燃形成火灾；如果泄漏的易燃液体没有立即接触到点火源，则其挥发的蒸气云在接触点火源后则会发生蒸气云爆炸并引发火灾。
S3、根据所述初始危险储罐的事故模式，计算火灾或爆炸重大事故的物理效应，具体过程为：
当事故模式是火灾，常压储罐发生火灾通常为池火灾，其模型为：
式中，
为单位表面积燃烧速度，
为液体燃烧热，
液体的比定压热容，
为液体的沸点，
为环境温度，
为液体气化热，
。
假设液池为半径为r的圆形液池，则火焰高度模型为：
式中，
为火焰高度，
为液池半径，
为周围空气密度，
。
液池燃烧时放出的总热辐射通量为：
式中，
为总热辐射通量，
为效率因子，可取0.13 ~ 0.35。
假设全部辐射热量由液池中心点的小球面辐射出来，则在距离池中心某一距离
处的入射热辐射强度为：
式中，
为热辐射强度，
为热传导系数，在无相对理想的数据时，可取值为1；
为目标点到液池中心距离，
。
当事故模式是爆炸时，冲击波超压的计算公式为：
式中，
为水泥地面上爆炸时的冲击波峰值超压，单位
为比例距离（对比距离），是爆炸中心的距离r与爆炸药量w的立方根之比，即
爆炸药量w根据TNT当量算，其公式为：
式中，
为蒸汽云爆炸的效率因子，一般取3%或4%；
为爆炸药量，
物质热值，
为TNT的爆炸热，一般取
为物质的TNT当量，
。
S4、建立常压储罐群重大事故的故障树模型，具体过程为：
在一个围堰中，当储罐发生火灾或爆炸时，事故物理效应范围内的所有储罐都会受到影响。处在初始危险储罐事故物理效应影响范围内的各储罐作为二级危险储罐，处在二级危险储罐事故物理效应影响范围内的各储罐作为三级危险储罐。如图2所示；
根据所述的事故演化模式构造常压储罐群重大事故的故障树模型，如图3所示。
S5、根据所述故障树模型构建常压储罐群重大事故概率的静态贝叶斯网络，具体过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》计算出初始危险储罐的失效概率；
计算出事故的物理效应（火灾热辐射、爆炸冲击波超压）后，与邻罐的阈值进行比较，判断在不同事故中物理效应是否超过邻罐的阈值。若超过，则根据Cozzani和Salzano提出的常压储罐失效概率模型，计算在火灾或爆炸事故下邻近储罐的破坏概率。
对于火灾热辐射，邻罐破坏概率为：
式中，
表示设备失效概率的概率单位值；
表示邻近储罐在热辐射作用下发生失效的时间（单位为s）；
表示邻近储罐所受热辐射强度的大小（单位为
）；
表示邻近储罐体积（单位为
）。
对于爆炸冲击波超压，邻罐失效概率为：
式中，
表示邻近储罐所受峰值静态压大小（单位为
）。
邻近储罐的破坏概率
表示：
（11）
式中，
表示邻近储罐的破坏概率。
根据专家经验得到储罐在的情况下发生事故（火灾或爆炸）的概率为
。
根据国内136例储罐事故的统计结果，计算已破坏的储罐在邻罐发生火灾和爆炸的情况下发生火灾、爆炸事故的概率分别为
。
基于所述的初始危险储罐的失效概率、在火灾或爆炸事故下邻近储罐的破坏概率和破坏情况下常压储罐发生火灾或爆炸的概率，计算初始、二级、三级危险储罐发生火灾或爆炸的概率；
初始危险储罐发生火灾事故的概率
和爆炸事故的概率
分别为：
二级危险储罐发生火灾事故的概率
和爆炸事故的概率
分别为：
三级危险储罐发生火灾事故的概率
和爆炸事故的概率
分别为：
基于所述的各级危险储罐发生火灾或爆炸的概率，得到常压储罐群重大事故静态贝叶斯网络的条件概率表。
根据故障树模型构建常压储罐群重大事故概率的静态贝叶斯网络的网络结构，如图4所示。
S6根据所述静态贝叶斯网络构建常压储罐群重大事故概率的动态贝叶斯网络，具体过程为：
动态贝叶斯网络由
表示，其中
表示静态贝叶斯网络的条件概率，
表示相邻两个时间片之间的状态转移网络相邻两个时间片变量之间的条件概率分布可以表示为：
式中，
为第
个时间片第
个节点，
表示
的父节点，它可以在
时间片内，也可以在
时间片内。
根据静态贝叶斯网络的网络结构确定动态贝叶斯网络的网络结构，如图5所示。
S7、根据所述动态贝叶斯网络计算动态概率，预测常压储罐群最可能发生的重大事故演化模式及关联储罐，具体过程为：
动态贝叶斯网络的逻辑推理步骤包括：
一个具有n个隐藏节点和m个观测节点的离散静态贝叶斯网络随时间发展就得到T个时间片的离散动态贝叶斯网络，假设观测值只有一种组合状态，因此在此观测值下隐藏变量的分布为（实际是一种后验概率）为：
根据贝叶斯公式：
将式(20)代入式(21)，得到：
根据贝叶斯网络的条件独立性假设：
式中，
。
将式(19)代入式(18)：
式中，
为观测变量
的取值；
为
的父节点集合。
对于
个时间片的网络，假定
是观测变量的观测值，将
记作
，则在此观测之下的隐藏变量的分布为：
由于离散动态贝叶斯网络本身也符合贝叶斯网络的条件独立性假设，故有：
式中，
。
将式(22)代入(21)得：
式中，
为
的一个取值状态；
为观测变量
的父节点集合。
根据动态贝叶斯网络的逻辑推理算法，计算事故演化模式的动态概率；根据动态概率的计算结果，预测常压储罐群最可能发生的重大事故演化模式及关联储罐。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述方法包括以下步骤：
（1）收集待评估常压储罐群的基础数据；
（2）根据所述基础数据确定初始危险储罐及其事故模式；
（3）根据所述初始危险储罐的事故模式，计算火灾或爆炸重大事故的物理效应；
（4）建立常压储罐群重大事故的故障树模型；
（5）根据所述故障树模型构建常压储罐群重大事故概率的静态贝叶斯网络；
（6）根据所述静态贝叶斯网络构建常压储罐群重大事故概率的动态贝叶斯网络；
（7）根据所述动态贝叶斯网络计算动态概率，预测常压储罐群最可能发生的重大事故演化模式及关联储罐。
2.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述收集待评估常压储罐群的基础数据的过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》收集常压储罐失效概率分析所需的基础数据。
3.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述根据所述基础数据确定初始危险储罐及其事故模式的过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》，基于泄露和破裂失效概率的评价结果确定初始危险储罐；
设定初始事故模式判别标准，确定初始危险储罐的初始事故模式。
4.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述根据所述初始危险储罐的事故模式，计算火灾或爆炸重大事故的物理效应的过程为：
根据池火灾模型，计算火灾的物理效应；
根据冲击波爆炸模型和TNT当量模型，计算爆炸的物理效应。
5.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述建立常压储罐群重大事故的故障树模型的过程为：
根据火灾或爆炸的物理效应，结合常压储罐群的分布，分析可能发生的事故演化模式；
根据可能发生的各事故演化模式构造常压储罐群重大事故的故障树模型。
6.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述根据所述故障树模型构建常压储罐群重大事故概率的静态贝叶斯网络的过程为：
根据《GB/T 30578-2014常压储罐基于风险的检测及评价》计算出初始危险储罐的失效概率；
根据Cozzani和Salzano提出的常压储罐破坏概率模型，计算在火灾或爆炸事故下邻近储罐的破坏概率；
根据专家经验和国内136例储罐事故的统计结果，计算常压储罐在破坏的情况下发生火灾或爆炸的概率；
基于所述的初始危险储罐的失效概率、在火灾或爆炸事故下邻近储罐的破坏概率和破坏情况下常压储罐发生火灾或爆炸的概率，计算各级危险储罐发生火灾或爆炸的概率；
基于所述的各级危险储罐发生火灾或爆炸的概率，得到常压储罐群重大事故静态贝叶斯网络的条件概率表；
根据故障树模型构造静态贝叶斯网络的网络结构。
7.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述根据所述静态贝叶斯网络构建常压储罐群重大事故概率的动态贝叶斯网络的过程为：
根据所述的静态贝叶斯网络的网络结构，构建常压储罐群重大事故概率的动态贝叶斯网络的网络结构；
根据静态贝叶斯网络的条件概率表确定动态贝叶斯网络的初始条件概率表；
计算动态贝叶斯网络的状态转移概率；
动态贝叶斯网络的初始条件概率表由静态贝叶斯网络的条件概率表确定，动态贝叶斯网络的状态转移概率由
确定。
8.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述根据所述动态贝叶斯网络计算动态概率，预测常压储罐群最可能发生的重大事故演化模式及关联储罐的过程为：
根据动态贝叶斯网络的逻辑推理算法，计算事故演化模式的动态概率；
判别动态概率最大的事故演化模式，预测常压储罐群最可能发生的重大事故演化模式及关联储罐。
9.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述当初始危险储罐的事故模式是火灾时，常压储罐发生火灾通常为池火灾，故计算火灾的物理效应时选用池火灾模型；当初始危险储罐的事故模式是爆炸时，选用超声波冲击模型和TNT当量模型计算物理效应。
10.根据权利要求1所述的动态贝叶斯网络和故障树模型预测常压储罐群事故方法，其特征在于，所述根据静态贝叶斯网络的网络结构确定动态贝叶斯网络的网络结构；
根据所述动态贝叶斯网络计算动态概率，预测常压储罐群最可能发生的重大事故演化模式及关联储罐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210393100.XA CN114861988A (zh) | 2022-04-15 | 2022-04-15 | 动态贝叶斯网络和故障树模型预测常压储罐群事故方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210393100.XA CN114861988A (zh) | 2022-04-15 | 2022-04-15 | 动态贝叶斯网络和故障树模型预测常压储罐群事故方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114861988A true CN114861988A (zh) | 2022-08-05 |
Family
ID=82630610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210393100.XA Withdrawn CN114861988A (zh) | 2022-04-15 | 2022-04-15 | 动态贝叶斯网络和故障树模型预测常压储罐群事故方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861988A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485038A (zh) * | 2023-06-08 | 2023-07-25 | 南京工业大学 | 一种压力储罐区火灾次生多米诺事故的动态预测方法 |
| CN117113788A (zh) * | 2023-10-25 | 2023-11-24 | 南京南工应急科技有限公司 | 一种火灾和爆炸耦合下钢制常压储罐结构失效预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106980902A (zh) * | 2017-04-05 | 2017-07-25 | 广州中国科学院工业技术研究院 | 液化气储罐事故预测系统及方法 |
| CN111242504A (zh) * | 2020-01-23 | 2020-06-05 | 南京工业大学 | 基于多米诺效应的煤气化装置风险概率的计算方法 |
| 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 |
-
2022
- 2022-04-15 CN CN202210393100.XA patent/CN114861988A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106980902A (zh) * | 2017-04-05 | 2017-07-25 | 广州中国科学院工业技术研究院 | 液化气储罐事故预测系统及方法 |
| CN111242504A (zh) * | 2020-01-23 | 2020-06-05 | 南京工业大学 | 基于多米诺效应的煤气化装置风险概率的计算方法 |
| 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 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485038A (zh) * | 2023-06-08 | 2023-07-25 | 南京工业大学 | 一种压力储罐区火灾次生多米诺事故的动态预测方法 |
| CN116485038B (zh) * | 2023-06-08 | 2023-11-24 | 南京工业大学 | 一种压力储罐区火灾次生多米诺事故的动态预测方法 |
| CN117113788A (zh) * | 2023-10-25 | 2023-11-24 | 南京南工应急科技有限公司 | 一种火灾和爆炸耦合下钢制常压储罐结构失效预测方法 |
| CN117113788B (zh) * | 2023-10-25 | 2023-12-29 | 南京南工应急科技有限公司 | 一种火灾和爆炸耦合下钢制常压储罐结构失效预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114861988A (zh) | 动态贝叶斯网络和故障树模型预测常压储罐群事故方法 | |
| CN112633553B (zh) | 燃气管线-危化企业耦合隐患辨识与风险评估方法及系统 | |
| Jiang et al. | Assessment of tanks vulnerability and domino effect analysis in chemical storage plants | |
| CN108345986B (zh) | 一种化工危险源动态量化评估方法 | |
| CN113536654B (zh) | 一种常压储罐区多米诺事故动态预测方法、系统及装置 | |
| CN106934524A (zh) | 一种海洋油气平台爆炸事故后果量化评估方法 | |
| Wu et al. | The time-to-failure assessment of large crude oil storage tank exposed to pool fire | |
| WO2023088489A1 (zh) | 储油罐安全评估方法、装置、计算机设备及存储介质 | |
| Landucci et al. | Heat radiation effects | |
| Ding et al. | A novel approach to reduce fire-induced domino effect risk by leveraging loading/unloading demands in chemical industrial parks | |
| CN110824018A (zh) | 常压储罐风险评估及安全检测评价方法 | |
| Wang et al. | Experimental and numerical study of the fire behavior of a tank with oil leaking and burning | |
| CN106920035A (zh) | 一种海洋油气平台火灾事故后果量化评估方法 | |
| Yang et al. | Improved models of failure time for atmospheric tanks under the coupling effect of multiple pool fires | |
| El-Harbawi | Fire and explosion risks and consequences in electrical substations—A transformer case study | |
| Ding et al. | Application of data mining to minimize fire‐induced domino effect risks | |
| Necci et al. | Natech risk management | |
| Kong et al. | Quantitative Risk Assessment and Management of Hydrogen Leaks from Offshore Rocket Launching Platforms | |
| Bai et al. | Energy-based coupling risk assessment (CRA) model for urban underground utility tunnels | |
| CN113818709B (zh) | 用于建筑物的抗爆升级改造方法及系统 | |
| CN113821765A (zh) | 基于风险的建筑物的抗爆设防值评估方法及系统 | |
| RU42874U1 (ru) | Теплоизолированная емкость для хранения и транспортирования жидкостей | |
| CN118298949A (zh) | 雷击诱发浮顶储罐爆炸最不利区域损伤概率分布分析方法 | |
| Landucci et al. | A risk management framework for NaTech scenarios caused by flooding | |
| Mandal et al. | External floating roof tank boil over: Causes, prevention and management-A comprehensive 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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220805 |