公开/公告号CN112784991A
专利类型发明专利
公开/公告日2021-05-11
原文格式PDF
申请/专利号CN201911083584.2
申请日2019-11-07
分类号G06N7/00(20060101);G06Q50/26(20120101);
代理机构11283 北京润平知识产权代理有限公司;
代理人肖冰滨;王晓晓
地址 100728 北京市朝阳区朝阳门北大街22号
入库时间 2023-06-19 10:57:17
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=A
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=A
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C
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C
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C
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=A
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=A
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C
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C
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C
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=f
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=A
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m
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=A
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m
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C
当事故场景包括导致中毒事故的条件事件时,可信因子为C
(WPF)
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C
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=A
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=A
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C
当事故场景包括导致中毒事故的条件事件时,可信因子为C
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C
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。
机译: 背光场景确定方法,具有该背光场景确定方法的计算机可读存储介质及其所存储的图像程序以及具有背光场景确定功能的图像处理器
机译: 严重事故辅助监视装置,严重事故辅助监视方法,严重事故辅助监视系统以及工厂监视系统
机译: 严重事故征候监视装置,严重事故征候监视方法,严重事故征候监视系统以及工厂监视系统