基于BP神經(jīng)網(wǎng)絡(luò)的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型研究*

楊繼星，佘笑梅，黃玉釧，李振平，邊 路

(應(yīng)急管理部通信信息中心，北京 100013)

0 引言

苯是化工生產(chǎn)過程中較為常見的危險(xiǎn)化學(xué)品，是重要的石油化工基本原料之一，其產(chǎn)量和生產(chǎn)技術(shù)水平已經(jīng)成為衡量一個(gè)國(guó)家石油化工發(fā)展水平的重要標(biāo)志之一[1]。由于危險(xiǎn)化學(xué)品的特性，苯一旦發(fā)生泄漏事故，如果不能及時(shí)發(fā)現(xiàn)并采取有效的應(yīng)急措施，可能會(huì)導(dǎo)致中毒、灼傷等人體傷害，甚至發(fā)生爆炸，從而造成大量人員傷亡和巨大財(cái)產(chǎn)損失，嚴(yán)重時(shí)可能會(huì)破壞生存環(huán)境，影響社會(huì)穩(wěn)定，造成災(zāi)難性后果[2-4]。對(duì)苯儲(chǔ)罐進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)，可以預(yù)測(cè)其發(fā)生泄漏事故的風(fēng)險(xiǎn)，進(jìn)而在泄漏事故發(fā)生之前采取有效的應(yīng)對(duì)措施，有助于降低泄漏事故的風(fēng)險(xiǎn)和危害[5]。

國(guó)內(nèi)外有大量關(guān)于苯儲(chǔ)罐泄漏造成的火災(zāi)爆炸事故記載，對(duì)于苯儲(chǔ)罐泄漏的危害性，各國(guó)都給予了高度重視[6]。目前國(guó)內(nèi)外研究人員對(duì)苯儲(chǔ)罐進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)時(shí)，主要采取定性分析和量化風(fēng)險(xiǎn)分析相結(jié)合的方法，評(píng)價(jià)重點(diǎn)在于事故后果模擬計(jì)算，而對(duì)于苯儲(chǔ)罐發(fā)生事故的風(fēng)險(xiǎn)概率研究較少[7-8]，難以在苯儲(chǔ)罐發(fā)生泄漏事故之前進(jìn)行預(yù)測(cè)。因此，本文基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建苯儲(chǔ)罐的泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型，根據(jù)經(jīng)驗(yàn)數(shù)據(jù)對(duì)苯儲(chǔ)罐進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。

利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建苯儲(chǔ)罐泄漏風(fēng)險(xiǎn)評(píng)價(jià)模型，根據(jù)對(duì)指標(biāo)參數(shù)的分析處理，設(shè)計(jì)合理的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，計(jì)算不同隱含層神經(jīng)元個(gè)數(shù)時(shí)神經(jīng)網(wǎng)絡(luò)的均方差，進(jìn)而選取BP神經(jīng)網(wǎng)絡(luò)誤差最小時(shí)隱含層的神經(jīng)元個(gè)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行反復(fù)訓(xùn)練，確定均方差最小時(shí)神經(jīng)網(wǎng)絡(luò)模型，將此作為構(gòu)建合理有效的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的依據(jù)[9-11]。

1 BP神經(jīng)網(wǎng)絡(luò)運(yùn)算的基本原理

誤差反向傳播算法(Error Back Propagtion , BP)，即BP神經(jīng)網(wǎng)絡(luò)，是前向神經(jīng)網(wǎng)絡(luò)的核心部分，也是整個(gè)人工神經(jīng)網(wǎng)絡(luò)體系中的精華，由輸入層、若干個(gè)隱含層和輸出層構(gòu)成，每層有若干個(gè)神經(jīng)元，相鄰層各個(gè)神經(jīng)元之間采用全互連方式，同一層內(nèi)神經(jīng)元之間不存在任何連接關(guān)系，輸入信號(hào)從輸入神經(jīng)元依次傳過各隱含層的每個(gè)神經(jīng)元，傳到輸出層的每個(gè)神經(jīng)元，BP神經(jīng)網(wǎng)絡(luò)理論上可以任意精度逼近1個(gè)從n個(gè)輸入到m個(gè)輸出的映射關(guān)系，其輸入與輸出是1個(gè)高度非線性映射[12-14]。其中典型的前饋階層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Topological structure of BP neural network

BP神經(jīng)網(wǎng)絡(luò)中模型處理信息的基本原理[5]如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型處理信息的基本原理Fig.2 The basic principles of BP neural network model for processing information

為方便處理，假設(shè)本文3層BP神經(jīng)網(wǎng)絡(luò)中輸入層信號(hào)為X，神經(jīng)元個(gè)數(shù)為M，第m個(gè)神經(jīng)元記為xm；隱含層信號(hào)K，神經(jīng)元個(gè)數(shù)L，第l個(gè)神經(jīng)元記為kl；輸出層信號(hào)為Y，神經(jīng)元個(gè)數(shù)J，第j個(gè)神經(jīng)元記為yj；閾值為b；權(quán)值為ω；期望輸出為d；用u和v表示每層的輸入和輸出；n為迭代次數(shù)；隱含層傳遞函數(shù)采用Sigmoid函數(shù)f(x)=1/(1+e-x)；輸出層傳遞函數(shù)采用Purelin線性函數(shù)g(x)=x。

隱含層節(jié)點(diǎn)輸出模型：

(1)

輸出層節(jié)點(diǎn)輸出模型：

(2)

如圖2所示，輸入信號(hào)X經(jīng)由隱含層處理后由輸出層Y輸出，并與期望輸出d進(jìn)行比較，其模型誤差如式(3)所示：

(3)

如果二者偏差滿足要求，計(jì)算結(jié)束，否則轉(zhuǎn)入誤差的反向傳播階段，根據(jù)梯度下降法調(diào)整各神經(jīng)元的權(quán)值ω，其權(quán)值修正量Δω如式(4)所示：

(4)

式中：η為學(xué)習(xí)率；δ為局部梯度；v為上一層輸出信號(hào)。這種信號(hào)正向傳播和誤差的反向傳遞過程便是BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，即BP神經(jīng)網(wǎng)絡(luò)模型處理信息的基本原理。

2 模型構(gòu)建與結(jié)果分析

2.1 構(gòu)建苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型

2.1.1 指標(biāo)參數(shù)確定

本文構(gòu)建的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型為3層BP神經(jīng)網(wǎng)絡(luò)模型。苯儲(chǔ)罐是1個(gè)復(fù)雜的體系，影響其發(fā)生泄漏事故的因素很多，綜合考慮幾種較為常見的影響因素[15-16]，共選取14個(gè)參數(shù)指標(biāo)作為輸入層信號(hào)[17]，各參數(shù)如表1所示。

因各指標(biāo)參數(shù)之間有較大的相關(guān)性，且參數(shù)之間的取值差異較大，因此用歸一法將各參數(shù)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化，本文采用指標(biāo)原始值與該指標(biāo)最大值的比值的絕對(duì)值作為輸入?yún)?shù)，即：xi=|pi/max(pi)|，使輸入數(shù)據(jù)均落在[0～1]之間。

此外，將模型輸出信號(hào)，即風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果劃分為5個(gè)等級(jí)，分別是：高(Ⅴ，>0.8～1)、較高(Ⅳ，>0.6～0.8)、一般(Ⅲ，>0.4～0.6)、較低(Ⅱ，>0.2～0.4)、低(Ⅰ，0～0.2)，由于每個(gè)等級(jí)的取值為一數(shù)值區(qū)間，因此取其平均值作為神經(jīng)網(wǎng)絡(luò)的期望輸出值，即0.9，0.7，0.5，0.3和0.1。

表1 苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)模型輸入?yún)?shù)Table 1 Prediction model of benzene tank leakage accident input parameters

2.1.2 學(xué)習(xí)參數(shù)確定

1)輸入層m：本文有14個(gè)指標(biāo)，所以輸入層神經(jīng)元個(gè)數(shù)為14。

2)輸出層n：表示苯儲(chǔ)罐發(fā)生泄漏風(fēng)險(xiǎn)的概率，輸出值為0～1之間的常數(shù)，輸出層神經(jīng)元個(gè)數(shù)為1。

3)隱含層節(jié)點(diǎn)個(gè)數(shù)L：隱含層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有較大的影響，節(jié)點(diǎn)個(gè)數(shù)過多，訓(xùn)練時(shí)間增加，網(wǎng)絡(luò)容易過度擬合，節(jié)點(diǎn)個(gè)數(shù)過少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，且影響訓(xùn)練精度[5～7]，因此根據(jù)式(5)確定隱含層節(jié)點(diǎn)初始值，在實(shí)際訓(xùn)練中根據(jù)模型誤差大小進(jìn)行調(diào)整。

(5)

4)權(quán)值和閾值初始值：(0，1)之間的隨機(jī)數(shù)。

2.2 訓(xùn)練結(jié)果與分析

結(jié)合表1中各參數(shù)指標(biāo)的取值范圍，取序號(hào)1～10的樣本，將資料中的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化后，得到苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的訓(xùn)練樣本，如表2所示。

表2 標(biāo)準(zhǔn)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本Table 2 Training samples of BP neural network after normalization

將表2中數(shù)據(jù)作為輸入信號(hào)X與期望輸出d，建立苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型，以隱含層節(jié)點(diǎn)數(shù)L=4為例，苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

依次設(shè)置隱含層節(jié)點(diǎn)數(shù)L=4，5，6，7，8，9，10，11，12，13，經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練模擬后，得到不同隱含層節(jié)點(diǎn)數(shù)L所對(duì)應(yīng)的模型誤差，如表3所示。

圖3 苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 BP neural network structure of risk assessment model for benzenestorage tank leakage accident

L1234567891040.000 580.000 450.000 510.000 010.001 650.000 880.000 000.002 820.000 000.000 0250.019 400.000 130.005 850.000 640.002 810.000 340.000 440.047 370.000 020.001 3260.011 830.000 240.000 260.008 420.002 060.000 440.000 050.001 360.288 210.025 7070.011 750.000 280.001 630.000 110.004 310.000 000.000 950.000 550.006 800.055 6080.000 260.008 690.000 600.000 590.000 440.000 100.021 230.046 000.000 280.002 1090.001 640.001 030.001 390.003 440.000 970.014 080.001 040.064 900.000 100.018 30100.000 000.000 000.020 580.000 000.000 000.000 000.020 050.000 000.000 000.012 30110.000 000.016 130.000 000.000 000.006 020.000 000.000 000.000 000.074 190.100 00120.002 940.004 960.000 830.001 250.000 000.000 190.021 740.000 090.000 100.028 50130.051 110.015 640.041 780.037 230.060 400.029 480.007 580.052 590.011 010.018 50

因期望輸出d屬于[0，1]之間，所以為保證模型的準(zhǔn)確率，選取誤差值小于期望輸出值d1個(gè)數(shù)量級(jí)時(shí)的模型，即所有數(shù)據(jù)的模型誤差e均小于0.01，由表3可知，上述結(jié)果中符合要求的有且僅有隱含層節(jié)點(diǎn)數(shù)L=4時(shí)的模型，即苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)模型誤差最小時(shí)隱含層節(jié)點(diǎn)數(shù)為4。苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型在訓(xùn)練過程中梯度與學(xué)習(xí)率的變化如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中參數(shù)變化Fig.4 parameter change during training of BP neural network

圖4分別為訓(xùn)練梯度和學(xué)習(xí)率隨著迭代次數(shù)增加的變化規(guī)律。由圖4可知，隱含層節(jié)點(diǎn)數(shù)L=4時(shí)，BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的梯度和學(xué)習(xí)率均隨著訓(xùn)練次數(shù)的增加逐漸下降，在第8次訓(xùn)練時(shí)達(dá)到苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的最小值。

隱含層節(jié)點(diǎn)數(shù)L=4時(shí)，其BP神經(jīng)網(wǎng)絡(luò)的回歸圖如圖5所示。圖5中(a)～(c)分別為訓(xùn)練、校驗(yàn)、測(cè)試的訓(xùn)練擬合結(jié)果，圖5(d)為所有值的訓(xùn)練擬合結(jié)果。由圖5可知，基于BP神經(jīng)網(wǎng)絡(luò)的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的訓(xùn)練結(jié)果擬合度較高，均接近1，證明訓(xùn)練效果較好，此時(shí)構(gòu)建的基于BP神經(jīng)網(wǎng)絡(luò)的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型效果較好。

3 結(jié)果分析

針對(duì)化工企業(yè)中實(shí)際苯儲(chǔ)罐的泄漏問題，發(fā)現(xiàn)儲(chǔ)罐

圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果回歸Fig.5 training result regression diagram of BP neural network

過裝和超壓引起的事故最為頻繁[15]，本文針對(duì)最為典型的儲(chǔ)罐過裝[15-16]事故，分析苯儲(chǔ)罐的事故現(xiàn)象、原因、結(jié)果和三者之間的相互關(guān)系，進(jìn)而進(jìn)行苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)模擬。以某化工廠苯儲(chǔ)罐為例進(jìn)行基于BP神經(jīng)網(wǎng)絡(luò)的泄漏風(fēng)險(xiǎn)評(píng)價(jià)，儲(chǔ)罐容積3 000 m3，最大儲(chǔ)存量2 244 000 kg，最大儲(chǔ)存壓力1.0 MPa，苯的分子量78.11，燃燒熱40 258 kJ/kg，苯臨界壓力4 898 kPa，爆炸上限8%，爆炸下限1.2%。對(duì)其泄漏事故進(jìn)行模擬，根據(jù)表1中苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)模型輸入?yún)?shù)要求計(jì)算各參數(shù)值X，改變存儲(chǔ)體積參數(shù)X8的大小，觀察模擬結(jié)果Y的變化，具體參數(shù)如表4所示。

表4 某化工廠苯儲(chǔ)罐泄漏事故模擬參數(shù)Table 4 A chemical plant leakage accident simulation parameters of benzene storage tank

通過基于BP神經(jīng)網(wǎng)絡(luò)的苯儲(chǔ)罐泄漏模型的分析，發(fā)現(xiàn)未超過額定容積的情況下，隨著儲(chǔ)罐中苯體積的增加，泄漏風(fēng)險(xiǎn)系數(shù)平穩(wěn)緩慢增加，但是過裝(體積參數(shù)大于0.9)之后，風(fēng)險(xiǎn)系數(shù)直線上升，模擬結(jié)果與實(shí)際經(jīng)驗(yàn)數(shù)值基本一致，所建立的BP神經(jīng)網(wǎng)絡(luò)模型可以較好地實(shí)現(xiàn)苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)的目的。

4 結(jié)論

1)建立了基于BP神經(jīng)網(wǎng)絡(luò)的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)模型，且模型的訓(xùn)練結(jié)果較好，為苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)提供一定的理論支持。

2)本文基于BP神經(jīng)網(wǎng)絡(luò)的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型是動(dòng)態(tài)的，隨著實(shí)際應(yīng)用過程中經(jīng)驗(yàn)數(shù)據(jù)的增加與完善，可以通過BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)過程不斷加強(qiáng)苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的學(xué)習(xí)能力和訓(xùn)練水平，實(shí)現(xiàn)在使用過程中進(jìn)一步提高預(yù)測(cè)精度、擴(kuò)大評(píng)估范圍，逐步得到更加準(zhǔn)確完善的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)系統(tǒng)。

3)影響苯儲(chǔ)罐泄漏事故的因素復(fù)雜多變，且參數(shù)指標(biāo)評(píng)價(jià)過程中主觀性較大。為更好地提高基于BP神經(jīng)網(wǎng)絡(luò)的苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)評(píng)價(jià)模型的性能，實(shí)際應(yīng)用中往往需要大量的經(jīng)驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練模擬，進(jìn)而保證模型具有更好的實(shí)用性。