基于风险熵和复杂网络的深水钻井井喷事故风险演化评估

针对深水钻井作业安全问题,基于风险熵和复杂网络理论,在考虑风险不确定性的基础上,提出深水钻井井喷事故风险演化量化评估方法。依据深水钻井流程,构建井喷事故场景复杂网络演化模型,判断节点聚类性;针对风险传递的随机性与模糊性,引入风险熵表征两类不确定性;给出风险传递路径最大可能性的表达式,并转化为线性规划问题,通过Dijkstra算法得出事故最短路径。结果表明:深水井喷事故复杂网络的聚类系数为0.132,节点聚集程度较低而演化性较强,具有小世界网络特征;以自然因素类的钻遇浅层气作为初始事件的风险传递路径对井喷事故的影响最大,但所有初始事件的风险经少数几步传递即可导致井喷事故的发生,验证该方法在复杂过程系统定量风险评估方面的可行性。     

基于美国墨西哥湾Macondo井喷事故分析的深水油气井完整性探讨

汲取美国墨西哥湾Macondo井喷溢油事故的经验教训,对于保障我国深水油气资源开发战略顺利实施具有十分重要的意义。本文依据事故相关方发布的调查材料,在归纳分析事故原因的基础上,从井漏和井喷风险同时防范、工程成本控制与施工质量的保证、井眼内液柱压力控制和深水井控4个方面探讨了影响深水油气井完整性的问题,并给出了改进的建议。     

基于复杂网络边负载分配理论的化工过程级联故障风险传播路径

依据复杂网络边负载分配相关理论,建立化工过程级联故障传播理论模型,用于解决化工过程中日益突出的级联故障传播问题。本文首先将化工生产系统抽象成网络模型,对网络中的节点进行重要性排序;其次对网络进行随机攻击并对重要性靠前的节点进行蓄意攻击,求解两种攻击方式下的最高风险传播路径;最后假设其发生边负载故障,根据风险传播路径故障概率对两种攻击方式下的最高风险传播路径进行评估,确定危险性较大的风险传播路径。经案例验证分析表明：该方法可有效确定生产过程中故障发生后的故障传播路径以及风险性较大的路径,为预防化工生产过程中故障传播提供一定的理论依据和决策支持。     

基于社团结构的化工过程风险演化路径深度挖掘

在化工生产过程中,由于物料的危险性和流程的复杂性,导致恶性事故频发。为了保证化工过程的安全平稳运行,需对其风险演化机制进行深入解析,以抑制次衍生灾害事故的传播、扩散及演变。然而,传统方法过于依赖专家经验或先验信息,风险评估结果不精准;以复杂网络为基础的社团结构虽可视为风险演化路径的高度抽象,但已有算法难以兼顾划分结果的合理性和准确率。为此,提出一种基于DSAE-Louvain社团结构的化工过程风险演化路径深度挖掘方法。首先对多源过程数据进行处理,构建风险演化网络模型,同时利用Dijkstra算法、跳数法等手段,获取相似度矩阵;进而引入深度稀疏自编码器（DSAE）与Louvain算法,经稀疏处理开展社团结构划分;最后,根据节点重要度排序追踪整个化工过程的风险薄弱节点和关键演化路径。以Tennessee Eastman (TE)过程为例,对比GN算法、Louvain算法和DSAE-GN方法,结果表明DSAE-Louvain方法能够提升社团结构划分的精细化、高效化程度,且所挖掘的风险演化路径更为符合实际生产工艺流程。     

基于复杂网络的化工事故致因分析

为明确导致化工事故发生的各风险因素间的关联性以预防事故的发生,将收集到的2015—2019年间143起事故调查报告进行数据挖掘与清洗,从人的因素、物的因素、环境因素、管理因素4类主风险因素出发逐步细化确定了26类子风险因素。采用Gephi软件构建化工事故致因网络模型,通过对模型的网络规模与密度、加权度、边权、聚类系数、PageRank值分析,研究模型的整体特性及各节点的联系,确定关键节点并对未来化工管理的重点与方向提出建议。     

基于HMM算法的矿山水灾害链复杂演化网络模型构建及应用

矿山水灾害可视为由各种相互联系的因素构成的复杂系统,通过研究矿山水灾害链中节点事件对演化过程的影响,可为矿山断链减灾提供依据。采用灾害链理论结合复杂演化网络模型,提出了灾害节点演化性子模型、灾害节点影响度子模型、灾害节点重要度子模型、灾害综合中心性模型4个子模型,利用HMM算法对子模型进行优化,构建了基于HMM算法的矿山水灾害链演化网络模型;参照前人的案例分析结果,对比分析矿山水灾害链演化网络模型的可靠性,结果表明：该模型能更有效地分析出各节点事件对整体灾害链演化的影响程度,推算出最有可能发生的矿山水灾害演化链,从而为矿山灾害链的风险分析以及断链减灾提出更合理的建议。     

基于多源异构数据融合的化工安全风险动态量化评估方法

针对石化企业过程安全风险分析缺乏多源异构数据融合、难以解析风险动态时变机理的现状。首先基于改进的模糊Petri网建立风险动态传播模型,考虑初始事件失效、保护层失效和修正因子等参数,得到风险的实时变化概率;然后分析不同保护层失效对事故发生概率的影响,得到不同保护层的重要程度;最后,以正己烷缓冲罐溢流发生火灾爆炸事故为例进行动态风险计算,分析对比其在不同保护层失效下的事故发生概率变化,结果表明安全联锁系统对事故发生起关键作用,日常应加大对其检测力度,防止事故发生。     

基于复杂网络的化工过程层次符号有向图模型建立及关键节点识别

针对定性符号有向图（signed directed graph,SDG）在化工过程系统中建模复杂度高、故障分辨率低、容易忽略部分变量等问题,提出一种基于复杂网络理论构建层次SDG网络模型并识别关键节点的方法。首先利用层次分析法对化工过程系统划分递阶层次结构,建立基于子系统的系统SDG网络模型,选取度中心性、接近中心性等多个节点重要性评价指标,采用主成分分析法确定各指标权重并利用逼近理想排序法（technique for order preference by similarity to an ideal solution,TOPSIS）多属性决策方法得到节点重要性的综合评价值,初步识别关键节点所在的子系统;然后建立子系统的SDG模型并细化为有向网络,采用LeaderRank算法对节点重要性进行排序,进而在子系统网络模型中确定关键节点的位置。案例计算结果表明该方法可以有效地降低建模的复杂性,提高关键节点识别的全面性和准确性,从而改善化工过程系统的安全稳定性。     

Robustness analysis of chemical process systems based on complex network non-linear load capacity model

In the complex network of chemical process systems, if a node fails, it may trigger cascading failures and affect normal operation. To enhance the ability of chemical process systems to maintain normal operation after the cascading failure, this paper presents cascading failure modelling and robustness analysis of chemical process systems based on the complex network non-linear load capacity model. First, based on complex network theory, a complex network model of the chemical process is constructed; then, three cascading failure models are constructed using a combination of linear and non-linear load capacity models and initial load and initial residual capacity redistribution strategies; and finally, the nodes with the maximum node degree are deliberately attacked to analyze the robustness of the chemical process system in response to cascading failure. The case study shows that the proposed models are valid and feasible, and the robustness of the chemical process system is enhanced as the load and capacity parameters are increased. By reasonably setting the initial load and adjusting the model parameters, the robustness can be effectively improved, providing a theoretical reference for improving the robustness of the actual chemical process system in response to cascading failure.     

基于复杂网络理论的符号有向图(SDG)化工故障诊断

化工过程系统的大型化和复杂性,仅通过常规方式来描述故障机理越来越受到限制。本文以流程图建模法构建的符号有向图(signed directed graph,SDG)故障模型为基础,将化工过程系统抽象为网络拓扑结构,通过对网络模型的统计特征描述,判断网络的复杂性、小世界性和无标度性,进而以复杂网络中心性理论定量计算网络中各个节点的重要性,分析比较各指标来确定网络中的核心节点,并通过Capocci算法对网络进行社团结构的定量划分,最后以网络中的核心节点确定化工过程中易引起安全事故的关键变量,并用社团划分的结果绘制出化工故障诊断模型的关键路径,确定重点监测部位。案例应用结果表明:该方法可行,为化工过程系统中故障节点和监测提供了新的解决思路,丰富了化工过程故障诊断和预防控制的相关理论。     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络(GRU)结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

Soft sensor modeling method based on hybrid model of nearest neighbor and neural network

Soft-sensing modeling can effectively solve the problems of large measurement lag, high price, and complex maintenance of online analytical instruments in the production process. At present, neural network based on data-driven is one of the main tools of soft sensor. In the process of modeling data collection, the collection of dominant variables is much more difficult than that of auxiliary variables, resulting in a large amount of unlabeled data. However, traditional soft sensor modeling methods ignore these unlabeled data and only use a small amount of labeled data for modeling, which has negative effect on the prediction accuracy of the model. To solve the problem of label missing, the nearest neighbor algorithm is used to pseudo label the unlabeled data. At the same time, a network structure is designed by combining convolution operation and gated recurrent unit neural network (GRU) to further utilize the unlabeled data, extract the dynamic feature from data at different time, and improve the prediction accuracy of the neural network. Finally, the method is applied to the prediction of propane concentration on the top of propylene distillation column. The results show that the model can solve the problem of label missing in the nonlinear dynamic system and has higher prediction accuracy.     

Fire risk assessment in cotton storage based on fuzzy comprehensive evaluation and Bayesian network

Cotton storage fire develops rapidly, and it has high probability of being out of control and causing huge economic loss. In order to carry out a quantitative risk assessment of cotton storage fire accidents, a dynamic risk assessment model of cotton storage fire is established by means of data analysis, fuzzy comprehensive evaluation (FCE), cases study and expert opinions based on Bayesian network (BN). The model includes three sections (fire causes section, fire discoverer section, fire control section) and one mainline, with 22 nodes, and gives accident risk in the form of economic loss. Risk can be renewed quickly by giving new evidence to model nodes of BN. The application of FCE provides a feasible solution to solve the data deficiency problem in databases, experiment results and experience in model construction. Sensitivity analysis result shows firefighters participation, timely control of fire, firefighting systems and workers are important to put out the fire. A case study shows that the loss of a fire accident happened in an open storage yard is more serious than the loss of a similar fire accident happened in warehouse. This model provides support for cotton storage fire risk management and decision-making in an emergency fire accident.     

基于复杂网络时空特性的泡沫图像动态纹理特征分析

基于机器视觉的浮选过程监控方法已经被广泛应用于浮选过程中,泡沫表面纹理特征是过程监控的关键视觉特征之一。当前静态纹理特征只能从空间维度描述图像特征,在时间维度上刻画图像序列的内在变化特性存在不足,不能准确反映浮选泡沫浮选过程动态特性。提出了基于复杂网络时空特性的泡沫图像序列动态纹理特征方法。通过将每帧图像的像素点映射到网络各节点,利用邻接矩阵建立复杂网络模型和网络权值动态演化反应不同时刻的图像特征,基于复杂网络时空特性提取泡沫图像序列的动态纹理特征。结合实际生产数据进行仿真验证,实验结果表明该方法可准确识别浮选动态状况,为浮选生产过程的实时调节提供重要的指导信息。     

基于决策树算法的石化装置过程安全管理评估技术研发及应用

针对当前石油化工企业装置安全生产管理现状,为提升石化装置过程安全管理水平,借鉴国内外过程安全管理体系和相关标准要求及典型管理经验,采用基于关联度的决策树算法构建了石化装置过程安全管理评估指标体系,并运用多层次综合模糊评价方法建立了评估模型,设计开发了装置过程安全管理评估系统,并结合实例进行了验证分析. 结果表明,该技术可量化分析装置过程安全管理存在的薄弱环节,有助于过程安全管理改进和水平提升,对保障装置安全稳定运行、提升装置安全管控水平具有现实意义.