LNG船裝卸作業風險動態網絡預測

馬先山, 劉 宇, 方 磊, 朱祥貴

(1.青島遠洋船員職業學院,山東 青島 266071; 2.上海海事大學 商船學院，上海 201306；3.臺州港引航站,浙江 臺州 318000)

LNG船裝卸作業風險動態網絡預測

馬先山1, 劉 宇2, 方 磊2, 朱祥貴3

(1.青島遠洋船員職業學院,山東 青島 266071; 2.上海海事大學 商船學院，上海 201306；3.臺州港引航站,浙江 臺州 318000)

以液化天然氣(Liquefied Natural Gas,LNG)船裝卸貨風險為研究對象，針對其特征和物理屬性，考慮船舶和環境2方面因素對裝卸貨風險的影響，確定LNG船裝卸貨風險的形成原因及其耦合關系，并分別采用靜態和動態貝葉斯網絡建立LNG船卸貨風險預測模型，以分析裝卸貨作業過程中的風險變化。利用所建模型對LNG船港口卸貨作業進行風險預測，通過驗證該模型的正確性和有效性，得出LNG船卸貨作業過程風險波動性強的結果。結果表明，所得風險預測結果與歷史事故規律基本吻合，該模型能較好地預測LNG船作業過程中的風險。

LNG船;動態貝葉斯網絡;卸貨作業;風險預測

隨著各國對液化天然氣(Liquefied Natural Gas，LNG)的需求量不斷增多、LNG利用效率不斷增大，LNG的運輸量和裝卸量呈逐年遞增趨勢。由于LNG具有一定的特殊性和危險性，使得LNG船一旦發生意外，將對周圍環境和人員造成危害。因此,針對這種可能存在的危險情況做好LNG船裝卸貨的安全研究和風險預測尤為重要。

近年來,國內外相關學者已對LNG船的航行進行較多的研究。國外方面:文獻[1]通過分析LNG船事故的歷史數據，對潛在危險源進行識別，并結合相關專家知識，利用綜合安全評價法(Formal Safety Assessment，FSA)對LNG船可能發生的碰撞、擱淺、觸碰、火災和爆炸及裝卸貨事故進行風險分析;文獻[2]采用故障樹分析法(Fault Tree Analysis，FTA)及事故因果分析和預先危險性方法(Preliminary Hazard Analysis，PHA)構造LNG船在裝卸液貨時的事故模型，對事故后果進行風險分析，提出預防LNG泄漏的建議和操作措施;文獻[3]采用功能樹法(Functional Tree，FT)對LNG船貨物裝卸設備進行失效分析，結合預先危險性分析和因果圖分析法得出的危險源，利用貝葉斯概率算法得出各事件發生的可能性，利用風險矩陣進行風險分析，提出減少裝卸設備維護的操作方法和建議。國內方面:文獻[4]研究裝卸作業關鍵步驟人、船舶、LNG裝卸碼頭、環境和管理因素等5個方面對LNG船裝卸作業安全的影響，分析裝卸過程中應關注的環節，提出合理的安全管理意見;文獻[5]利用FSA理論方法研究LNG船和接收站數據資料，分析船舶裝卸貨過程中和航行過程中的危險，采用事故樹分析法進行風險評估，提出碰撞、擱淺和泄漏事故應急處理預案;文獻[6]分析影響運輸的因素和運輸流程，以中海油LNG船為例，隨機選取該船某航次，利用BP(Back Propagation)神經網絡方法分析，為LNG海上運輸提供參考;文獻[7]運用“人-機-環-管”理論構建LNG接收站評價體系，利用模糊綜合評判法和層次分析法建立模型，以國內某接收站為例進行安全評價，提出整改意見。

以上文獻主要對LNG船在靜態因素下的風險進行研究，并沒有考慮到LNG船的影響因素是隨時間改變的，即風險因素的動態特征。在綜合分析以上文獻的基礎上，根據事故致因理論和LNG及船舶營運領域專家的研究成果，考慮LNG船裝卸貨時的動態特性，引入動態貝葉斯網絡構建LNG船裝卸貨風險預測的DBN(Dynamic Bayesian Network)模型，對LNG船裝卸貨風險進行預測。

1 LNG船裝卸貨風險因素分析

研究單次裝卸貨作業中LNG動態轉移過程和環境帶來的動態風險的大小及其變化規律，根據事故致因理論，對裝卸貨過程中的船舶和環境影響因素進行分析；同時，結合以往的研究和專家建議，確定LNG船裝卸貨風險預測的指標體系。具體LNG船裝卸貨風險DBN網絡結構見圖1。

圖1 LNG船裝卸貨風險DBN網絡結構

1.1船舶因素

船舶因素是影響LNG船裝卸貨作業最基本的因素，因此對船舶因素加以考慮，對保證船舶裝卸貨安全而言至關重要。這里選取船況、船舶參數和LNG狀態等3部分進行研究。

1.2環境因素

環境因素主要考慮自然環境、社會環境和交通條件等3個方面，其中：自然環境包括氣象水文和突發性自然災害；社會環境包括恐怖襲擊和戰爭。

1.3船舶和岸基作業人員

鑒于人員因素影響的行為最終會通過船舶設備和設施等機器系統顯示為人機行為，不再將船舶和岸基作業人員列為分析參數，以簡化網絡構造工作。

2 LNG船裝卸貨風險預測模型

2.1風險值

LNG船裝卸貨風險預測模型主要用來預測LNG船裝卸貨事故的發生概率，只有將其與事故的后果相結合才能得到風險的大小。根據當前的LNG船裝卸貨事故統計規律，按等級對事故后果進行賦值。由于所有情況的賦值方法相同，因此賦值的大小對預測結果的分級沒有太大影響。

2.2風險因素耦合

風險系統與風險系統之間存在著非線性的相互作用，這種系統與系統之間的相互作用是事物存在的普遍范式，稱之為耦合。[9-11]風險耦合是指系統中某個或某類風險的發生及其影響力依賴于其他風險的程度和影響其他風險發生及其影響力的程度。在LNG船裝卸貨風險系統中，裝卸貨風險是由船舶、LNG等因素與環境因素的不確定性相互耦合產生的。通過對LNG船裝卸貨風險進行分析得到,影響因素之間的關系是網絡型的。

2.3風險預測的節點網絡結構

LNG船裝卸貨風險影響因素具有單向無環的特性。因此，可引入貝葉斯網絡進行定量化推理。

DBN是以靜態貝葉斯網絡(Bayesian Belief Networks，BBN)為基礎，將原來的網絡結構與時間信息相結合形成的具有處理時序數據能力的隨機模型。由于時間因素的引入，系統狀態在不同時序下形成的數據將反映所代表的變量的演化規律。若要分析這種動態數據，需建立相應狀態轉移的動態模型。當前時刻的物理要素變量狀態受前一時刻自身狀態的影響，滿足馬爾科夫過程中的時間狀態轉移關系。為表示這種關系，需在動態節點上添加時序關系有向弧段。一般通過以下方法確定貝葉斯網絡結構。[8，12]

1) 通過對數據庫進行學習，獲取貝葉斯網絡結構。

2) 根據專家知識，對建立的網絡拓撲結構進行優化調整和驗證。

結合事故統計和專家建議確定LNG船裝卸貨風險預測的BN(Bayesian Network)網絡結構如圖1所示，深色框表示該節點為動態因素，這些節點及其相互間的關系根據相關領域知識和裝卸貨風險的實際情況確定。

在確定LNG船裝卸貨風險預測BN網絡結構的基礎上，可結合轉移網絡獲得裝卸貨風險預測DBN網絡。動態貝葉斯網絡結構不隨時間改變，動態因素隨時間發生狀態轉移。利用貝葉斯建模軟件建模，所得DBN網絡拓撲結構如圖1所示，其中,帶數字直線連接的部分為轉移網絡，線段中間的數字為轉移模式。

2.4DBN模型中節點的參數

BN的變量節點分為以下2類：

1) A類節點，與其父節點之間存在邏輯“與”或邏輯“或”的關系，其條件概率可通過邏輯分析獲得。

2) B類節點，其父節點綜合作用導致該節點的發生，發生的可能性為[0,1]，其條件概率主要通過事故數據分析和專家問卷調查獲得。

2.5DBN模型中的狀態轉移變量

狀態轉移變量根據相關領域知識指定或通過統計概率獲得，并按照貝葉斯法則合成。即針對動態轉移變量，根據同一時間片內的條件概率(由先驗網絡獲得)和不同時間片上原始的轉移概率,按照貝葉斯法則計算得到新的轉移概率，這實質上是貝葉斯學習的一種形式，所得到的新轉移概率在不同時間片上保持不變。

3 算 例

以卸貨為例，對LNG船裝卸貨風險預測模型進行分析。首先利用靜態貝葉斯網絡(BN)對LNG船進行靜止狀態下的卸貨風險預測;在此基礎上,利用DBN對我國東部某港LNG船卸貨風險進行預測。

3.1模型參數確定

為獲取DBN預測模型網絡節點的條件概率、先驗概率和轉移概率，對港口作業數據進行統計并進行問卷調查。對2014年我國東部某港LNG船的進出港情況進行統計，對LNG碼頭的卸貨作業操作人員、管理人員和部分船長等(共100人)進行包括“LNG船卸貨事故情況調研”和“LNG船岸工作人員問卷調查”等在內的調研，收回問卷89份，其中有效問卷85份。結合專家知識最終得到模型節點的先驗概率、條件概率和轉移概率。

1) 靜態節點參數。以LNG船的船長節點為例，通過貝葉斯網絡學習確立先驗概率學習結果(100300 m:0.243 4)。

2) 轉移變量。以風速(1～4級、5～6級、7～9級)為例，該節點的轉移概率為

(1)

3) 動態節點參數。在LNG船卸貨風險預測模型中，將19個物理變量定義為動態變量，包括LNG轉移速率、LNG蒸發率、液貨泵、交通流量、能見度、風速和流速等，不同變量的狀態轉移概率是不同的。

這里以LNG船舶進港過程中的轉移(運動)速率為例，得到LNG轉移速率狀態轉移曲線見圖2。

3.2LNG船卸貨靜態風險預測

根據該卸貨作業的具體船舶和環境條件，將相應風險因素的狀態輸入到BN預測模型中進行推理預測。根據風險計算方法，通過計算可得卸貨風險值為

圖2 LNG轉移速率狀態轉移曲線

(2)

3.3LNG船卸貨作業動態風險預測

由于靜態貝葉斯網絡只能預測某種靜止狀態下的卸貨風險，不能預測整個卸貨過程中不同狀態的綜合風險，因此有必要引入動態貝葉斯網絡進行卸貨作業的動態風險預測。結合DBN預測模型中的先驗網絡和轉移網絡確立時間片段下的狀態風險，通過量化推理進行風險的動態分析和預測。[13]圖3為卸貨風險在10個時間片下的時序變化曲線。

圖3 卸貨風險在10個時間片下的時序變化曲線

處于卸貨狀態的船舶發生事故的概率相比其他船舶較低。整體來說,卸貨作業是安全可靠的。從圖3中可看出,在卸貨過程中，中間段的風險波動性相對較大，表明卸貨作業中間段的安全預防工作存在一定的不足。

3.4LNG船卸貨風險動態預測實例

以一艘LNG船為研究對象，相關信息如下。

1) 船舶信息：船長345.3 m，寬53.8 m，吃水12 m，船齡4 a。

2) 載貨信息：滿載26.6萬m3LNG。

3) 作業環境信息：能見度0.5～1.5 n mile，風力1～3級，陣風5級，最大流速2.5 kn，交通流密集，周圍漁船較多。

對LNG船卸貨作業進行分析。將時間長度設為10個時間片，由于該船在滿載情況下的卸貨作業大約需20 h，因此10個時間片代表20 h左右。

首先按給定條件對10個時間片的各變量節點的狀態進行指定，然后結合動態變量的轉移概率進行動態卸貨風險的推理預測，得到該船卸貨風險的時序變化曲線見圖4。

圖4 LNG船卸貨風險的時序變化曲線

根據圖4和數據分析可得出以下結論：

1) 整個卸貨作業過程中小事故和大事故的波動性較大，一般事故和不發生事故的風險波動性較小，但在“4”“5”和“7”時間片上變化較大，反映卸貨中間階段風險性較大，與歷史事故統計規律相吻合。

2) 雖然在LNG船卸貨風險中各類事故的絕對值變化相對較小，但預測值在不同時間片上的相對變化較大,表明LNG船卸貨風險處于小范圍波動狀態。不發生事故的波動幅度較小，在-2.1%～2.9%;而大事故的波動幅度較為顯著，在-50%～46%，表明大事故具有偶發性。

3) 各時間片上的卸貨風險值不同。在時間片“5”～“9”上都要大于或近于靜態風險，風險值要比靜態時預測的風險值5.28大。此外，在時間片“0”～“3”，風險值遠小于靜態值，充分表明在作業之初，各系統要素安全性高，隨著時間的推移，安全性下降，風險上升。

4) 在卸貨過程中的船舶發生事故的概率相比其他船舶較低。整體來說卸貨作業是安全可靠的。但是，在卸貨作業的中間段風險波動性相對較大，表明各因素相互作用情況不穩定。

4 結束語

1) 從人船系統與環境2個方面考慮風險因素的耦合形式，結合貝葉斯理論建立LNG船裝卸貨動態風險預測模型，對LNG船裝卸貨風險進行動態預測。結果與實際相符合，表明模型是合理有效的。

2) 針對LNG船裝卸貨風險因素的動態性特征，結合最終的風險預測圖形可看出,風險在裝卸貨過程中是波動的。這反映出在裝卸LNG過程中的一些時間段內，安全生產存在一定的問題，多因素之間相互作用會造成風險增加，需針對不同時間段的風險特征采取相應的安全措施，加強監管。

[1] VANEM E,ANTO P,?STVIK I,et al.Analyzing the Risk of LNG Carrier Operations [J].Reliability Engineering and System Safety,2008,93(9):1328-1344.

[3] MELANI AHDA,SILVA DWR,SOUZA GFM.Use of Bayesian Network to Support Risk-Based Analysis of LNG Carrier Loading Operation [C].Probabilistic Safety Assessment and Management PSAM,2014.

[4] 吳宛青,張彬.液化天然氣船舶液貨泄露風險評價研究[J].中國航海,2008,31(3):276-279.

[5] 李長山.液化天然氣船裝卸貨中的安全問題[J].世界海運,2011,34(7):41-43.

[6] 崔春英,靳由順,胡超.基于AHP-模糊綜合評價的LNG接收站安全評價[J].安全、健康和環境,2014,14(4):47-50.

[7] LUO Y,WU T D,HWANG J N.Object-Based Analysis and Interpretation of Human Motion in Sports Video Sequences by Dynamic Bay Esian Networks[J].Computer Vision and Image Understanding,2003,92(2-3):196-216.

[8] 郭云龍，席永濤，胡甚平，等．基于動態貝葉斯網絡的船舶溢油風險預測[J]． 中國安全科學學報，2013，23(11):53-59．

[9] 劉堂卿.空中交通管制安全風險耦合機理研究[D].武漢:武漢理工大學,2011.

[10] 金鑫.關于空管安全風險耦合理論的研究[J].中國電子商務,2012(19):71.

[11] 胡甚平，黃常海，鄧華，等.基于馬爾科夫鏈的船舶引航過程風險動態仿真[J].哈爾濱工程大學學報，doi:10.11990/jheu.201605025.

[12] 蔣國萍.軟件項目風險管理的貝葉斯網絡模型研究[D].長沙:國防科學技術大學,2005.

[13] 張敬磊,王曉原,馬立云,等.基于動態貝葉斯網絡的交通流狀態辨識方法[J].北京理工大學學報,2014,34(1):45-49.

PredictionofLNGOperationRisktoLNGCarrierUsingDynamicBayesianNetwork

MAXianshan1，LIUYu2，FANGLei2,ZHUXianggui3

(1.Qingdao Ocean Shipping Mariners College,Qingdao 266071,China;2.Merchant Marine College,Shanghai Maritime University,Shanghai 201306,China;3.Taizhou Pilot Station,Taizhou 318000,China)

The LNG ship risks associated with the cargo handling process is analyzed.The LNG cargo handling characteristics and physical properties of both ship and environmental factors affecting cargo handling risks are investigated and the causes of danger and the coupling relationship between them are determined.The model for LNG carrier cargo operation risk prediction is constructed using static and dynamic Bayesian networks.The correctness and validity of the model is verified and used to predict the LNG cargo operation risks in harbor.Tests show that the prediction agrees with the situation of the historical accidents,proving that the prediction model can be useful for LNG carrier unloading process.

LNG carrier; dynamic Bayesian network; unloading process; risk prediction

U698;U674.13+3.3

A

2017-01-11

浙江省港航局科研項目計劃項目(2016-6)

馬先山(1967—),男，山東青島人，教授,船長，主要研究方向為航海技術。E-mail:1055798847@qq.com

1000-4653(2017)02-0069-04