耿阳丹, 张水平, 丁元春
(江西理工大学资源与环境工程学院,江西 赣州341000)
燃气供应已在现代化城市中占据重要的地位,据《2014年中国城市建设统计年鉴》——煤气与热力摘编的全国历年城市天然气数据显示,截至2014年,我国城市天然气普及率高达94.57%,供气总量每年约964亿m3.燃气管网点多、线长、面广,大多埋于地下,具有复杂性和不可见性,且管内燃气具有易燃易爆、扩散速度快等特点,易发生爆炸、泄漏等事故.而事故应急能力评价是衡量燃气企业灾害管理水平的重要手段,是提高应急能力水平的重要基础工作,发生重大事故时高效有序地开展应急行动,减轻重大事故给人们造成的伤亡和经济损失,保证企业正常的生产经营运行.
国内外学者针对应急能力评价方面的研究很多,相关行业领域主要涉及公共卫生、防震减灾、轨道运输、电力安全、石油化工等,但是对难以量化、较为抽象的应急能力的构成要素研究较少.单就燃气行业来讲,针对系统风险管理的研究较多,评价其应急能力的文献很少[1-4].为了得到更具合理、有效、可靠性的结果,文章采用组合赋权法相结合,克服传统AHP缺点,应用网络层次分析法并结合BP神经网络的自身优点对燃气管道突发事件应急能力评价进行方法验证.同时,由于各个指标元素存在不同的量纲,需要进行归一化处理.
20世纪80年代,美国Thomas L.Saaty教授提出了ANP(网络分析法,Analytic Network Process,ANP),它本质上是AHP的延伸[5],是一种非独立性递阶层次结构的计算过程更复杂的决策方法.其构建的是网络层次模型,由控制层与网络层构成并考虑了准则层、元素集和元素之间的相互依存关系,因而有效地避免了AHP在层次结构划分中的许多假设,对于决策问题的处理更具合理性,结果更加可信.文中应用超级决策软件(SD)进行ANP模型的所有权重计算.
BP神经网络是目前应用研究最多、最广泛的神经网络模型之一,属于多层前馈网络.这种数学方程是无需事前进行相应映射关系的叙述,就能够学习和存贮大量输入输出映射关系的.可以成功解决非线性连续函数求解的网络权重调整问题.它的学习过程分为信息的正向传播和误差的反向传播,由输入层、隐含层和输出层组成,具体的训练过程是4个阶段,即是“模式顺传播、误差逆传播、记忆训练、学习收敛”[6-7].总的来说它是通过不断地进行大量样本训练,使得网络的输出误差达到可接受范围.在处理体系评价问题时,BP神经网络可以较好的避免人为主观因素的误差影响[8].BP神经网络包含3层:输入层,隐含层,输出层.其中隐含层神经元数的确定十分重要,它与输入输出层神经元数、实际问题的复杂程度及设定的期望误差有直接关系,目前它的确定只能根据一些经验公式[6-8],文中选用公式为:
公式(1)中:M为隐含层节点数;i为输入层节点数;j为输出层节点数;a为常数,取值在1~10之间来确定.
在综合系统体系评价过程中,为了使得评价内容更加全面,结果具有实际性,指标的选取时常会多样化,测量单位的不同也会影响决策者的判断,而归一化在数据处理方面可以有效地避免这类情况的发生,同时解决了数据指标之间的可比性.文中选择对数Logistic模式进行数据归一化,其计算公式为:
公式(2)中:x1为新数据;x为指标原始数据.
要建立科学的指标体系,首先要了解目标.事故应急管理是一个过程管理,包括预防、准备、响应、恢复4个阶段,针对突发事件总体应急预案,国家提出了以人为本、预防为主、快速反应、分级负责、责权一致、依法规范等六项工作原则.为保障人们的生命、财产安全,必须对其进行危险分析,主要涉及人物环境的不安全行为和状态.
燃气管道的风险管理一般是分区段进行,导致事故发生的原因包括第三方破坏(管线埋深不超过1 m,沟敷设现象严重,施工)、腐蚀(燃气含萘量高影响管道腐蚀,壁厚要求等低)、设计标准(阀室、调压室)、泄漏等[9-13].燃气管线在城市中交错纵横,人口密集、人流量大的生活休闲区往往是管理薄弱的地方,发生事故的可能性较大,因而,在提高应急预防的思想意识的同时制定具有行业针对性的应急能力评价指标是很有必要的.应急能力评价[8,14-18]是一个动态过程,在贯彻以人为本的安全生产核心的前提下,充分认识燃气管道突发事件发生特点、产生危害,从应急管理过程中各参与方、所需资源进行分析建立一级指标:事前监测预警能力、资源保障能力、事发响应能力、后期处理能力.城市燃气管道突发事件应急能力评价指标体系如图1.
图1 城市燃气管道突发事件应急能力评价指标体系
在充分研究城市燃气管道突发事件应急能力的基础上,选取了评价体系二级指标,其划分依据如下:
1)考虑针对突发事件的泄漏区域、浓度和扩散速度等实时监测信息的掌握;管道设施布局的合理性与运行过程中的稳定性;反馈内容与信息传输通道、网络的选择对决策者判断事故类型、事故管道类别、所处环境现场是否有泄漏、是否涉及用户停气、现场紧急情况是否得到控制等影响;对由于未知因素导致突发事件的重点区域进行专项预案演练4个方面的因素,将事前监测预警能力B1划分为危险源监控、管道系统的稳定性、信息反馈内容和及时性、应急预案演练.
2)考虑报警设备在系统运行过程中的稳定性,应急信息资源的整合与共享;针对不同区域的各类应急机具种类、数量,物资站与多发点的距离;依据国家规定判断预案编制的完整性与指标合理性;现场指挥、安全技术组、后勤保障组、抢修、消防、报警、警戒组等各司其职;企业、政府等对应急管理的资金扶持;定期对相关人员进行各种突发事件的培训,并定期检验其掌握程度;发生突发事件,利用GIS及时提供最佳救援路线7个方面的因素,将资源保障能力B2划分为应急平台系统建设、应急物资储备、应急预案完整性、应急各组织机构职责划分、应急财力保障、专业救援队的安全教育培训、应急交通路况信息掌握.
3)综合考虑按实际情况对不同事件作出正确的响应;是否存在越级信息报告等状况,间接反映应急预案的实施效果;事故发生时间、地点等情况的掌握;处置措施是否有效地控制了现场,防止二次伤害发生;学校、政府等服务型单位燃气的供应措施;发生泄漏或爆炸事故后,影响区域周围的居民行为;负责人及时信息整合并记录重要情况7个方面的原因,将事发响应能力B3划分为响应等级的确认、响应程序步骤、紧急事件报告的准确性、指挥决策能力、主要用户燃气供应保障措施、人员疏散撤离方案、救援部门间信息沟通.
4)从市容整洁和新管道的埋设情况;检验应急预案的实施效果并完善应急程序、内容及方法等2个方面考虑,将后期处理能力B4划分为后期现场清理及重建规划、事后评估.
1)ANP网络层次分析结构模型建立
文中应用ANP进行验证城市燃气管道突发事件应急能力评价的适用性,根据图1中确定的目标准则,分析并建立其ANP网络结构模型[19-21].城市燃气管道突发事件应急能力ANP网络结构模型见图2.
2)基于ANP方法的指标权重的确定
事前监测预警能力、资源保障能力、事发响应能力、后期处理能力4个准则层之间互相独立,应用AHP构造判断矩阵进行其权重求解;指标层集元素组及每个层集内的各个元素互相影响,构造超矩阵进行权重求解.采用专家咨询结合Super Decisions[22]的辅助得到各个评价指标的权重.咨询专家选取个数为10,其中,从事燃气行业并从业3年以上的占比40%,研究应急能力评价的占60%.而咨询方法采用典型的1-9标度法,选取问卷的问卷样式如“事前监测预警能力”准则下,比较各元素集见表1.最终得到城市燃气管道突发事件应急能力各评价指标权重结果见表2.
图2 城市燃气管道突发事件应急能力ANP网络结构模型
表1 危险源监控与管理系统的稳定性比较
1)结合已有经验,将评分等级标准分为4层,分数范围在[0,1],即是:
A:优秀[0.85,1] B:优良[0.75,0.85) C:及格[0.65,0.75) D:差[0,0.65)
2)城市燃气管道突发事件应急能力BP神经网络结构模型如图3.
其中,输入层的节点数是图1中所确定的数量为20,分值的确定为被聘请的相关专业的管理、技术人员对城市燃气管道应急能力指标评价值;文中是对城市燃气管道突发事件应急能力的评价,这是一个“定性—定量—定性”的过程,最终是取得一个目标值;因而,i=20,j=1,应用公式(1)计算得到隐含层M的取值范围是[6,14],试验中选择的M=9.
评价指标体系中各指标的衡量单位是不一致的,且BP神经网络一般采用Sigmoid可微函数作为网络的激励函数,数值范围固定在[0,1],因而,需要进行指标值归一化.文中聘请相关专业的管理、技术人员进行燃气管道应急能力指标评分,并选择公式(2)对评分结果进行归一化处理,并与表1中的各个指标综合权重进行相乘并求和,最后得到综合评价值,即目标值.并选择80%数据作为样本进行BP训练,然后进行剩余20%的BP输出值与目标值的误差检验,验证ANP-BP方法针对城市燃气管道应急能力评价模型的适用性.相对误差检验公式:
表2 城市燃气管道突发事件应急能力各评价指标
图3 城市燃气管道突发事件应急能力BP神经网络结构模型
1)文章结合某城市市区城市燃气管道系统分布情况、周围环境特点及燃气公司燃气应急预案等,拟聘请25位专业人员,采用百分制对上述章节中样本的各个指标进行评价打分,然后对打分结果进行归一化处理,并与表1中的各个指标综合权重进行相乘并求和,最后得到所有指标的综合评价值,即目标值;选取1~20组数据作为BP训练样本数据,后5组作为验证样本,最后得到综合评价值,其中21~25组的综合评价值见表3.
表3 综合评价值
2)BP网络样本训练与ANP-BP方法的适用性判断
将指标归一化后的值作为样本数据,选取前20组为训练样本,相应的检验21~25组与实际的误差,文中运用Matlab进行神经网络模型的实现并假设网络参数的设定,其中目标值期望误差为10-9,迭代次数为20,学习效率为0.2.最后得到检验的5组实际数值分别为 0.695152174,0.811283420,0.835366480,0.748994174,0.723050839.与目标值相比较,最大的相对误差为4.39%.根据文献[23]的结论,在实际过程中这个结果是可接受的范围,因而,证明ANP-BP方法对于城市燃气管道突发事件应急能力的评价是可适用的.
1)文章构建了基于ANP-BP的城市燃气管道突发事件应急能力评价模型.充分考虑了指标间和指标层间的反馈关系,并采用SD软件辅助计算权重,简化了运算过程,最后选择BP神经网络克服了过多人为主观因素的存在.这种主客观方法的综合应用使得评价结果更具实际性.同时,也验证了这种方法对评价城市燃气管道突发事件应急能力的适用性.
2)虽然BP有自学习收敛的优势,但在ANP构造判断矩阵时会由于选择的专家个人经验和知识的不同造成打分结果不合理的现象,在指标调查打分过程中,有些指标可能会存在无法量化;评价指标选取的全面性存在差异等等情况.在今后的工作可以从以上方面入手,进一步完善该评价体系的建立,得到更具合理性,更有现实意义的评价结果.
[1]武淑平,翟怀远,宋守信.城市燃气系统应急能力评价指标体系的构建[J].煤气与热力,2009,29(4):47-49.
[2]尹贻林,林广利,付聪,等.基于G1法城市燃气事故应急能力评价研究[J].中国安全生产科学技术,2009,5(4):96-100.
[3]赵玲.城市灾害应急能力评价的研究[D].赣州:江西理工大学,2008.
[4]薛寅.城市灾害心理救援应急能力评价研究[D].哈尔滨:哈尔滨工业大学,2015.
[5]Saaty T L.Decision making with dependence and feedback:the analytic network process[J].International,1996,95(2):129-157.
[6]龚巧灵,官冬杰.基于BP神经网络的三峡库区重庆段水资源安全评价[J].水土保持研究,2017,24(6):292-299.
[7]乔维德.基于AHP与BP神经网络的电机系统节能评价[J].南通大学学报(自然科学版),2017,16(3):20-26.
[8]李树刚,王璐,成连华,等.基于ANP-BP方法的煤矿应急能力评价研究[J].矿业安全与环保,2014,41(6):115-119.
[9]Liu F,Wang T.Risk evaluation technology and method for urban pipeline carrying natural gas[C]//IEEE International Conference on Emergency Management and Management Sciences,IEEE,2010:515-518.
[10]赵欧,张鹏.长输天然气与城市燃气管道风险评价指标体系比较分析[J].管理技术与设备,2012(1):12-14.
[11]孙永庆,张峥,钟群鹏.燃气管道风险评估的关键技术和主要进展[J].天然气工业,2005,25(8):132-134.
[12]朱汉生.燃气管道第三方施工安全管理体系的研究[D].广州:华南理工大学,2013.
[13]张艳.我国城市灾害风险管理体制机制创新研究[J].哈尔滨师范大学社会科学学报,2015(6):75-78.
[14]冯百侠.城市灾害应急能力评价的基本框架[J].河北理工大学学报(社会科学版),2006,6(4):210-212.
[15]吴宇杰,张强,方云.基于Delphi法的社区居民危机应急能力指标评价体系研究[J].劳动保障世界(理论版),2013(9):204-205.
[16]刘德海,于倩,马晓南,等.基于最小偏差组合权重的突发事件应急能力评价模型[J].中国管理科学,2014,22(11):79-86.
[17]Ju Y,Wang A,You T.Emergency alternative evaluation and selection based on ANP,DEMATEL,and TL-TOPSIS[J].Natural Hazards,2015,75(2):347-379.
[18]王海涌,张玮玥,王晓明,等.基于ANP和VPRS的高速列车舒适性综合评价指标权重分析[J].铁道学报,2014,36(6):15-20.
[19]许葭,宋守信,袁朋伟,等.基于ANP的地铁站点网络脆弱性评价[J].中国安全科学学报,2015,25(12):129-134.
[20]黄明旺,郑明贵.基于ANP-灰色模糊评价法的矿业项目投资风险评价研究[J].江西理工大学学报,2015,36(4):37-41.
[21]张苑秋,田军,冯耕中.基于网络层次分析法的应急物资供应能力评价模型[J].管理学报,2015,12(12):1853-1859.
[22]刘睿,余建星,孙宏才,等.基于ANP的超级决策软件介绍及其应用[J].系统工程理论与实践,2003,23(8):141-143.
[23]潘华,李本强,雷元新.神经网络模型预测结果的正确率评价方法[J].工业建筑,2007,37(增刊 1):973-974.