基于时序深度学习的海上LNG转驳泄漏风险评估方法研究.pdfVIP

基于时序深度学习的海上LNG转驳泄漏风险评估方法研究

摘要

全球发展绿色经济已成为必然，能源转型迫在眉睫。在这一进程中，液化天然气

（LiquifiedNaturalGas,LNG）起着毋庸置疑的积极作用。海上LNG转驳作业过程是满

足LNG快速增长需求的重要进口方式。其安全问题非常值得关注，最常见的是LNG泄

漏，这极有可能引发诸如火灾、爆炸等连锁反应，对人员安全、设备稳定运行造成灾难

性的后果。

本文以海上LNG转驳泄漏风险为分析对象，从转驳系统组成和潜在泄漏风险辨识

出发，找出高风险失效模式，探究该失效模式下泄漏气体扩散规律，实现基于时序深度

学习的泄漏状态评估。总结上述研究结果形成基于时序深度学习的海上LNG转驳泄漏

风险评估方法，为实现泄漏事故的快速风险评估和应急决策提供支持。本文主要工作及

内容：

首先，梳理了海上LNG转驳系统组成及作业流程，为风险辨识奠定基础；应用失

效模式与影响分析方法开展转驳泄漏风险潜在失效模式风险评估，评判相关风险因素的

风险顺序数值，针对风险顺序数值最高的阀门泄漏着重开展风险演化特性定量评估；查

阅相关资料，确定泄漏风险灾害评价标准。

然后，基于CFD理论，建立阀门泄漏事故的泄漏事故仿真模拟场景，讨论选取合

适的、有效的LNG泄漏扩散模型；对比Burro系列试验，验证了仿真模型的准确性，提

高了风险评估结果的可信度，并以此模拟选取的物理模型、环境设置等作为标准；分析

不同环境变量、泄漏源参数对泄漏后果的影响；总结了海上LNG转驳泄漏事故中泄漏

气体的扩散规律。

其次，利用OREDA数据库和相关泄漏变量统计资料，通过拉丁超立方抽样方法构

建潜在泄漏事故失效场景集，对抽样泄漏场景集批量仿真，获取布置监测点随时间变化

浓度数据，作为神经网络训练数据集；构建多层LSTM神经网络的泄漏状态评估方法，

以均方误差和平均绝对误差为目标函数，分析不同模型参数对神经网络训练效果的影响；

与RNN神经网络模型、BP神经网络模型进行对比分析，结果表明多层LSTM模型有更

好的拟合效果，预测结果更准确。

最后，构建泄漏风险评估方法，以阀门泄漏事故为例，对风险等级实现快速评估；

通过解释结构模型分析泄漏事故应急决策影响因素之间的相互关系；在快速风险评估结

果基础上，为事故应对措施、应急疏散、危险区域等级划分、中毒救治与防护等提供数

哈尔滨工程大学专业学位硕士学位论文

据依据，将应急措施可视化，提供逃生路径等。

关键词：海上LNG转驳；泄漏风险；FMEA方法；CFD模拟；LSTM神经网络

基于时序深度学习的海上LNG转驳泄漏风险评估方法研究

ABSTRACT

Theglobaldevelopmentofagreeneconomyhasbecomeinevitable,andenergy

transformationisimminent.Inthisprocess,LiquefiedNaturalGas(LNG)playsanundoubtedly

positiverole.TheoffshoreLNGtransferoperationprocessisanimportantimportmethodto

meettherapidlygrowingdemandforLNG.Itssafetyissuesareverynoteworthy,themost

commonbeingLNGleakage,whichishighlylikelytotriggerchainreactionssuchasfireand

explosion,causingcatastrophicconsequencesforpersonnelsafetyandstableoperationof

equipment.

ThispapertakestheleakageriskofoffshoreLNGtransferasthe