基于BP神经网络的苯储罐泄漏事故风险评价模型研究*

杨继星，佘笑梅，黄玉钏，李振平，边 路

(应急管理部通信信息中心，北京 100013)

0 引言

苯是化工生产过程中较为常见的危险化学品，是重要的石油化工基本原料之一，其产量和生产技术水平已经成为衡量一个国家石油化工发展水平的重要标志之一[1]。由于危险化学品的特性，苯一旦发生泄漏事故，如果不能及时发现并采取有效的应急措施，可能会导致中毒、灼伤等人体伤害，甚至发生爆炸，从而造成大量人员伤亡和巨大财产损失，严重时可能会破坏生存环境，影响社会稳定，造成灾难性后果[2-4]。对苯储罐进行风险评价，可以预测其发生泄漏事故的风险，进而在泄漏事故发生之前采取有效的应对措施，有助于降低泄漏事故的风险和危害[5]。

国内外有大量关于苯储罐泄漏造成的火灾爆炸事故记载，对于苯储罐泄漏的危害性，各国都给予了高度重视[6]。目前国内外研究人员对苯储罐进行风险评价时，主要采取定性分析和量化风险分析相结合的方法，评价重点在于事故后果模拟计算，而对于苯储罐发生事故的风险概率研究较少[7-8]，难以在苯储罐发生泄漏事故之前进行预测。因此，本文基于BP神经网络构建苯储罐的泄漏事故风险评价模型，根据经验数据对苯储罐进行风险预测。

利用BP神经网络构建苯储罐泄漏风险评价模型，根据对指标参数的分析处理，设计合理的BP神经网络结构，计算不同隐含层神经元个数时神经网络的均方差，进而选取BP神经网络误差最小时隐含层的神经元个数，对神经网络进行反复训练，确定均方差最小时神经网络模型，将此作为构建合理有效的苯储罐泄漏事故风险评价模型的依据[9-11]。

1 BP神经网络运算的基本原理

误差反向传播算法(Error Back Propagtion , BP)，即BP神经网络，是前向神经网络的核心部分，也是整个人工神经网络体系中的精华，由输入层、若干个隐含层和输出层构成，每层有若干个神经元，相邻层各个神经元之间采用全互连方式，同一层内神经元之间不存在任何连接关系，输入信号从输入神经元依次传过各隐含层的每个神经元，传到输出层的每个神经元，BP神经网络理论上可以任意精度逼近1个从n个输入到m个输出的映射关系，其输入与输出是1个高度非线性映射[12-14]。其中典型的前馈阶层BP神经网络的拓扑结构如图1所示。

图1 BP神经网络拓扑结构Fig.1 Topological structure of BP neural network

BP神经网络中模型处理信息的基本原理[5]如图2所示。

图2 BP神经网络模型处理信息的基本原理Fig.2 The basic principles of BP neural network model for processing information

为方便处理，假设本文3层BP神经网络中输入层信号为X，神经元个数为M，第m个神经元记为xm；隐含层信号K，神经元个数L，第l个神经元记为kl；输出层信号为Y，神经元个数J，第j个神经元记为yj；阈值为b；权值为ω；期望输出为d；用u和v表示每层的输入和输出；n为迭代次数；隐含层传递函数采用Sigmoid函数f(x)=1/(1+e-x)；输出层传递函数采用Purelin线性函数g(x)=x。

隐含层节点输出模型：

(1)

输出层节点输出模型：

(2)

如图2所示，输入信号X经由隐含层处理后由输出层Y输出，并与期望输出d进行比较，其模型误差如式(3)所示：

(3)

如果二者偏差满足要求，计算结束，否则转入误差的反向传播阶段，根据梯度下降法调整各神经元的权值ω，其权值修正量Δω如式(4)所示：

(4)

式中：η为学习率；δ为局部梯度；v为上一层输出信号。这种信号正向传播和误差的反向传递过程便是BP神经网络的学习过程，即BP神经网络模型处理信息的基本原理。

2 模型构建与结果分析

2.1 构建苯储罐泄漏事故风险评价模型

2.1.1 指标参数确定

本文构建的苯储罐泄漏事故风险评价模型为3层BP神经网络模型。苯储罐是1个复杂的体系，影响其发生泄漏事故的因素很多，综合考虑几种较为常见的影响因素[15-16]，共选取14个参数指标作为输入层信号[17]，各参数如表1所示。

因各指标参数之间有较大的相关性，且参数之间的取值差异较大，因此用归一法将各参数指标进行标准化，本文采用指标原始值与该指标最大值的比值的绝对值作为输入参数，即：xi=|pi/max(pi)|，使输入数据均落在[0～1]之间。

此外，将模型输出信号，即风险评价结果划分为5个等级，分别是：高(Ⅴ，>0.8～1)、较高(Ⅳ，>0.6～0.8)、一般(Ⅲ，>0.4～0.6)、较低(Ⅱ，>0.2～0.4)、低(Ⅰ，0～0.2)，由于每个等级的取值为一数值区间，因此取其平均值作为神经网络的期望输出值，即0.9，0.7，0.5，0.3和0.1。

表1 苯储罐泄漏事故风险预测模型输入参数Table 1 Prediction model of benzene tank leakage accident input parameters

2.1.2 学习参数确定

1)输入层m：本文有14个指标，所以输入层神经元个数为14。

2)输出层n：表示苯储罐发生泄漏风险的概率，输出值为0～1之间的常数，输出层神经元个数为1。

3)隐含层节点个数L：隐含层节点数对BP神经网络预测精度有较大的影响，节点个数过多，训练时间增加，网络容易过度拟合，节点个数过少，网络不能很好地学习，需要增加训练次数，且影响训练精度[5～7]，因此根据式(5)确定隐含层节点初始值，在实际训练中根据模型误差大小进行调整。

(5)

4)权值和阈值初始值：(0，1)之间的随机数。

2.2 训练结果与分析

结合表1中各参数指标的取值范围，取序号1～10的样本，将资料中的数据进行标准化后，得到苯储罐泄漏事故风险评价模型的训练样本，如表2所示。

表2 标准化后的BP神经网络训练样本Table 2 Training samples of BP neural network after normalization

将表2中数据作为输入信号X与期望输出d，建立苯储罐泄漏事故风险评价的BP神经网络模型，以隐含层节点数L=4为例，苯储罐泄漏事故风险评价模型的BP神经网络结构如图3所示。

依次设置隐含层节点数L=4，5，6，7，8，9，10，11，12，13，经过神经网络训练模拟后，得到不同隐含层节点数L所对应的模型误差，如表3所示。

图3 苯储罐泄漏事故风险评价模型的BP神经网络结构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

因期望输出d属于[0，1]之间，所以为保证模型的准确率，选取误差值小于期望输出值d1个数量级时的模型，即所有数据的模型误差e均小于0.01，由表3可知，上述结果中符合要求的有且仅有隐含层节点数L=4时的模型，即苯储罐泄漏事故风险评价的神经网络模型误差最小时隐含层节点数为4。苯储罐泄漏事故风险评价模型在训练过程中梯度与学习率的变化如图4所示。

图4 BP神经网络训练过程中参数变化Fig.4 parameter change during training of BP neural network

图4分别为训练梯度和学习率随着迭代次数增加的变化规律。由图4可知，隐含层节点数L=4时，BP神经网络在训练过程中的梯度和学习率均随着训练次数的增加逐渐下降，在第8次训练时达到苯储罐泄漏事故风险评价模型的最小值。

隐含层节点数L=4时，其BP神经网络的回归图如图5所示。图5中(a)～(c)分别为训练、校验、测试的训练拟合结果，图5(d)为所有值的训练拟合结果。由图5可知，基于BP神经网络的苯储罐泄漏事故风险评价模型的训练结果拟合度较高，均接近1，证明训练效果较好，此时构建的基于BP神经网络的苯储罐泄漏事故风险评价模型效果较好。

3 结果分析

针对化工企业中实际苯储罐的泄漏问题，发现储罐

图5 BP神经网络训练结果回归Fig.5 training result regression diagram of BP neural network

过装和超压引起的事故最为频繁[15]，本文针对最为典型的储罐过装[15-16]事故，分析苯储罐的事故现象、原因、结果和三者之间的相互关系，进而进行苯储罐泄漏事故风险模拟。以某化工厂苯储罐为例进行基于BP神经网络的泄漏风险评价，储罐容积3 000 m3，最大储存量2 244 000 kg，最大储存压力1.0 MPa，苯的分子量78.11，燃烧热40 258 kJ/kg，苯临界压力4 898 kPa，爆炸上限8%，爆炸下限1.2%。对其泄漏事故进行模拟，根据表1中苯储罐泄漏事故风险预测模型输入参数要求计算各参数值X，改变存储体积参数X8的大小，观察模拟结果Y的变化，具体参数如表4所示。

表4 某化工厂苯储罐泄漏事故模拟参数Table 4 A chemical plant leakage accident simulation parameters of benzene storage tank

通过基于BP神经网络的苯储罐泄漏模型的分析，发现未超过额定容积的情况下，随着储罐中苯体积的增加，泄漏风险系数平稳缓慢增加，但是过装(体积参数大于0.9)之后，风险系数直线上升，模拟结果与实际经验数值基本一致，所建立的BP神经网络模型可以较好地实现苯储罐泄漏事故风险评价的目的。

4 结论

1)建立了基于BP神经网络的苯储罐泄漏事故风险模型，且模型的训练结果较好，为苯储罐泄漏事故风险评价提供一定的理论支持。

2)本文基于BP神经网络的苯储罐泄漏事故风险评价模型是动态的，随着实际应用过程中经验数据的增加与完善，可以通过BP神经网络的自学习过程不断加强苯储罐泄漏事故风险评价模型的学习能力和训练水平，实现在使用过程中进一步提高预测精度、扩大评估范围，逐步得到更加准确完善的苯储罐泄漏事故风险评价系统。

3)影响苯储罐泄漏事故的因素复杂多变，且参数指标评价过程中主观性较大。为更好地提高基于BP神经网络的苯储罐泄漏事故风险评价模型的性能，实际应用中往往需要大量的经验数据对模型进行训练模拟，进而保证模型具有更好的实用性。