基于BN的LNG船装卸泄漏风险分析.pdf
《基于BN的LNG船装卸泄漏风险分析.pdf》由会员分享,可在线阅读,更多相关《基于BN的LNG船装卸泄漏风险分析.pdf(7页珍藏版)》请在咨信网上搜索。
1、Ba2023年9 月Sep.2023NAVIGATIONOFCHINAVol.46No.3第46 卷第3期中国海航文章编号:10 0 0 46 53(2 0 2 3)0 3-0 0 42-0 7基于BN的LNG船装卸泄漏风险分析王清斌,赵睿,王佳航,王文亮(大连海事大学交通运输工程学院,辽宁大连116 0 2 6)摘要:为降低液化天然气(Liquefied NaturalGas,LNG)船装卸作业泄漏风险,针对LNG船泄漏事故样本数据不足的问题,提出一种基于贝叶斯网络(BayesianNetwork,BN)的LNG船装卸泄漏风险分析模型,结合核密度估计(K e r n e l D e n s
2、i t y Es t i ma t i o n,K D E)和最大最小爬山算法进行BN结构学习,以数据驱动的方法减少主观因素对BN结构学习的影响。试验表明:该模型可有效挖掘导致LNG船装卸泄漏事故发生的风险节点,并通过反向推理及对应事故致因节点的后验概率,推理事故致因链及各节点的影响程度,有针对性地提出降低LNG泄漏风险的建议,为保障LNG船装卸安全提供信息支持。关键词:LNG船舶;小样本数据;贝叶斯网络;核密度估计中图分类号:U698.6文献标志码:AD0I:10.3969/j.issn.1000-4653.2023.03.007yesian network to analeakage ri
3、sks in LNG ship loading and unloadinz.eWANGQingbin,ZHAORui,WANG Jiahang,WANG Wenliang(College of Transportation Engineering,Dalian Maritime University,Dalian 116026,China)Abstract:Analyzing the leakage risk associated with LNG(Liquefied Natural Gas)ship loading/unloading is a challengingtask because
4、 of inadequate accident sample data.The BN(Bayesian Network)is introduced to address the issue.The KDE(Kernel Density Estimation)and the max-min hill-climbing algorithm is used for structure learning of BN to reduce theimpact of subjective factors.Experiments show that the model can effectively mine
5、 the risk nodes leading to LNG leakageaccidents,infer the accident cause chain and find the influence degree of each node through reverse reasoning and theposterior probability of the corresponding accident cause nodes.The measures to reduce the risk can be figured out with thehelp of the model.Key
6、words:LNG ship;small sample data;Bayesian network;KDE多年来,国际液化天然气(LiquefiedNaturalGas,LNG)进口国组织(The International Group ofLiquefied Natural Gas Importers,GIIGNL)对 LNG 安全事故的研究表明:在整个LNG产业链中,约8 0%的安全事故都发生在LNG船舶在港装卸作业期间。因此,对LNG船装卸货泄漏风险进行分析,对LNG船舶运输、人员生命财产安全和海洋环境有重要意义。贝叶斯网络(BayesianNetwork,BN)是一种用于描述变量间不确
7、定性因果关系的图形网络模型,是不确定知识表达和推理领域最有效的理论模型之MELANIA等2 采用功能树法对LNG船货物装卸设备进行失效分析,得到危险源后用贝叶斯概率算法得到各事件发生可能性;马先山等3 采用静态和动态BN建立港口LNG船装卸货运风险预测模型;BAKSH等4 提出一个基于BN的北极航线风险模型;万伟强5 通过事故数据,结合系统安全法,构建BN节点,再利用风险矩阵定级法对航行中可能发生的风险因数进行风险分级;屈静等6 采用情景分析和BN结合;黄磊等7 建立数据驱动的BN风险预测模型,对港口干散货货运领域风险问题进行研究。在这些研究中,BN结构构建主要基于专家收稿日期:2 0 2 2
8、-0 4-11作者简介:赵睿(1997 一),男,硕士,研究方向为航运风险。E-mail:通信作者:王清斌(197 0 一),男,副教授,博士,研究方向为物流系统规划。E-mail:w a n g q i n g b i n d l mu.e d u.c n引用格式:王清斌,赵睿,王佳航,等.基于BN的LNG船装卸泄漏风险分析J.中国航海,2 0 2 3,46(3):42=48.WANG Q B,ZHAO R,WANG J H,et al.Bayesian network to analyze leakage risks in LNG ship loading and unloadingJJ.
9、Navigationof China,2023,46(3):42-48.(in Chinese)王清斌,等:基于BN的LNG船装卸泄漏风险分析43知识或以专家知识为主、数据为辅的手段,所需数据集规模较大,主观性较强,在缺乏专家知识或数据的情况下,BN不能很好地发挥作用。而本文研究的LNG船舶泄漏事故具有小样本特征,数据量小。对于小样本数据集的BN结构学习,核密度估计(KernelDensityEstimation,KDE)不用有关数据分布的先验知识,对样本的总体分布不做任何假设,是一种从样本自身出发研究数据分布特征的方法,更适合处理拓展小数据集的问题。韩绍金等8 引人KDE和K2算法进行BN结
10、构学习;许建锐等9 利用KDE以及云遗传算法对BN结构进行学习;司东森等10 提出一种基于KDE和模型加权平均策略相结合的BN结构学习算法;TSAMARDINOS等提出一种新的BN结构学习算法即最大最小爬山(M a x-M i n H i l l Cl i m b i n g,M M H C)算法,与其他BN结构学习算法相比,该算法在网络学习质量和学习效率上普遍更优,是一种比较优秀的BN结构学习算法;何德琳等12 提出使用K2评分准则替代BDeu评分准则,在评分搜索阶段使用模拟退火算法。本文考虑LNG船事故数据的小样本特征,用KDE拓展小数据集,用数据驱动的方式减少常规方法中主观因素对构建BN
11、结构的影响,运用MMHC算法寻找最优网络结构,导人标准化的LNG船装卸泄漏数据,建立基于KDE-MMHC算法的BN模型,达到定量分析LNG船装卸泄漏事故致因的作用。1KDE-MMHC算法1.1参数设置KDE是估计未知概率密度函数的方法,在统计学理论和应用领域均受到高度的重视。设X,X2,X3,,X,是从一维总体X中抽出的独立同分布样本,X具有未知密度函数f(x),则f(x)的核估计为Xf.(x)=一K,xER(1)式(1)中:K()为R上的Borel可测函数,被称作核函数,在有实际意义的KDE中,核函数应为概率密度函数;h,度为同n有关的正数,被称为带宽或者窗宽。带宽过大过小都会影响结果。若带
12、宽设置过小,会出现过拟合的现象;如果带宽设置过大,会出现欠拟合的现象。因此,需确定好最佳的带宽。在Sklearn库中,Kernel Density类支持使用GridSearchCV来寻找最佳参数,将网格搜索范围设置为0.1 10.0 之间,长度为2 0 的等比数列,最终可在较小的计算开销下获得最优带宽13。KDE的效果与样本数据集的规模、所选核密度函数和带宽有很大的关联。1)首先判断已知数据集规模是否满足BN结构学习的最小需求,BN结构学习所需要的最小数据规模D见式(2)14。若所拥有数据小于此值,则考虑使用KDE的方法拓展数据集至所需数量,以求获得更为准确的BN结构图。12D(11+8nNk
13、.d+1(2)28式(2)中:8 为散度,取0.10;8 为置信度,取0.0 5;N为网络节点数量;k为节点最大状态数;d为具有最大状态数节点的最大父节点数。2)选择KDE所用核函数K()。K D E有多种内核,包括Gaussian、T o p h e t、Ex p o n e n t i a l、L i n e a r 和Cosine,其中:Gaussian为平滑内核;Tophet为不平滑内核。结合现实情况,平滑内核使用场景较多,故选择使用Gaussian函数作为核函数,有J(x)=exp(-)/2(3)1.2建模步骤本文基于KDE-MMHC算法的BN模型建模步骤见图1。历史事故数据收集数据
14、标准化导入原始小样本数据集KDE法拓展数据集最终数据集MMHC算法进行BN结构学习已知网络结构条件下进行节点参数学习模型检测N参数调整/满足预期结构调整Y具备完整功能的BN图1建模步骤Fig.1The stages of modeling具体建模步骤如下:1)收集历史事故数据,将其标准化为0 1二值型,1表示该节点发生作用,0 则表示该节点未发生作业,得到原始数据集,用KDE拓展。2)将KDE拓展得到的数据集使用MMHC算法进行BN结构学习,得到完整的BN结构图,在此图基础上,删去完全不合逻辑的边。3)在已知BN结构的条件下,进行BN参数学(4)中国第46 卷第3期海航44习,确定各个节点的条
15、件概率分布。步骤2)拓展后已提供充分数据,可通过数据中的经验条件频率学习给定结构的参数,相对简单。4)用测试集检测步骤3)中的BN是否满足预期,能否凭借其余节点状态推算目标节点的状态,若不能达成,则对相关结构和参数进行调整,以提高模型推算准确率,随即得到完整的BN。5)反向推理,将目标节点状态调整为1,获得该节点发生时,导致其发生的关键风险节点,并依次反向推理,可获得LNG泄漏事故的完整致因链。并针对性地提出降低风险概率的建议。2算例试验本文所选数据源自网站上的BN资源库,考虑本文模型的网络规模,因船舶事故类的BN模型通常节点数量不超过50,即为一般性的中型网络,故选取规模为小型、中型的BN网
16、络(2 0 个节点以下的小型网络,具有2 0 50 个节点的中型网络各3个进行算例试验。试验选取了6 个经典BN网络:Cancer(5个变量,4条边)、Asia(8 个变量,8 条边)、Survey(6 个变量,6 条边)、Child(2 0个变量,2 5条边)、Alarm(37 个变量,46 条边)和Insurance(27个变量,52 条边)。本试验利用这6 个BN分别生成样本容量2 0 0、500、10 0 0 和50 0 0 的2 4个数据集,评价方式采取比较KDE-MMHC算法在不同规模BN网络中学习到边的数量、正确边数量、多余边占比、边正确率和对应网络的评分,有多余边占比=多余边数
17、量/学习到边的数量丢失率=丢失边数量/标准网络边的数量(5)正确率=所得正逆向边数量/标准网络边的数量(6)模型学习结果见图2 和图3,以样本容量2 0 0的数据集作为分析对象,更贴近所研究的事故的数据量。由图2 和图3可知:在小样本数据集的条件下,相比较单纯的MMHC算法,KDE-MMHC算法能学习到更多的正确边,边的丢失率更低,但多余边的占比大于常规的MMHC算法。因此,考虑添加边的黑白名单,将多余边控制在一定范围内。试验结果表明:1)单纯的MMHC算法在小数据集的BN学习上效果欠佳,边的缺失率高,难以得到准确的网络结构。2)K D E-M M H C算法与单纯的MMHC算法相比,得到的正
18、确边数量更多,且多余边比例在可接受%/明厂80.0075.0075.0073.0869.8172.3166.6766.6762.5k61.546060.0060.0050.0060.0050.0050.0056.0051.725050.044.0050.0040.0040.8.4640.000027.0333.25.0022.2020.00一25.00.92100000OHNWOHNNOHNWOHNNOHNOHWN.-.CancerAsiaSurveyChildInsurance:Alarm多余边占比边丢失率边正确率(忽略方向)数据集及类目图2模型学习结果-边占比Fig.2Model lear
19、ning results-number of edges25厂%/明明202012020一10615161001580121211111096025401875412831022中22000OHNOHNWOHNNOHNN.-.-.OHNW.-.OHWN-.-.-.-.-.CancerAsia-ChildInsurance:Alarm:正确边数量方向不对边数量学习到边的数量数据集及类目图3模型学习结果-边数量Fig.3Model learning results-percentage of edges范围内。3)节点数量和节点状态越多,KDE-MMHC算法推算效果越好,正确边越多,边丢失率越低。
20、综上,KDE-MMHC算法的性能优异,在中小规模的BN中效果最佳,节点状态越少,模型推算结果越准确。因此,该算法应用于本文针对小数据集的LNG船装卸泄漏风险的分析有出色的效果。3LNG船装卸泄漏致因分析为验证本模型在实际应用中的准确性,利用获得的少量LNG船装卸泄漏事故案例附加部分陆上LNG设施事故案例作为原始数据,分析LNG船泄漏事故致因。LNG船泄漏事故样本量小,并且绝大部分事故案例有较强的相似性,船舶因素和人为因素占极大比重。因此,考虑使用KDE来扩展小数据集,以保持原有数据的分布特征。另外,在LNG船装卸泄漏事故中涉及的风险因素并不多,预估其数量不超过50 个,属中型BN,而本文所使用
21、的KDE-MMHC算法在中小型网络中推算效果好。因此,在小样本数据集情况下KDE-MM-王清斌,等于BN的LNG船装卸泄漏风险分析45HC算法可有效减少主观因素影响,以数据驱动的方式得到较为客观的BN结构。3.1风险节点的确定分析LNG泄漏事故的形成原因,结合历史事故以及LNG船装卸作业流程,LNG船装卸作业泄漏事故风险节点,见表1,这2 个方面因素的选取过程如下。表1LNG船装卸泄漏风险节点Tab.1LNG ship loading/unloading leakage risk nodes编号事件编号事件X人为因素X21液位仪表故障X2错误行为X22罐内高液位X未按程序违章操作X23LNG翻
22、滚X4报警器启动未采取措施X24装卸臂失效X失误行为X25装卸臂脱离X未开泄压阀X26缆绳断裂X未及时关闭阀门X27扫线不充分X误读液位仪X28低温冻裂X船舶因素X29管线失效XI0船舶火灾X30旋转接头失效XI船体结构破损X1管线破损X12船舶碰撞事故X32液化舱损坏X13阀门密封失效X33环境因素X14阀门冻结X34恶劣天气Xis阀门泄漏X35大风浪X16法兰密封失效X36雷击X17出现连接缝隙X37航道环境X18密封垫圈损坏X38障碍物Xi9液化舱超压X39他船偏离航道LNG泄漏X20过度充装X40(目标结果)3.1.1历史事故本文根据文献15 中研究者多年对LNG船事故的跟踪研究,收集
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 BN LNG 装卸 泄漏 风险 分析
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。