罐区的应急预处置系统及应急处置孪生系统

罐区的应急预处置系统及应急处置孪生系统
1.相关申请的交叉引用
2.本技术要求享有2022年3月11日提交的中国发明专利申请202210239466.1的权益，该申请的全部内容通过引用结合于此。
技术领域
3.本发明涉及安全工程技术领域，具体地涉及一种罐区的应急预处置系统及应急处置孪生系统。


背景技术：

4.储罐工程是石油、化工、粮油、食品、消防、交通、冶金、国防等行业必不可少的重要基础设施，且随着国民经济的不断发展，储罐的单罐容积和数量不断攀升，罐区规模也相应扩大。在复杂化工领域，储罐中通常存放大量易燃、易爆及有毒化学品，一旦发生火灾、爆炸、中毒和室息等事故，就会造成重大经济损失和人员伤亡，对企业和社会产生不利影响。
5.目前，在化工储罐发生火灾、爆炸和气体泄漏等事故后，需立即进入应急处置阶段，在处置过程中现场指挥人员依据提前制定好的应急处置预案进行现场指挥；在得到现场发生事故的报告以后，应急处置过程开始展开。
6.其中，由于对于现实事故场景缺少针对性，使得预案的选择也不具有针对性，造成应急处置的力量配备及应急处置物资与发生的事故不对应，影响应急处置过程的展开。


技术实现要素：

7.本发明实施例的目的是提供一种应急预处置系统及应急处置孪生系统，用于解决应急处置预案的选择相对于事故不具有针对性的问题。
8.为了实现上述目的，本发明实施例提供一种罐区的应急预处置系统，包括：罐区数字孪生模型，其与罐区实体相对应，用于仿真罐区的全生命周期过程；孪生应用模块其配置有事故仿真模块和灾害仿真模块，所述事故仿真模块用于应用罐区数字孪生模型对罐区事故数据进行仿真，以预测事故演变，所述灾害仿真模块用于对所预测的事故演变进行仿真，以预测事故演变中的各种灾害场景；以及预案确定模块，用于从预设的应急处置预案库中确定与所预测的灾害场景相匹配的应急预处置预案。
9.可选的，所述罐区数字孪生模型包括：罐区的实体三维模型，其作为所述罐区数字孪生模型的支撑；以及基于罐区全流程孪生数据构建的数据模型，且该数据模型被配置为能够利用深度学习算法处理罐区实时现场数据，以预测所述罐区实时现场数据在未来时段的变化情况。
10.可选的，所述罐区数字孪生模型还包括以下任意一者或多者：基于罐区的储罐物理特性、储罐储存物料的物质特性和化工过程特性而构建的过程机理模型；采用物流分析方法和信息流分析方法构建的罐区的关键过程变量的数据驱动模型或软测量模型；针对所述罐区实时现场数据中的变量趋势变化和扰动，采用深度学习算法构建的罐区异常预警模
型；以及针对所述罐区实时现场数据中的异常工况数据，采用图深度神经网络构建的罐区异常溯源模型。
11.可选的，所述罐区本体数据包括：来自罐区的各种控制系统的罐区装置历史数据；来自罐区的各种系统分析过程的过程系统信息，其中所述过程系统信息包括设计数据、经验数据、在线数据、故障数据、面板数据、分析数据和专家知识数据中的任意一者或多者；以及所述罐区实时现场数据。
12.可选的，所述数据模型被配置为是面向罐区过程大数据的五维数据模型，其中所述五维分别对应时间域、对象域、关系域、属性和属性值。
13.可选的，所述孪生应用模块还配置有以下模块中的一者或多者：异常工况识别模块，用于应用所述罐区数字孪生模型对罐区的异常工况数据进行仿真，以预测异常工况演变；设备失效识别模块，用于应用所述罐区数字孪生模型对罐区的现场设备数据进行仿真，以识别对应设备的当前工况；以及伤害仿真模块，用于对罐区设备在所述各种灾害场景下的伤害情况进行仿真，以预测相应设备在不同灾害场景下的状况变化。
14.可选的，所述异常工况识别模块采用深度置信网络来预测异常工况演变。
15.可选的，所述设备失效识别模块采用变分模态分解方法来识别对应设备的当前工况。
16.可选的，所述预案确定模块包括：伤害计算子模块，用于对所述灾害仿真模块所预测的灾害场景进行伤害半径计算，得到每种灾害场景的评价指标；预警子模块，用于根据所述评价指标对灾害进行分级预警；以及预案选择子模块，用于针对高级别预警，选择与相应灾害场景相对应的应急预处置预案。
17.可选的，所述应急处置预案库中的应急预处置预案被配置为以如下形式统一描述：将预案涉及的对象的创立、转移和变化以时间顺序进行描述；将各对象涉及的事件的内容及事情变化过程通过事件名称、情景、动作和主体多者及该多者之间的相互关系来描述。
18.本发明实施例还提供一种罐区的应急处置孪生系统，包括：上述任意的罐区的应急预处置系统，用于从所述应急处置预案库中匹配出与当前灾害场景相匹配的应急预处置预案，以作为应急处置方案；以及应急处置仿真模块，其被配置为是所述孪生应用模块中的一者，且用于应用所述罐区数字孪生模型对所述应急处置方案的应用结果进行仿真。
19.进一步的，所述应急处置孪生系统还包括：调整模块，用于根据所仿真的应用结果，调整所述应急处置方案。
20.进一步的，在所述应急处置方案中包括倒罐操作时，所述应急处置仿真模块对所述倒罐操作进行仿真，且所述调整模块根据所述倒罐操作的仿真结果设定倒罐参数。
21.进一步的，所述应急处置孪生系统还包括：展示模块，用于配合所述孪生应用模块，对以下任意一者多者进行三维展示：事故演变、灾害场景以及所述应急处置方案的处置过程。
22.通过上述技术方案，本发明实施例利用数字孪生模型来预测罐区的事故演变中的各种灾害场景，可完成对事故的复现，进而针对性地确定与预测的灾害场景相对应的应急预处置预案，使得应急人员也可针对性地准备应急资源，同时有利于提升应急有效性。
23.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
24.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
25.图1是本发明实施例一的一种罐区的应急预处置系统的结构示意图；
26.图2是本发明实施例三的应急预处置系统的结构示意图；
27.图3是本发明实施例四的罐区的应急处置孪生系统的结构示意图。
具体实施方式
28.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
29.实施例一
30.图1是本发明实施例一的一种罐区的应急预处置系统的结构示意图。如图1所示，所述罐区的应急预处置系统包括：
31.1)罐区数字孪生模型100，其与罐区实体相对应，用于仿真罐区的全生命周期过程。
32.其中，罐区数字孪生模型100是指针对罐区，充分利用罐区的物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间(也称为孪生空间)中完成映射，从而反映相对应的罐区的全生命周期过程的模型。对于本领域技术人员而言，一般在获取罐区全流程孪生数据之后，可利用现有数字孪生技术来生成罐区数字孪生模型。在本发明其他实施例，将给出优选的构建罐区数字孪生模型的方案，在此则不再赘述。
33.2)孪生应用模块200，其配置有：事故仿真模块210，用于应用罐区数字孪生模型对罐区事故数据进行仿真，以预测事故演变；以及灾害仿真模块220，用于对所预测的事故演变进行仿真，以预测事故演变中的各种灾害场景。
34.其中，孪生应用模块200是指应用罐区数字孪生模型100所具有的仿真功能而实现特定应用的模块。本发明实施例一则主要是通过事故仿真模块210和灾害仿真模块220，来利用罐区数字孪生模型100实现对于罐区事故及事故演变的可能灾害场景进行预测。其中，关于灾害仿真模块220，其被启动会得到多种可能的灾害场景参数，从而在优选的实施例中，可进一步计算每种灾害场景出现的可能性，而当某种灾害场景达到一定危害程度后，将该灾害场景反馈给预案确定模块300。
35.举例而言，事故仿真模块210应用罐区数字孪生模型100的超实时仿真，计算事故演变，而该事故可能会进一步导致火灾、爆炸或泄露等灾害场景；而灾害仿真模块220针对事故演变情况，应用罐区数字孪生模型100的超实时仿真继续计算该事故演变可能导致的灾害场景，以便于后续确定适用的预案。
36.3)预案确定模块300，从预设的应急处置预案库中确定与所预测的灾害场景相匹配的应急预处置预案。
37.其中，本发明实施例所指的应急预处置预案是指针对罐区可能的灾害场景，提前制定的针对特定事故的专项应急预案，这种预案是针对具体的事故类别(如危险化学品泄
漏等事故)、危险源和应急保障而制定的计划或方案，是综合应急预案的组成部分，应按照应急预案的程序和要求组织制定，并作为综合应急预案的附件。即，专项应急预案应制定明确的救援程序和具体的应急救援措施。专项应急处置预案的特定场景更为明确，对该灾害场景下的应急处置力量分布、岗位配置、处置步骤都有非常明确的表述。在此场景下应急人员按应急处置预案操作即可，但随即会带来选择的应急处置预案与事故的灾害场景不够匹配的问题。
38.对此，预案确定模块300针对孪生应用模块200所进行的预测，选择与所预测的灾害场景相匹配的应急预处置预案，进而使得选择的应急预处置预案与事故及对应灾害场景最大程度地匹配，避免预案不匹配所带来的对于应急处置资源的浪费以及对于事故的无效应急。
39.优选地，所述预案确定模块300可以包括：伤害计算子模块310，用于对所述灾害仿真模块所预测的灾害场景进行伤害半径计算，得到每种灾害场景的评价指标；预警子模块320，用于根据所述评价指标对灾害进行分级预警；以及预案选择子模块330，用于针对高级别预警，选择与相应灾害场景相对应的应急预处置预案。
40.举例而言，即在事故仿真模块210和灾害仿真模块220所预测的事故演变导致的灾害场景的基础上，进一步利用伤害计算子模块310对可能的灾害场景进行伤害半径计算，得到每种灾害的综合评价指标，再利用预警子模块对灾害进行分级预警；最后预案选择子模块330来对高级别预警信息生成灾害场景及应急处置措施的三维场景图。据此，应急处置人员可以熟悉灾害场景并推演灾害处置过程中可能出现的伤害，更准确地进行预警和预案选择。
41.另外，在本发明实施例一中，所有应急预处置预案存储于预设的应急处置预案库中。在预案库中，各预案的具体内容根据其所处层级和使用范围的不同，在组成和侧重范围上有所差别，但基本都包括了总则、应急组织体系、灾害事件应急响应、后期处置及应急保障措施等内容。
42.目前，应急处置预案的内容主要由自然语言描述，在实际孪生系统的应用中没有统一的表示形式，导致其智能化形式单一。因此本发明实施例将预案库中的预案进行统一描述，以方便在预案库中的存储与查询。
43.据此，优选地，所述应急处置预案库中的应急预处置预案被配置为以如下形式统一描述；将预案涉及的对象的创立、转移和变化以时间顺序进行描述；将各对象涉及的事件的内容及事情变化过程通过事件名称、情景、动作和主体多者及该多者之间的相互关系来描述。举例而言，将自然语言以一种前因-行为-后果顺序构建数字化模型，通过描述对象随时间的创立、转移和变化，利用事件名称、情景、动作、主体等概念及其相互之间的关系来表达事件的内容和事件随时间的变化过程。
44.针对本发明实施例一的罐区应急预处置系统，下面通过示例来说明其具体应用及效果。该示例针对石化企业，已知石化企业是典型的流程工业，其生产过程的最大特点是连续生产过程，因此通常情况下，工业现场的参数不可能发生没有任何征兆的突然性变化。进一步地，在石化企业实际生产过程会呈现“正常工况-异常工况-事故-灾害”的演变过程，采用本发明实施例的罐区应急预处置系统，以罐区火灾事故为例，可以包括以下步骤来确定合理预案：
45.1)实时数据的获取。
46.依据机器人、无人机等多种先进技术，搭载温度检测、气体成分检测、图像传输等多种手段，获得罐区火灾事故的实时数据。
47.2)应急处置预案库的建立。
48.根据如上的应急预案库的建立要求，针对石化企业的罐区火灾事故建立应急处置预案库，该应急处置预案库中包括基于已发生过的罐区火灾事故的应急实践经验而设定的多个预案。
49.3)应急处置预案匹配。
50.在进入事故工况后，该系统利用罐区数字孪生模型超实时计算可以得到后续可能的灾害演变场景，而根据事故演变情况，计算得到的灾害场景及可信度也会发生变化；本发明实施例的罐区应急预处置系统的进一步根据计算得到的灾害场景，选择不同的应急处置预案，来生成应急预处置方案，以针对性地辅助相应事故的应急处置。
51.综上，本发明实施例一利用数字孪生模型来预测罐区的事故演变中的各种灾害场景，可完成对事故的复现，进而针对性地确定与预测的灾害场景相对应的应急预处置预案，使得应急人员也可针对性地准备应急资源(包括人力和物资准备)，同时有利于提升应急有效性。
52.实施例二
53.在实施例一的基础上，本发明实施例二提供一种优选的罐区数字孪生模型。
54.在该实施例二中，所述罐区数字孪生模型包括：罐区的实体三维模型，其作为所述罐区数字孪生模型的支撑；以及基于罐区全流程孪生数据构建的数据模型，且该数据模型被配置为能够利用深度学习算法处理罐区实时现场数据，以预测所述罐区实时现场数据在未来时段的变化情况。
55.其中，所述实体三维模型例如是利用三维可视化技术对已知罐区机理模型和罐区本体数据进行处理而得到的虚拟空间高保真模型。其中，罐区本体数据是指物理空间罐区场景下的罐区数据，如来自罐区的各种控制系统的罐区装置历史数据、来自罐区的各种系统分析过程的过程系统信息(如设计数据、经验数据、在线数据、故障数据、面板数据、分析数据和专家知识数据等)、罐区实时现场数据。
56.其中，所述数据模型被配置为是面向罐区过程大数据的五维数据模型，其中所述五维分别对应时间域、对象域、关系域、属性和属性值。举例而言，基于罐区全流程孪生数据多尺度、多层次、形式难统一等特点，借鉴统一资源描述架构(rdf)的三元组(主体、属性、属性值)知识描述方法，提出面向罐区过程大数据的五维数据模型(时间域、对象域、关系域、属性、属性值)，其中关系域包括相似关系、不可区分关系、序关系、模糊关系、功能相近关系、投影等广义关系，通过统一数据模型结构的描述，最终实现结构化和非结构化孪生数据(操作规程、操作经验)相互转换和信息统一描述。进一步地，在孪生数据五维模型结构描述的基础上，基于工艺、设备等物理层次到综合指标、运行指标和控制指标多层次信息空间映射关系，可以实现孪生空间到物理空间的有效数据映射。
57.另外，所述数据模型作为孪生模型，被要求与罐区本体呈现一致的数据变化，从而可适应于罐区实时现场数据校正数据模型。举例而言，校正方案可包括：使得所述数据模型能够利用深度学习算法处理所述罐区实时现场数据，以预测所述罐区实时现场数据在未来
时段的变化情况。即，本发明实施例旨在使得数据模型能够提前预知罐区可能的变化情况。
58.优选地，所述利用深度学习算法处理所述罐区实时现场数据可以包括：配置时序神经网络，该时序神经网络的当前输出受上一时刻结果影响的时序神经网络；以及采用所述时序神经网络处理所述罐区实时现场数据，以预测所述罐区实时现场数据在未来时段的变化情况。
59.更为优选地，所述罐区数字孪生模型还包括以下任意一者或多者：基于罐区的储罐物理特性、储罐储存物料的物质特性和化工过程特性而构建的过程机理模型；采用物流分析方法和信息流分析方法构建的罐区的关键过程变量的数据驱动模型或软测量模型；针对所述罐区实时现场数据中的变量趋势变化和扰动，采用深度学习算法构建的罐区异常预警模型；以及针对所述罐区实时现场数据中的异常工况数据，采用图深度神经网络构建的罐区异常溯源模型。
60.其中，储存物料的物质特性包括物理和化学性质。举例而言，储罐中储存的物料可能是液态、气态或气液混合状态，物料的种类多种多样，采用基准假组分的复杂物质体系的表征方法，基于蒸馏试验的馏出分数、馏出温度等数据，切割系列假组分或性质连续的组分分布，建立其物理和化学性质计算模型，进而计算得出储罐在不同工况下的过程数据以用于建立过程机理模型。
61.其中，所述化工过程特性主要是指化工过得的三传一反原理，即热量传递、质量传递、动量传递和化工反应过程。
62.另外，对于采用物流分析方法和信息流分析方法构建的罐区的关键过程变量的数据驱动模型或软测量模型，举例而言，系统分析过程工艺流程图(pfd图)和工艺管道和仪表流程图(p&id图)，并结合过程机理模型和系统层次结构、串并联生产运行方式，依据系统物流分析方法和信息流分析方法，建立关键过程变量的数据驱动模型或软测量模型，其中可采用神经网络、支持向量机回归、主元分析(pca)、偏最小二乘(pls)等方法进行模型建立。
63.另外，对于罐区异常预警模型和罐区异常溯源模型，举例而言，罐区异常预警模型被配置为可以计算出所述罐区实时现场数据中的变量趋势变化和扰动，并据此进行预警；罐区异常溯源模型被配置为确定所述罐区实时现场数据中的异常工况数据，以对异常工况进行溯源。据此，在罐区数字孪生模型中进一步集成了罐区异常预警模型和罐区异常溯源模型，这两个模型实质上利用了校正后的数据模型可以“预测所述罐区实时现场数据在未来时段的变化情况”的特点，针对性地预测异常工况，并指导预警处理和溯源工作。
64.综上，本发明实施例二从系统的角度出发，构建了多维度、多时空、多尺度且相互融合的罐区孪生模型，且使得罐区孪生模型具有高置信度的模型预测分析功能。具体地，本发明实施例二建立罐区数字孪生模型能够对罐区的运行状态进行仿真、对罐区的各种异常及事故场景进行模拟，对研究石化企业储罐区火灾的危险性、掌握事故的发展过程以及在事故状态下采取有效的应急处置措施等有重大意义。
65.实施例三
66.实施例三在实施例一的基础上，提出更为优选的应急预处置系统。图2是本发明实施例三的应急预处置系统的结构示意图，其相对于图1对应的应急预处置系统，进一步使得孪生应用模块200还配置有以下识别模块中的一者或两者：异常工况识别模块230，用于应用所述罐区数字孪生模型对罐区的异常工况数据进行仿真，以预测异常工况演变；以及设
备失效识别模块240，用于应用所述罐区数字孪生模型对罐区的现场设备数据进行仿真，以识别对应设备的当前工况。
67.下面对这两个识别模块进行具体介绍。
68.(1)异常工况识别模块230。
69.通过异常工况识别模块230，一方面可以对罐区的异常工况进行监测和识别，从而有助于从源头上预防和控制罐区事故的发生；另一方面不仅识别异常工况，还可以通过仿真模型预测异常工况的后续演变情况，为可能发生的事故进行预判。
70.优选地，所述异常工况识别模块230采用深度置信网络来预测异常工况演变。
71.举例而言，将深度置信网络作为新型的数据分析方法，可以实现特征的自动提取，对罐区的异常工况进行自动识别。深度置信网络是由多个受限玻尔兹曼机(restricted boltzmann machine，rbm)构成的多层感知器神经网络，最底层为输入层，表示原始数据；高层表示数据特征，从底层到高层逐层抽象，挖掘数据的本质特征。单层神经网络在进行高维数据分类时存在网络负荷大、运算复杂程度高、训练耗时长的问题，而深度置信网络针对罐区可能发生的异常工况，在特征变量选择时有效地去除了冗余变量，可以有效减少训练时间，提高异常工况识别准确度。
72.(2)设备失效识别模块240。
73.罐区现场设备由于生产或任务的需求，需要保持在固定的工况下平稳运行，但运行工况会随着生产或任务的不同而发生不断变化。虽然工况变化具有连续性特点，但在实际工程应用中，这些设备通常是运行在几种预先设定的工况下，平稳工况的过渡过程比较短暂，因此通常忽略了其过渡过程。据此，以平稳工况为例，识别当前设备运行的平稳工况，并进一步确认设备是否处于正常运行状态，是对事故工况识别的重要来源和有益补充。
74.但是，受到数据采集时间和数据有效性等限制因素影响，设备的异常工况数据量非常有限，用传统的神经网络建模方法无法提供足够多的训练数据，因此适宜采用提前合适的信号特征，实现对不同工况的识别。一方面由于工况的边界模糊，不同工况间信号的相似性增加了工况识别的难度，另一方面由于信号的随机性和非平稳性，很难通过单一信号特征来建立与特定工况间的对应关系。对此，本发明实施例三采用多域特征和线性判别分析的思路来解决这个问题，且更为优选采用这一思路中的变分模态分解方法来识别对应设备的当前工况。
75.举例而言，变分模态分解是一种适用于非线性、非平稳信号的自适应、非递归信号处理新方法，可以将原始信号自适应地分解成多个离散的固有模态分量，并确定各固有模态分量的中心频率和对应的频率带宽。本发明实施例的示例中，采用4模态分解，可以得到表示低频到高频信息的固有模态分量；不同工况下固有模态分量的响应水平不同，因此再对不同工况进行时域特征提取；实际工况与设定的多工况固有模态分量进行对比，可以快速识别出设备当前的工况。
76.(3)伤害仿真模块250。
77.该伤害仿真模块250承接灾害仿真模块220，且可以与灾害仿真模块220集成至一起，用于对罐区设备在所述各种灾害场景下的伤害情况进行仿真，以预测相应设备在不同灾害场景下的状况变化。
78.举例而言，对可能的灾害场景进行伤害半径计算(计算方法如实施例一中所述)，
并据此进一步确定伤害仿真模型。进一步举例，储罐发生爆炸后会有液相物料溅出液罐，在环绕储罐的围堰内形成池火或者无围堰的地面上继续流淌燃烧，储罐爆炸之后的残余罐体内可能还具有一定的液相物料，残余的物料会继续燃烧。其中，池火和燃烧的发生即是爆炸对液罐的伤害，以池火为例，可基于液池面积、当量直径、燃烧速度、火焰高度等数据来建立相应的伤害仿真模块。再进一步以储罐泄漏为例，泄漏也会引起池火，此时不仅要考虑池火相关参数，还要考虑池火对周边其它储罐通过热传递方式造成的伤害，举例而言，可建立传热模型来通过对罐中两相气液平衡计算，对池火灾害发生后储罐内部状况进行推演。如此，在实施例一的基础上，本发明实施例三不仅可以如实施例一中基于事故演变的灾害场景来确定应急预案，还可以考虑罐区的异常工况、设备失效情况和/或伤害情况来确定应急预案，进一步提升了应急预案选择的针对性。
79.实施例四
80.本发明实施例四在实施例一至实施例三中任意者的基础上，提供了一种罐区的应急处置孪生系统。图3是本发明实施例四的罐区的应急处置孪生系统的结构示意图。如图3所示，所述应急处置孪生系统包括：上述的罐区的应急预处置系统10，用于从所述应急处置预案库中匹配出与当前灾害场景相匹配的应急预处置预案，以作为应急处置方案；以及应急处置仿真模块20，其被配置为是所述孪生应用模块200中的一者，且用于应用所述罐区数字孪生模型100对所述应急处置方案的应用结果进行仿真。
81.即，本发明实施例四进一步利用罐区数字孪生模型100的超实时仿真功能，对应急预处置系统所匹配出的应急预处置预案进行应用仿真，从而对应用结果进行评估，以为应急处置现场指挥提供决策支持。
82.在优选的实施例中，所述应急处置孪生系统还可以包括：调整模块30，用于根据所仿真的应用结果，调整所述应急处置方案。即，通过调整模块30来根据应急处置方案应用的仿真结果对方案中的参数进行调整，使得方案更能达到现场的应急处置要求。
83.以倒罐操作为例，在所述应急处置方案中包括倒罐操作时，所述应急处置仿真模块20可以对所述倒罐操作进行仿真，且所述调整模块30根据所述倒罐操作的仿真结果设定倒罐参数。
84.举例而言，仿真及调整倒罐操作可以包括以下部分：
85.1)倒罐操作的应用背景。
86.储罐发生泄漏或爆炸后，储罐中的物料会泄漏到围堰中，并在围堰内形成池火。如果罐区的某一个或者几个液体罐发生泄漏、燃烧、爆炸等一系类事故现象，流动并且燃烧的可燃物物料产生的火焰会直接影响火焰蔓延之处的任何设备，包括尚未爆炸的多个储罐。火焰的蔓延会直接对火焰上方的储罐进行加热，这种加热时的传热方式以导热为主。
87.如果周边罐体和火焰没有直接接触，则主要吸收辐射热，以辐射换热的传热方式为主。需说明的是，辐射换热(radiation heat transfer)是指两个温度不同且互不接触的物体之间通过电磁波进行的换热过程，这种在物体表面之间由辐射与吸收综合作用下完成的热量传递是传热学的重要研究内容之一，自然界中的各个物体都在不停地向空间散发出辐射热，同时又在不停地吸收其他物体散发出的辐射热。
88.该示例中，储罐模型以通用闪蒸模型为基础进行数字孪生建模(集成于罐区数字孪生模型中)。建模过种，将进料、储罐内物料作为一股液相流，再按闪蒸罐模型进行计算。
在罐区发生火灾事故时，事故罐体周边其他储罐中存储的物料种类、数量不同，事故后续变化情况会有非常大的区别。因此，建立数字孪生仿真罐区，在事故发生后通过超实时仿真技术对事故后续演变情况、应急处置措施进行仿真计算对现场的应急处置有非常重要的指导作用。
89.2)倒罐操作的仿真意义。
90.承接于上面介绍的背景，在罐区事故中，由于多个储罐布置在比较集中的区域内，因此事故表现为较为典型的“事故多米诺”现象。储罐中存储了物料不同、初始液位不同，则在同样热辐射热作用下，罐内压力变化的情况也是不同的，因此对危险程度高的储罐进行倒罐操作，可以降低储罐的危险性。
91.倒罐操作是在罐区应急处置过程中可以采取的措施，通过罐区数字孪生模型的仿真计算，可以给出倒罐方案(包括设定倒罐速度等参数)，以将储罐危险程度降低，给应急处置赢得时间。
92.通过该示例可知，建立罐区数字孪生模型，进行倒罐计算，对倒罐操作效果进行预评估，对倒罐操作的改进具有指导意义。
93.更为优选地，所述应急处置孪生系统还包括：展示模块40，用于配合所述孪生应用模块，对以下任意一者多者进行三维展示：事故演变、灾害场景以及所述应急处置方案的处置过程。
94.如此，通过配置展示模块40，使得罐区数字孪生模型下的关于事故演变、灾害场景和应用处置的全过程都形象、立体地展示给工作人员，有利于工作人员对每一阶段的效果进行评估，以使得工作人员能够根据展示的结果来选择最为合适的预案作为应急处置方案。
95.进一步地，对于图3所示的应急处置孪生系统，举例而言，以罐区数字孪生模型为基础，综合应用工艺仿真建模、事故建模、灾害建模和应急处置建模等多种仿真建模技术，开发形成包括泄漏、火灾、爆炸、烟气扩散等典型事故后果预测模型，实现泄漏量、泄漏范围、过火面积、热辐射通量、破坏半径、装置结构破坏情况等关键参数的准确预测；对罐区的实时数据进行监测，及时发现现场存在的异常工况，应用故障诊断技术找到故障点，通过在数字孪生模型上进行超实时仿真，得到灾害事故三维动态感知、危害态势可视化分析和智能决策技术，研制基于多源异构动态监测数据的化学事故危害态势感知与应急辅助决策系统。
96.结合示例，可知本发实施例四的应急处置孪生系统集成了基于数字孪生的事故仿真、灾害仿真和应急处置仿真的主仿真逻辑，以及伤害仿真、异常工况仿真、设备失效仿真等辅助仿真逻辑，从而既能在应急处置预案库中根据数字化形式匹配最为合适的预案，又能对匹配的预案的应用处置结果进行仿真和效果评估，还能从工况、事故、设备等各个方面为预案完善提供支持，使得应急处置方案能根据现场被动态调整，更具针对性。
97.从更大的层面来讲，本发明实施例四利用数字化方式创建罐区应急处置的孪生模型，借助孪生模型来模拟物理实体在现实环境中的各种行为，通过罐区物理模型与其孪生体之间的虚实交互反馈及时调整应急处置方案对罐区安全生产有重要意义。
98.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
99.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
100.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
101.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
102.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
103.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
104.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
105.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
106.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种罐区的应急预处置系统，其特征在于，所述应急预处置系统包括：罐区数字孪生模型，其与罐区实体相对应，用于仿真罐区的全生命周期过程；孪生应用模块，其配置有：事故仿真模块，用于应用罐区数字孪生模型对罐区事故数据进行仿真，以预测事故演变；以及灾害仿真模块，用于对所预测的事故演变进行仿真，以预测事故演变中的各种灾害场景；以及预案确定模块，用于从预设的应急处置预案库中确定与所预测的灾害场景相匹配的应急预处置预案。2.根据权利要求1所述的应急预处置系统，其特征在于，所述罐区数字孪生模型包括：罐区的实体三维模型，其作为所述罐区数字孪生模型的支撑；以及基于罐区全流程孪生数据构建的数据模型，且该数据模型被配置为能够利用深度学习算法处理罐区实时现场数据，以预测所述罐区实时现场数据在未来时段的变化情况。3.权利要求2所述的应急预处置系统，其特征在于，所述罐区数字孪生模型还包括以下任意一者或多者：基于罐区的储罐物理特性、储罐储存物料的物质特性和化工过程特性而构建的过程机理模型；采用物流分析方法和信息流分析方法构建的罐区的关键过程变量的数据驱动模型或软测量模型；针对所述罐区实时现场数据中的变量趋势变化和扰动，采用深度学习算法构建的罐区异常预警模型；以及针对所述罐区实时现场数据中的异常工况数据，采用图深度神经网络构建的罐区异常溯源模型。4.根据权利要求2所述的应急预处置系统，其特征在于，所述罐区本体数据包括：来自罐区的各种控制系统的罐区装置历史数据；来自罐区的各种系统分析过程的过程系统信息，其中所述过程系统信息包括设计数据、经验数据、在线数据、故障数据、面板数据、分析数据和专家知识数据中的任意一者或多者；以及所述罐区实时现场数据。5.根据权利要求2所述的应急预处置系统，其特征在于，所述数据模型被配置为是面向罐区过程大数据的五维数据模型，其中所述五维分别对应时间域、对象域、关系域、属性和属性值。6.根据权利要求1所述的应急预处置系统，其特征在于，所述孪生应用模块还配置有以下模块中的一者或多者：异常工况识别模块，用于应用所述罐区数字孪生模型对罐区的异常工况数据进行仿真，以预测异常工况演变；设备失效识别模块，用于应用所述罐区数字孪生模型对罐区的现场设备数据进行仿真，以识别对应设备的当前工况；以及伤害仿真模块，用于对罐区设备在所述各种灾害场景下的伤害情况进行仿真，以预测
相应设备在不同灾害场景下的状况变化。7.根据权利要求6所述的应急预处置系统，其特征在于，所述异常工况识别模块采用深度置信网络来预测异常工况演变。8.根据权利要求6所述的应急预处置系统，其特征在于，所述设备失效识别模块采用变分模态分解方法来识别对应设备的当前工况。9.根据权利要求1至8中任意一项所述的应急预处置系统，其特征在于，所述预案确定模块包括：伤害计算子模块，用于对所述灾害仿真模块所预测的灾害场景进行伤害半径计算，得到每种灾害场景的评价指标；预警子模块，用于根据所述评价指标对灾害进行分级预警；以及预案选择子模块，用于针对高级别预警，选择与相应灾害场景相对应的应急预处置预案。10.根据权利要求1至8中任意一项所述的应急预处置系统，其特征在于，所述应急处置预案库中的应急预处置预案被配置为以如下形式统一描述：将预案涉及的对象的创立、转移和变化以时间顺序进行描述；将各对象涉及的事件的内容及事情变化过程通过事件名称、情景、动作和主体多者及该多者之间的相互关系来描述。11.一种罐区的应急处置孪生系统，其特征在于，所述应急处置孪生系统包括：权利要求1至10中任意一项所述的罐区的应急预处置系统，用于从所述应急处置预案库中匹配出与当前灾害场景相匹配的应急预处置预案，以作为应急处置方案；以及应急处置仿真模块，其被配置为是所述孪生应用模块中的一者，且用于应用所述罐区数字孪生模型对所述应急处置方案的应用结果进行仿真。12.根据权利要求11所述的应急处置孪生系统，其特征在于，所述应急处置孪生系统还包括：调整模块，用于根据所仿真的应用结果，调整所述应急处置方案。13.根据权利要求12所述的应急处置孪生系统，其特征在于，在所述应急处置方案中包括倒罐操作时，所述应急处置仿真模块对所述倒罐操作进行仿真，且所述调整模块根据所述倒罐操作的仿真结果设定倒罐参数。14.根据权利要求11所述的应急处置孪生系统，其特征在于，所述应急处置孪生系统还包括：展示模块，用于配合所述孪生应用模块，对以下任意一者多者进行三维展示：事故演变、灾害场景以及所述应急处置方案的处置过程。

技术总结
本发明实施例提供一种罐区的应急预处置系统及应急处置孪生系统，属于安全工程技术领域。所述应急预处置系统包括：罐区数字孪生模型，其与罐区实体结构相对应，用于仿真罐区的全生命周期过程；孪生应用模块，其配置有事故仿真模块，用于应用罐区数字孪生模型对罐区事故数据进行仿真，以预测事故演变，还配置有灾害仿真模块，用于对所预测的事故演变进行仿真，以预测事故演变中的各种灾害场景；以及预案确定模块，用于从预设的应急处置预案库中确定与所预测的灾害场景相匹配的应急预处置预案。本发明利用数字孪生模型来预测罐区的事故演变中的各种灾害场景，进而可以针对性地确定与预测的灾害场景相对应的应急预处置预案。与预测的灾害场景相对应的应急预处置预案。与预测的灾害场景相对应的应急预处置预案。


技术研发人员：李磊 纪建锋 李智临 刘刚 矫恒超 夏涛 朱先俊
受保护的技术使用者：中石化安全工程研究院有限公司 北京化工大学
技术研发日：2022.06.02
技术公布日：2023/9/22