【技术实现步骤摘要】
一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法
本专利技术属于海洋平台燃爆事故防控技术,具体地说是一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法。
技术介绍
海洋平台工艺区域设备密集,泄漏的可燃气云一旦被点燃发生燃爆事故,燃爆压力能够在拥塞的障碍下升级,最终导致设备的严重受损及人员的严重伤亡。燃爆定量分析能够从统计或者概率角度给出目标对象的燃爆设计事故载荷值(DALs),不仅能够减缓燃爆事故风险,且大大降低基于最恶劣场景的平台设计建造成本。目前,在海洋平台运行全阶段(概念设计阶段、在役阶段),均须对其开展燃爆风险评价,为油气安全开采提供技术保障。该评价的核心在于准确获得燃爆造成的超压载荷,其受平台环境空间影响显著,须建立真实反映研究对象障碍物拥塞程度的试验、经验或CFD模型。其中,试验模型可还原燃爆火焰激励场景,但因其花费高、危险性大,通用性和重复性不强,多用于基础研究,无法工程推广;常用经验模型如TNT、TNO,在描述障碍物对火焰燃烧加速过程方面存在显著不足,超压结果精确度差,已经被标准放弃。人工蜂群优化算法是一种快速、简单的,且以种群为基础的全局优化算法。该算法由Karaboga于2005年提出,并被广泛应用于不同领域。算法属于群智能算法的一种,其来源于蜂群的采蜜行为,蜜蜂根据各自分工进行不同的活动,并实现蜂群信息的共享和交流,从而找到问题的最优解。近年来,相关学者借助群智能优化算法,提高神经网络的训练及预测性能。其中,最为流行的的群智能优化算法为粒子群优化算法(ParticleSwarmOptimization(PSO))与人工蜂 ...
【技术保护点】
1.一种基于ABC‑BRANN模型的海洋平台燃爆风险分析方法,其特征在于,具体包括以下步骤:步骤1:基于FLACS,建立油气扩散数值模型,结合研究对象平台所在区域的风况情况,开展通风数值模拟;步骤2:以通风模拟结果为基础,开展典型场景下的扩散模拟,以获取的瞬时气云体积(Q9)为数据,结合ABC‑BRANN耦合算法,获取扩散‑ABC‑BRANN瞬时预测器,预测获取大量瞬时等效可燃气云体积(Q9);步骤3:开展典型燃爆场景的数值计算,并以燃爆最大超压为数据基础,发展爆炸‑BRANN预测器;步骤4:按照拉丁抽样从泄漏概率模型、风场概率模型随机抽取扩散场景组合,并作为扩散‑ABC‑BRANN瞬时预测器的输入,获取大量的瞬时Q9与瞬时Q6,由其逆累积频率的收敛性分析,确定最小抽取样本;步骤5:将获取的瞬时Q9值代入发展的爆炸‑BRANN预测器获得大量燃爆最大超压值,同时将瞬时Q6代入点火模型,将获取的点火概率乘抽取样本组合对应的泄漏概率及风场概率,获取与最大超压值对应的燃爆概率值,耦合最大超压与概率值,得到燃爆载荷超越曲线。
【技术特征摘要】
1.一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法,其特征在于,具体包括以下步骤:步骤1:基于FLACS,建立油气扩散数值模型,结合研究对象平台所在区域的风况情况,开展通风数值模拟;步骤2:以通风模拟结果为基础,开展典型场景下的扩散模拟,以获取的瞬时气云体积(Q9)为数据,结合ABC-BRANN耦合算法,获取扩散-ABC-BRANN瞬时预测器,预测获取大量瞬时等效可燃气云体积(Q9);步骤3:开展典型燃爆场景的数值计算,并以燃爆最大超压为数据基础,发展爆炸-BRANN预测器;步骤4:按照拉丁抽样从泄漏概率模型、风场概率模型随机抽取扩散场景组合,并作为扩散-ABC-BRANN瞬时预测器的输入,获取大量的瞬时Q9与瞬时Q6,由其逆累积频率的收敛性分析,确定最小抽取样本;步骤5:将获取的瞬时Q9值代入发展的爆炸-BRANN预测器获得大量燃爆最大超压值,同时将瞬时Q6代入点火模型,将获取的点火概率乘抽取样本组合对应的泄漏概率及风场概率,获取与最大超压值对应的燃爆概率值,耦合最大超压与概率值,得到燃爆载荷超越曲线。2.根据权利要求1所述的一种基于ABC-BRANN模型的海洋平台燃爆风险分析方法,其特征在于:所述的步骤2的具体详细过程如下:第一步:以通风模拟结果为基础,开展典型场景下的扩散模拟,将所开展的场景进行分类,一类包括多种单一风速、风向与泄漏方向组合下不同泄漏速率的扩散场景;另一类由单一泄漏率、风向与泄漏方向组合下不同风速的扩散场景组成,第一类用于发展不同泄漏速率下的扩散-ABC-BRANN瞬时预测器,第二类则用于获取不同风速下的瞬时预测器,每一类中单一组合下仿真场景由可分为发展集及校核集,在训练预测器之前,需要对输入泄漏率或风速及时间参数进行标准化处理,从而避免因量纲问题给模型带来的误差影响;第二步:基于发展集,设置BRANN框架,确定需要优化的权重、偏差参数D=inp×hidden+out×hidden+hidden+1,其中inp,hidden,out分别为输入神经元的个数、隐含层神经元的个数以及输出层神经元的个数,进一步设置优化参数的边界条件,上边界为ub及下边界lb,计算参数limit并随机初始化SN个方案对应的D维向量,通过计算MSE,进一步评估初始设置的SN个方案,并储存于最小MSE对应的方案SN0,其中MSE如下所示:A1=tansig(iw×X,b1)(2)yi=purelin(lw×A1,b2)(3)式中yi为评估值;Yi为数值计算值;iw与b1为输入层与输出层之间权重与偏差;lw与b2分别为隐含层到输出层的权重与偏差;第三步:按照式(4),利用雇佣蜂更新最初的方案,并按照式(5)与(6),计算更新方案的适应度,随后,基于贪婪选择方法获取最优的方案,也就是如果更新方案的适应度大于原方案,雇佣蜂则会储存更新的方案,丢弃旧方案,否则储存最初的方案,在更新所有方案之后,雇佣蜂与观察蜂分享更新的方案;vij=zij+ψij(zij-zkj)(4)fiti=1+abs(fi)fi<0(6)第四步:一个观察蜂计算从雇佣蜂获取的所有方案的适应度,并按照与适应度相关的概率值选取某方案,随后,观察蜂更新选取的方案,计算更新方案的适度值,并对比前者,并储存具备较大适度值的方案,当所有的观察蜂更新完获取的方案后,算法会得到一个最优的方案,此时观察蜂对比此方案与最初设置的最优方案SN0,并储存具有较小MSE的方案;第五步:假设上述某个方案SNi在预先设置好的循环内,即limit内,...
【专利技术属性】
技术研发人员:师吉浩,陈国星,朱渊,畅元江,陈国明,沈孝鱼,刘益维,王懿迪,
申请(专利权)人:中国石油大学华东,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。