基于BP神經網絡的苯儲罐泄漏事故風險評價模型研究*

楊繼星，佘笑梅，黃玉釧，李振平，邊 路

(應急管理部通信信息中心，北京 100013)

0 引言

苯是化工生產過程中較為常見的危險化學品，是重要的石油化工基本原料之一，其產量和生產技術水平已經成為衡量一個國家石油化工發展水平的重要標志之一[1]。由于危險化學品的特性，苯一旦發生泄漏事故，如果不能及時發現并采取有效的應急措施，可能會導致中毒、灼傷等人體傷害，甚至發生爆炸，從而造成大量人員傷亡和巨大財產損失，嚴重時可能會破壞生存環境，影響社會穩定，造成災難性后果[2-4]。對苯儲罐進行風險評價，可以預測其發生泄漏事故的風險，進而在泄漏事故發生之前采取有效的應對措施，有助于降低泄漏事故的風險和危害[5]。

國內外有大量關于苯儲罐泄漏造成的火災爆炸事故記載，對于苯儲罐泄漏的危害性，各國都給予了高度重視[6]。目前國內外研究人員對苯儲罐進行風險評價時，主要采取定性分析和量化風險分析相結合的方法，評價重點在于事故后果模擬計算，而對于苯儲罐發生事故的風險概率研究較少[7-8]，難以在苯儲罐發生泄漏事故之前進行預測。因此，本文基于BP神經網絡構建苯儲罐的泄漏事故風險評價模型，根據經驗數據對苯儲罐進行風險預測。

利用BP神經網絡構建苯儲罐泄漏風險評價模型，根據對指標參數的分析處理，設計合理的BP神經網絡結構，計算不同隱含層神經元個數時神經網絡的均方差，進而選取BP神經網絡誤差最小時隱含層的神經元個數，對神經網絡進行反復訓練，確定均方差最小時神經網絡模型，將此作為構建合理有效的苯儲罐泄漏事故風險評價模型的依據[9-11]。

1 BP神經網絡運算的基本原理

誤差反向傳播算法(Error Back Propagtion , BP)，即BP神經網絡，是前向神經網絡的核心部分，也是整個人工神經網絡體系中的精華，由輸入層、若干個隱含層和輸出層構成，每層有若干個神經元，相鄰層各個神經元之間采用全互連方式，同一層內神經元之間不存在任何連接關系，輸入信號從輸入神經元依次傳過各隱含層的每個神經元，傳到輸出層的每個神經元，BP神經網絡理論上可以任意精度逼近1個從n個輸入到m個輸出的映射關系，其輸入與輸出是1個高度非線性映射[12-14]。其中典型的前饋階層BP神經網絡的拓撲結構如圖1所示。

圖1 BP神經網絡拓撲結構Fig.1 Topological structure of BP neural network

BP神經網絡中模型處理信息的基本原理[5]如圖2所示。

圖2 BP神經網絡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，假設本文3層BP神經網絡中輸入層信號為X，神經元個數為M，第m個神經元記為xm；隱含層信號K，神經元個數L，第l個神經元記為kl；輸出層信號為Y，神經元個數J，第j個神經元記為yj；閾值為b；權值為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；隱含層傳遞函數采用Sigmoid函數f(x)=1/(1+e-x)；輸出層傳遞函數采用Purelin線性函數g(x)=x。

隱含層節點輸出模型：

(1)

輸出層節點輸出模型：

(2)

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

(3)

如果二者偏差滿足要求，計算結束，否則轉入誤差的反向傳播階段，根據梯度下降法調整各神經元的權值ω，其權值修正量Δω如式(4)所示：

(4)

式中：η為學習率；δ為局部梯度；v為上一層輸出信號。這種信號正向傳播和誤差的反向傳遞過程便是BP神經網絡的學習過程，即BP神經網絡模型處理信息的基本原理。

2 模型構建與結果分析

2.1 構建苯儲罐泄漏事故風險評價模型

2.1.1 指標參數確定

本文構建的苯儲罐泄漏事故風險評價模型為3層BP神經網絡模型。苯儲罐是1個復雜的體系，影響其發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個參數指標作為輸入層信號[17]，各參數如表1所示。

因各指標參數之間有較大的相關性，且參數之間的取值差異較大，因此用歸一法將各參數指標進行標準化，本文采用指標原始值與該指標最大值的比值的絕對值作為輸入參數，即：xi=|pi/max(pi)|，使輸入數據均落在[0～1]之間。

此外，將模型輸出信號，即風險評價結果劃分為5個等級，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)，由于每個等級的取值為一數值區間，因此取其平均值作為神經網絡的期望輸出值，即0.9，0.7，0.5，0.3和0.1。

表1 苯儲罐泄漏事故風險預測模型輸入參數Table 1 Prediction model of benzene tank leakage accident input parameters

2.1.2 學習參數確定

1)輸入層m：本文有14個指標，所以輸入層神經元個數為14。

2)輸出層n：表示苯儲罐發生泄漏風險的概率，輸出值為0～1之間的常數，輸出層神經元個數為1。

3)隱含層節點個數L：隱含層節點數對BP神經網絡預測精度有較大的影響，節點個數過多，訓練時間增加，網絡容易過度擬合，節點個數過少，網絡不能很好地學習，需要增加訓練次數，且影響訓練精度[5～7]，因此根據式(5)確定隱含層節點初始值，在實際訓練中根據模型誤差大小進行調整。

(5)

4)權值和閾值初始值：(0，1)之間的隨機數。

2.2 訓練結果與分析

結合表1中各參數指標的取值范圍，取序號1～10的樣本，將資料中的數據進行標準化后，得到苯儲罐泄漏事故風險評價模型的訓練樣本，如表2所示。

表2 標準化后的BP神經網絡訓練樣本Table 2 Training samples of BP neural network after normalization

將表2中數據作為輸入信號X與期望輸出d，建立苯儲罐泄漏事故風險評價的BP神經網絡模型，以隱含層節點數L=4為例，苯儲罐泄漏事故風險評價模型的BP神經網絡結構如圖3所示。

依次設置隱含層節點數L=4，5，6，7，8，9，10，11，12，13，經過神經網絡訓練模擬后，得到不同隱含層節點數L所對應的模型誤差，如表3所示。

圖3 苯儲罐泄漏事故風險評價模型的BP神經網絡結構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確率，選取誤差值小于期望輸出值d1個數量級時的模型，即所有數據的模型誤差e均小于0.01，由表3可知，上述結果中符合要求的有且僅有隱含層節點數L=4時的模型，即苯儲罐泄漏事故風險評價的神經網絡模型誤差最小時隱含層節點數為4。苯儲罐泄漏事故風險評價模型在訓練過程中梯度與學習率的變化如圖4所示。

圖4 BP神經網絡訓練過程中參數變化Fig.4 parameter change during training of BP neural network

圖4分別為訓練梯度和學習率隨著迭代次數增加的變化規律。由圖4可知，隱含層節點數L=4時，BP神經網絡在訓練過程中的梯度和學習率均隨著訓練次數的增加逐漸下降，在第8次訓練時達到苯儲罐泄漏事故風險評價模型的最小值。

隱含層節點數L=4時，其BP神經網絡的回歸圖如圖5所示。圖5中(a)～(c)分別為訓練、校驗、測試的訓練擬合結果，圖5(d)為所有值的訓練擬合結果。由圖5可知，基于BP神經網絡的苯儲罐泄漏事故風險評價模型的訓練結果擬合度較高，均接近1，證明訓練效果較好，此時構建的基于BP神經網絡的苯儲罐泄漏事故風險評價模型效果較好。

3 結果分析

針對化工企業中實際苯儲罐的泄漏問題，發現儲罐

圖5 BP神經網絡訓練結果回歸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]，本文針對最為典型的儲罐過裝[15-16]事故，分析苯儲罐的事故現象、原因、結果和三者之間的相互關系，進而進行苯儲罐泄漏事故風險模擬。以某化工廠苯儲罐為例進行基于BP神經網絡的泄漏風險評價，儲罐容積3 000 m3，最大儲存量2 244 000 kg，最大儲存壓力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%。對其泄漏事故進行模擬，根據表1中苯儲罐泄漏事故風險預測模型輸入參數要求計算各參數值X，改變存儲體積參數X8的大小，觀察模擬結果Y的變化，具體參數如表4所示。

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

通過基于BP神經網絡的苯儲罐泄漏模型的分析，發現未超過額定容積的情況下，隨著儲罐中苯體積的增加，泄漏風險系數平穩緩慢增加，但是過裝(體積參數大于0.9)之后，風險系數直線上升，模擬結果與實際經驗數值基本一致，所建立的BP神經網絡模型可以較好地實現苯儲罐泄漏事故風險評價的目的。

4 結論

1)建立了基于BP神經網絡的苯儲罐泄漏事故風險模型，且模型的訓練結果較好，為苯儲罐泄漏事故風險評價提供一定的理論支持。

2)本文基于BP神經網絡的苯儲罐泄漏事故風險評價模型是動態的，隨著實際應用過程中經驗數據的增加與完善，可以通過BP神經網絡的自學習過程不斷加強苯儲罐泄漏事故風險評價模型的學習能力和訓練水平，實現在使用過程中進一步提高預測精度、擴大評估范圍，逐步得到更加準確完善的苯儲罐泄漏事故風險評價系統。

3)影響苯儲罐泄漏事故的因素復雜多變，且參數指標評價過程中主觀性較大。為更好地提高基于BP神經網絡的苯儲罐泄漏事故風險評價模型的性能，實際應用中往往需要大量的經驗數據對模型進行訓練模擬，進而保證模型具有更好的實用性。