基于动态贝叶斯网络的高后果区油气管道风险评价.pdf

故障与安全石油工程建设D0I:10.3969/j.issn.1001-2206.2023.05.006基于动态贝叶斯网络的高后果区油气管道风险评价胡奕1，荆晶，陈敏，张逸宁1，秦虹，梁昌晶11.中国石油华北油田分公司，河北任丘0 6 2 2 522.中国石油华北油田分公司第一采油厂，河北任丘0 6 2 2 523.中国石油华北油田分公司第二采油厂，河北霸州0 6 57 0 0摘要：为实时动态反映油气管道在高后果区的风险水平，结合蝴蝶结（BT）和动态贝叶斯网络（DBN）模型对高后果区管道泄漏行为进行了分析，利用模糊概率和Leaky Noisy-or Gate 模型分别确定DBN模型的先验概率和条件概率，并在人为因素、腐蚀情况等节点引入时间维度进行动态设置，得到管道泄漏概率和事故后果发生概率的时变特性。结果表明：管道泄漏概率呈先增大后减小再增大的趋势，在投产初期和运行后期的泄漏概率较大，应引起足够重视；管道占压和违章施工是引发高后果区管道泄漏的主控因素；随着时间的延长，不同事故的发生概率逐渐增大，事故发生概率从大到小依次为油气聚集、喷射火、闪火、油池火、火球和蒸气云爆炸。研究结果可为油气管道高后果区的动态系统分析和安全管理提供实际参考。关键词：贝叶斯网络；动态；油气管道；高后果区；风险评价Risk assessment of oil and gas pipelines in high consequence areas based ondynamic Bayesian networkHU Yi,JING Jing,CHEN Min,ZHANG Yining,QIN Hong,LIANG Changjing1.PetroChina Huabei Oilfield Company,Renqiu 062252,China2.No.1 Oil Production Plant of PetroChina Huabei Oilfield Company,Renqiu 062252,China3.No.2 Oil Production Plant of PetroChina Huabei Oilfield Company,Bazhou 065700,ChinaAbstract:In order to dynamically reflect the risk level of oil and gas pipelines in the high consequence area in real time,the bow knot(BT)and the dynamic Bayesian network(DBN)model are combined to analyze the pipeline leakage behavior in the high consequencearea.Fuzzy probability analysis and Leaky Noisy-or Gate model are used to determine the prior probability and conditional probabilityof the DBN model,respectively.In addition,the time dimension is introduced into the nodes of human factors and corrosion conditionsfor dynamic settings,and the time-varying characteristics of pipeline leakage probability and accident consequence probability areobtained.The results show that the probability of pipeline leakage increases first,then decreases,and then increases.The probability ofpipeline leakage is larger in the early stage of production and later stage of operation,which should be paid enough attention to.Pipelineoccupation and illegal construction are the main controlling factors of pipeline leakage in high consequence areas.With the extension oftime,the occurrence probability of different accidents increases,and the occurrence probability of accidents ranked in descending orderis oil and gas accumulation,jet fire,flash fire,oil pool fire,fireball,and steam cloud explosion.The research results can provide apractical reference for the dynamic system analysis and safety management of oil and gas pipelines in high consequence areas.Keywords:Bayesian network;dynamic;oil and gas pipeline;high consequence area;risk assessment为进一步研究高后果区管道系统的失效相关性和事故动态演变过程，将蝴蝶结（BT）和动态贝叶斯网络（DBN）模型相结合，综合DBN模型的诊断推理功能得到事故概率和事故后果随时间变化的规律，实现高后果区油气管道风险的快速诊断和评价。1研究方法1.1BT模型和BN模型蝴蝶结模型是事故树和事件树的有效结合，可直观显示事故发生的原因和事故造成的后果，在定性和半定量分析领域被广泛应用。但该模型322023年10 月故障与安全胡奕等：基于动态贝叶斯网络的高后果区油气管道风险评价无法反映复杂系统的多态性和模糊性，在确定顶事件发生概率时，受最小割集或径集数量的限制，计算过程相对复杂，灵活性较差。因此，将其与贝叶斯网络结合，进行同步映射。具体方法是将BT中的各事件、事故后果和安全屏障转化为BN中的对应节点，当存在多个相同事件时，只需建立一个贝叶斯节点；将BT中的逻辑关系转化为节点的条件概率表进行赋值，并采用有向边连接节点表示节点间的相互关系7-8 1.2DBN模型考虑到实际情况下，事件在不同时间片下的发生概率有所不同，会影响事故和事故后果的发展趋势，因此通过增加时间维度扩展静态贝叶斯网络，形成动态贝叶斯网络（DBN），实现基于概率和不确定知识的风险评价与分析9-10 。DBN模型中通过片内弧表示不同事件的发展关系，通过片间弧表示相同事件在连续时间片上的发展关系，其联合分布概率如下：P(XlX-1)=ITp(xIP.(x)式中：X;为第t个时间片上第i个事件；P。（X）为X;的父节点；N为事件节点个数；P（X I X-I）为不同时刻的概率分布。此外，DBN模型还需满足稳定性和一阶马尔可夫假设。1.3DBN模型网络参数通过上述分析可知，DBN模型的难点在于先验概率、条件概率和转移概率的赋值。在此，采用专家判断，通过三角模糊数确定根节点的先验概率。首先，在参考历史数据库、文献调研和实地勘察的基础上，邀请管道领域的相关专家及现场技术和管理人员，赋予每位专家对应的评价权重，并按照表1将专家的定性语言描述转化为三角模糊数；其次，通过线性加权对不同专家的模糊数进行整合，得到根节点的聚合模糊数，见式（2）。0,=2w,A;式中：0,为根节点的聚合模糊数；w,为第j个专家的权重；A,为专家j对第i个根节点的模糊评分；n为专家总数。最后，根据LinCT等提出的最大、最小集合法将聚合模糊数转化为模糊可能性得分，并将模糊可能性得分转化为根节点的失效概率，见式（3)。表1风险等级与三角模糊数对应表风险等级语言描述VL极低L低FL较低M中FH较高H高VH极高FM=FMR+1-FML /21F=10F式中：FM为模糊可能性得分；FMR、FM L分别为右、左模糊效用得分；F为根节点的失效概率。传统贝叶斯网络中的逻辑门只有简单的失效或不失效两种情况，这是“与”门和“或”门的逻辑关系所决定的。但在实际的风险评价中，事故的发生往往不是简单的二进制关系，不存在绝(1)对的“失效”或“不失效”，因此需要对条件概率和转移概率的赋值进行修正。在此采用Henrion12提出的Leaky Noisy-orGate模型，假设Y节点有两个父节点，分别为X和XAL，X A L为除XL之外所有的父节点，两者对应的连接概率分布PL和PALL，引人不确定因素表示连接概率的模糊性，定义Pr=0.01，则子节点Y的条件概率为：P(Y)=1-(1-PL)II(1-P.)式中：P（Y）为条件概率；P,为节点Y对应不同父节点的连接概率。2案例研究2.1管道基本信息待评价管道位于冀中平原区域，采用2 0 无缝（2）钢管理埋地敷设，管径D219mm10mm，总长10.5km，输送介质为净化原油。管道沿线经过多处村庄、厂房、学校和人口稠密区，且有一处穿越河流，四处穿越公路和铁路，通过将管道矢量数据叠加在高分辨率的卫星遥感影像上，以管道中心线为基准，对高后果区进行识别，共识别出2.7 km管段，占总管道长度的2 5.7%。三角模糊数(0,0.1,0.2)(0.1,0.2,0.3)(0.2,0.3,0.4)(0.4,0.5,0.6)(0.5,0.6,0.7)(0.7,0.8,0.9)(0.8,0.9,1.0)FM*0FM=0(3)(4)(5)第49卷第5期33故障与安全石工程建设2.2高高后果区管道泄漏BT模型的建立以高后果区管道泄漏为顶事件，对风险源进行辩识，形成泄漏事故树模型；再以顶事件为基础，参照美国管道及危险物品管理局(PHMSA）、欧洲清洁和水保护组织（C O NC A WE）中关于输油管道事故数据库的相关信息，结合管道常见的事故后果类型，利用不同事故的触发条件确定安全屏障，形成燃爆事件树模型，最终构建BT模型，见图1。模型共包含15个中间事件和36 个基本事件，与传统埋地管道的BT模型有所不同，该模型对人因导致的第三方破坏进行了细分，从人为故意破坏和人为意外破坏两方面考虑了人的不安全行为对管道泄漏的影响。当管道发生早期泄漏且报警系统未正常运行，上、下游截断阀失效时，泄漏事故升级，因此紧急关断为第一层安全屏障；当紧急关断失效时，管道发生中期泄漏且立即点火，将发生燃爆事故，但此时可以抑制蒸气云的积聚，因此立即点火为第二层安全屏障；当以上安全屏障失效，管道发生晚期泄漏且延迟点火，将引发闪火、蒸气云爆炸等后果，因此延迟点火为第三层安全屏障；最后，当前三个安全屏障均失效时，根据泄漏介质是否流尚至房屋、围挡等受限空间，判断泄漏事故是否升级，因此受限空间为第四层安全屏障。2.3高后果区管道DBN模型的建立邀请6 位专家，按照表1的风险等级对图1中的基本事件进行评价，以X33“建筑违章占压”为例，评价结果见表2。通过对专家从教育背景、职称和工龄等方面考虑，确定专家1 6 的权重依次为0.15、0.13、0.2 1、0.2 0、0.18、0.13，按照式（2)计算该节点的聚合模糊数为（0.51，0.10，0.12)。再按照式（3）、（4）计算，得到失效概率为6.7 410-5，依此类推，得到其余根节点的先验概率，见表3。安全屏障S1、S2、S3、S4的失效概率分别为2.310-2、4.0 10-、1.0 10-、3.0 10-。为体现节点间逻辑关系的不确定性，以中间节点Mi2“违章施工”为例，进行LeakyNoisy-orGate模型分析。定义该节点下的子节点P（M i 2=1IXi3=1）=0.8 9，P（M i 2=1 IX i s=0）=0.19，P(Mi2=1 I Xi4=1）=0.7 5，P（M i 2=1 X i 4=0）=0.20,P（M 12=1I X=1)=0.7 8,P（M i 2=1I X 14=高后果区管道泄漏T人为故意破坏M，人为故意破坏M2腐蚀M,误操作M管道设计缺陷M打孔盗油M。管道法制观念巡线频率安全教育低X，不足X，差X监控设备报警系统巡线人员故障X故障入，专业水平低X。建设期遗留问题M运行期遗留问题M。建管分离工后管理方规管道土地未复划不足X原X占地超标X342023年10 月企地关系差M管道占压M，建筑违章 物料堆放违章施工.M,2不规范施工M3古压X古压X34道路变更重型车辆X银压X36巡线不规范标识缺失X13X14影响行影响周管道运农作物闺居民X10生长X施工破坏M。线路巡线线路标X频率低X识缺失X14不规范Xi5床与管道公司提前沟通（资料不足）XX17(a）事故树模型内腐蚀M14外腐蚀MIs误操作误操作XX29施工误操作误操作防腐屋土壤质量腐蚀性达标X2X2阴极保护系统失效X，内涂层（存在积水低洼处脱落X23食有腐蚀性质X2A施工管道设计X30选材不当Xi8（焊接工艺快陷X20安装损伤2X25壁厚不均 焊接材料X缺陷X运行维护X故障与安全胡奕等：基于动态贝叶斯网络的高后果区油气管道风险评价紧急关断立即点火延迟点火受限空间SS,是高后果区管道泄漏T是杏喷射火C是否蒸气云爆炸是否闪火C否是油气聚集安全扩散(b）事件树模型图1高后果区管道泄漏的BT模型表2 X节点的评价结果专家符号1X33M节点失效概率节点失效概率节点失效概率编号/(10-5)X7.36X8.85X21.24X420.75X57.92X15.15X17.94X25.17X27.28X1018.19X10.84X1210.850）=0.2 1，其中P（M i 2=1X i 3=1）表示Xi3节点事件发生，导致Mi2节点事件发生的概率，“1”表示事件发生，“0”表示事件未发生，其余同理。经计算，连接概率Px13=0.86，Px 14=0.6 9，Px 3=0.72，再参照（5）计算不同情况下的条件概率，见表4。依次类推，得到其余中间节点的条件概率。表4M12节点的条件概率X13X141111101001010000同理，根据运行期间管道及周围环境的变化情S4安全扩散是油池火C23FHFH表3根节点先验概率编号/（10 5)X1375X1445.4X154.12XI61.54X172.45X184.14Xi99.97X2032.5X211.45X217.85X233.84X2415.79XP(M,=1)P(M/,=0)10.9800.9510.9600.8610.9100.6910.7200.01况，考虑到企地关系、管道占压、违章施工、腐蚀等因素均随时间发生改变，故定义M、M、M 12、M13、M 14、M i s 为动态节点。同样以X33“建筑违章占压”为例，构建一次转移概率，见表5。当t-1时刻的X33事件发生时，则t时刻的X33事件也肯定发生；当t-1时刻的X3事件未发生时，则t时刻的X33事件有一定的概率发生，且发生概率应大于根节点对应的先验概率，表示之后的时间片内失效概率逐渐减小，建筑违章占压的情况随着时间延长得到缓解。同理，对于X24事件设置完转移概率后，应保45MH编号/(105)X2519.89X266.37X2712.38X2844.18X295.55X3010.64X312.55X3211.96X336.74X348.57X351.25X36650.020.050.040.140.090.310.280.996FH证时间片内失效概率逐渐增大，表示管内含有腐蚀性介质的情况随时间延长逐渐加重，腐蚀速率增大。依次类推，得到其余节点的转移概率。表5X33节点的转移概率t-1P(X3=1)P(X33=0)P(X3=1)1P(X3=0)0综上所述，利用图1对BT模型和DBN模型进行映射，见图2。2.4结果分析2.4.1泄漏概率分析将事件T（高后果区管道泄漏）设为证据节点，将时间片定为10，通过DBN的正向推理功能，得到该管道在不同时间片上的泄漏概率，见图3。初始时刻高后果区管道泄漏的概率为0.0 356 4，随后在0 2 个时间片内泄漏概率增大，在3 8 个时间片内泄漏概率减小，在8 10 个时间片内泄漏概率又有所增大。这是由于管道新投产时，虽然腐蚀情况较轻，但人为故意破坏、施工破坏和管道占压的情况较严重，此时无论是管道方还是地方政府均缺乏有效的沟通联防和应对机制，沿线居民对于管道安全保护的意识不强，导致信息渠道不畅，对管道的保护力度不够。随着时间推移，工程期间的遗留占压和线路标识缺失的问题得到有效改善，居民的安全意识和法制观念也逐渐增强，企业通过质量保证手册、员工操作手册等体系文件规范巡检制度和方式，管道泄漏概率有所下降。最后，在管道运行后期，腐蚀和设计缺陷引发的泄漏问题逐渐凸显，管道局部腐蚀速率增加，导致泄漏概率有所上升。0.99994859.15105第49卷第5期35故障与安全石油工程建设M,XX2X10X4X15口口X口XXM13口X13口M口0.0440.0420.0400.0380.036图3高后果区管道泄漏概率动态变化情况2.4.2泄漏事故致因分析利用DBN的逆向推理功能，得到每个基本事件的后验概率，见图4。其中，X34、X 33、X 13、X i 4、X,的后验概率明显大于其余事件，从先验概率到后验概率的增幅较大，说明这5个事件的微小变化均会引发管道在高后果区泄漏概率的变化，是导致管道泄漏的主控因素。其中，X34和X33事件均为管道占压，由于管道穿过多处人口密集区，因此占压情况在所难免，且部分占压为有基础的建筑物或有人居住，对于管道的危害较大。Xi3和Xi4事件均为违X口口XM口口M12X33X35X2口口X2502口MM。MMMMMMM14图2 高后果区管道泄漏事故DBN模型章施工，在现场中常见因施工破坏造成的管道泄漏，应引起足够的重视。此外，X,事件为报警系统故障，该事件的后验概率也较大，这是由于现场采用的泄漏检测系统多为负压波或声波检测，该系统对于噪声信号的适应性不强，特别是在高后果区，受人员、车辆和施工活动的影响，经常出现误报或漏报现象，这也在一定程度上降低了巡检人员第一时间处理泄漏事故的可能性。上46时间片/个S口SX29MX30X32X26X28口X20X2口810X30.002.50.00200.00150.0010F0.00050.000 0X2X先验概率后验概率基本事件编号图4基本事件先验概率和后验概率362023年10 月故障与安全胡奕等：基于动态贝叶斯网络的高后果区油气管道风险评价2.4.3泄漏事故后果分析当管道在高后果区出现泄漏且安全屏障逐层失效时，会引发油池火、喷射火、蒸气云爆炸等事故后果，事故发生概率随时间变化的情况见图5。随着时间片的延长，不同事故的发生概率逐渐增大；对于同一时间片而言，事故发生概率从大到小依次为油气聚集、喷射火、闪火、油池火和蒸气云爆炸，这与美国石油学会API581的统计结果一致。此外，Ramrez-Camacho等13 统计了198 0-2014年9 5个国家发生的10 6 3起管道事故，也得到了类似的结果，大约有2/3的泄漏事故会导致油气聚集，最后在空气中安全消散，只有1/4的泄漏事故会导致火灾，1/10 的泄漏事故会导致爆炸。其中，因加压液体从泄漏口流出时具有较大的动能，故喷射火的发生概率较大，约占所有管道火灾事故的54.3%。综上所述，泄漏事故后果模拟准确，可以真实反映管道失效演变状态和后果发展趋势。基于此，巡检人员应加强对于截断阀和紧急停车系统的维护，必要时增加安全仪表系统，加大压降速率与截断阀关闭之间的联动，避免受限空间的形成，以控制事故恶化造成的人员伤亡和财产损失。6油池火C一喷射火C蒸气云爆炸C4闪火C一油气聚集C20图5高后果区管道事故发生概率动态变化情况3结论1）将BT模型和DBN模型有机融合，将两者的映射关系与时间相连，采用模糊概率分析和LeakyNoisy-orGate模型对贝叶斯网络的参数进行有效改进，得到高后果区管道状态的时变特性。2）初始时刻高后果区管道的泄漏概率为0.03564，随着时间延长，泄漏概率先增大后减小再增大，与实际情况相符。3）通过逆向推理得到基本事件的后验概率，其中建筑物违章占压、物料堆放占压、巡线不规范、线路标识确实、报警系统故障是引发高后果区管道泄漏的主要因素。参考文献【1 任悦，刘铠铭，杨舒迪，等.油田管道风险及完整性评价体系构建与应用J.吉林大学学报（信息科学版），2 0 2 0，38（2）：220-226.2代炳涛，赵嘉玲，韩明一，等.油气管道工程建设期完整性管理研究J.石油工程建设，2 0 2 1，47（4)：8 8-92.3徐旭龙，田宝林，熊军，等.安塞油田管道高后果区安全管理的初期做法J.油气田地面工程，2 0 2 0，39（1）：56-6 1.4王晓霖，帅健，宋红波，等.输油管道高后果区识别与分级管理J.中国安全科学学报，2 0 15，2 5（6）：149-154.5郭文朋，周亚薇。基于改进风险矩阵法的中俄东线高后果区风险评估J.油气储运，2 0 19，38（3）：2 7 3-2 7 8.6刘翼，韩昌柴，苏望发，等.基于高分辨率遥感影像的管道高后果区识别方法J.油气储运，2 0 2 2，41（4）：418-42 3.7刘嘉玥，黄嘉伟，董绍华.基于贝叶斯-蝴蝶结的输气管道环焊缝失效风险识别与分析模型J.天然气与石油，2 0 2 2，40(5):132-138.8王蕾，代养勇.基于蝴蝶结贝叶斯网络的高校实验室火灾爆炸事故的风险评估J.实验室研究与探索，2 0 2 1，40（4）：304-308.(c-01x)/率平弹重9常一，吴雅菊.基于贝叶斯网络的加热炉煤气泄漏风险评估J.F0.015消防科学与技术，2 0 2 1，40（4）：50 4-50 8.10】马梦迪，多依丽，孙铁.基于DBN的气化炉故障动态风险评-0.010估J.辽宁石油化工大学学报，2 0 2 2，42（4)：47-52.11】都心 爽，武玮，张金阳，等，基于三角直觉模糊故障树的工业管道安全评价方法与应用J.西北大学学报（自然科学版），F0.0052021,51(4):632-642.12 HENRION M.Some practical issues in constructing beliefF0.000networksCl/Proceedings of the Third Annual Conference上on Uncertainty in Artificial Intelligence.Washington,024时间片/个6810America:Third Annual Conference on Uncertainty in Artifi-cial Intelligence,1987:123-139.13 RAM REZ-CAMACHO J G,CARBONE F,PASTOR E,etal.Assessing the consequences of pipeline accidents tosupport land-use planningJJ.Safety Science,2017,97:34-42.作者简介：胡奕（197 5一），女，河北饶阳人，工程师，2 0 0 3年毕业于河北大学财务会计专业，现主要从事石油天然气地面建设工程、油气管道及运输工作。Email：c y 1_h y i p e t r o c h i n a.c o m.c n收稿日期：2 0 2 3-0 6-2 8第49卷第5期37