油田滩浅海区域因其与陆地相近、水深较浅以及生物多样性丰富等特点, 其生态环境更加脆弱和敏感。与海上溢油事故相比, 滩浅海区域的溢油事故具有以下特点: 一是溢油扩散速度快, 受潮汐和波浪影响较大, 容易迅速扩散到岸边, 对海岸线和浅海生态系统造成严重污染; 二是溢油对生物的影响更为直接和显著, 滩浅海区域生物多样性丰富, 溢油会直接破坏生物栖息地, 影响生物繁殖和生存; 三是应急响应难度大, 由于滩浅海区域靠近陆地, 应急设备和人员的部署受到地形和环境的限制, 增加了应急响应的复杂性和难度^[1~3]。油田生产单位大多在滩浅海区域运营, 输油管线破裂是重要的溢油风险之一。发生在滩浅海区域的溢油事故不仅会对企业自身造成损失, 还可能对周边生态环境和社会造成不可逆转的影响^[1]。为了应对近年来频发的溢油事故, 诸多国家和地区采取了相应的应急措施和技术手段, 如在溢油点进行拦截围堵、集油抽油、物理吸附以及化学分解等。但针对发生在或扩散到滩浅海区域的溢油事件, 尚无较好的应对措施和有效的评估方法。

提高油田面向滩浅海区域的溢油应急能力, 对于保护海洋环境、维护海洋资源的可持续利用具有重要意义。因此, 通过设计面向该区域的溢油应急能力评估系统, 可以帮助相关单位评估自身的应急响应能力, 包括应急物资储备、人员培训、设备准备等方面, 从而提前发现并解决可能存在的不足之处, 提高应对突发事件的能力和效率^[2]。

在溢油应急能力评估方面, 目前国内外学者已经开发出多种方法来评估溢油事故的威胁程度、应急处理决策以及溢油污染的等级。但是, 研究采用的方法较为单一, 且针对的都是海上溢油应急能力评估。陈建雄等^[3]针对交通应急场景提出了IAGA-BP模型, 通过遗传算法优化神经网络参数, 其采用的“专家经验+数据驱动”框架为本文针对滩浅海区域设计的溢油应急能力评估体系提供了技术参考。秦丽等^[4]曾利用模糊综合评价法对中国渤海海域和渤海油田进行了溢油应急能力评估, 通过多层复合运算确定适合海上溢油应急处置能力的评价等级, 但是评价体系不适用于滩浅海区域。魏凯^[5]运用FRAM-FAHP法对中国海上溢油应急能力进行了多级评估, 得出了预案体系、监测系统、指挥协调及应急队伍的耦合共振结果, 但评估体系复杂, 局限于特定海域和应急情境的适用性。朱少鹏等^[6]运用最小二乘法确定了权重系数, 并应用隶属函数建立了溢油应急能力评估模型, 证明了该评价方法的可行性, 但存在模型精确性不高和无法应对复杂环境的局限。秦翠红等^[7]介绍了一个船舶溢油故障树分析与故事案例查询系统, 但其在定性分析方面存在不够准确和不够全面的问题。陈伟炯等^[8]利用区间二型模糊层次分析法解决海上船舶溢油应急能力评估中的不确定性问题, 得到评估结果的能力等级以及评估结果的可信度和稳定性, 但是评估结果较为片面。国外学者在溢油应急评估领域亦开展了多项研究。KOSKO^[9]提出的模糊认知映射为动态指标权重的模糊推理提供了方法论基础; TAYEBI等^[10]基于分解模糊集构建了溢油响应技术的决策支持系统, 但未针对滩浅海区域的生态敏感性进行优化。当前研究多聚焦于开阔海域或港口码头, 对滩浅海区域特有的潮间带滞留效应、岸线吸附特性等缺乏系统考量。

针对现有研究多为海上溢油应急能力评估、评估结果较为片面、缺少针对性的问题, 本文通过建立和完善面向滩浅海区域的溢油应急能力评估指标体系, 以模糊综合评价法为核心, 从静态指标评估、动态指标评估和溢油风险分析3方面出发, 构建了一个面向滩浅海区域进行溢油应急能力综合评估的系统, 使油田滩浅海区域的溢油应急能力评估结果更全面、更有针对性。本文的评估方法流程如图 1所示。

1 评估方法

滩浅海区域溢油应急能力需从多维度综合评估: 静态指标量化设备容量、动态指标反映应急响应的灵活性与协调性、溢油风险分析则预测事故概率与潜在影响。三者结合可覆盖应急能力的“资源储备—实时响应—风险预警”全链条, 契合滩浅海区域生态敏感与地形复杂的特点。为了有效评估油田面向滩浅海区域的溢油应急能力, 本文所设计的综合评价体系中包含了静态指标、动态指标和溢油风险分析3个模块。在指标体系中, 增加了应急清污人员、溢油围控拖带艇、滩海进行式收油机、岸线类型、滩涂类型、植被覆盖、输油管道失效风险等指标, 突出对滩浅海溢油的针对性和适用性。如图 2所示, 整个评价过程分为3部分进行, 对静态指标和动态指标分别评估, 然后对目标区域进行溢油风险分析, 最终即可得到综合评估结果。静态指标评价是列出可能涉及的影响因素, 通过精确的数学推导和预先设定的公式, 进而精确计算相关参数, 实现滩浅海区域溢油应急的静态能力定量分析。动态指标评估运用模糊认知映射法求解目标层指标的权重向量, 使用层次分析法求解一级指标的权重向量、进行随机一致性校验, 然后将定性风险因素加入到指标体系中进行模糊综合评价。最后, 运用BP神经网络对影响溢油应急能力的定量溢油风险指标进行分析, 并将分析结果加权到最终的应急能力评估结果中。

1.1 静态指标评估

静态指标指溢油应急设备一定时间内可控制清除的溢油量, 按式(1)计算。

$ t = \min(T_{0}, T), $

(1)

式中: t为溢油应急评估的静态指标; T₀为溢油围控能力; T为溢油清除能力。单位均为t。

静态溢油清除能力是基于设备技术参数, 反映单位时间内可处理的固定溢油量。溢油清除能力为回收能力、分散能力和吸附能力之和, 按式(2)计算。

$ T=T_1+T_2+T_3, $

(2)

式中: T为溢油清除能力; T₁为溢油回收能力; T₂为溢油分散能力; T₃为溢油吸附能力。单位均为t。

(1) 溢油围控能力

溢油围控能力指围油栏可围控的溢油量, 由围油栏围控能力与围油栏总长度相乘而得, 按式(3)计算。

$ T_0=W \times B, $

(3)

式中: W为溢油围控能力, 单位为t/m; B为围油栏总长度, 单位为m。

(2) 溢油回收能力

溢油回收能力取机械回收能力与油污储运能力的最小值, 按式(4)计算。

$ T_1=\min (M, C) , $

(4)

式中: M为机械回收能力, 单位为t; C为储运能力, 单位为t。

机械回收能力为收油机等机械收油设备能回收的污油量的总和, 按式(5)计算。

$ M=E \times \rho \times \alpha \times Y \times H \times \rho_2, $

(5)

式中: M为机械实际回收油量, 单位为t; E为收油机标定收油速率, 单位为m³/h; ρ为油污水含油率, 一般取5%; α为设备完备率, 清污公司和港口码头企业的收油机完备率取60%; 国家设备库、石油企业、专业溢油应急船舶的收油机完备率取80%。Y为收油机作业天数, 一般取3 d; H为每天作业时间, 一般取6 h; $ \rho_2$为油品密度, 单位为t/m³。

储运能力指储油囊(罐)、船舶污油舱等储运装备对机械回收的油污水进行临时储存和运输的能力, 以可储运的溢油量为指标, 按式(6)计算。

$ C=C_1 \times \rho \times \rho_2+n \times C_2 \times \rho \times \rho_2, $

(6)

式中: C为储运能力, 单位为t; $ C_1$为一次性储运装备储运容积, 单位为m³; $ C_2$为可重复使用的储运装备储运容积, 单位为m³; n为转运次数; ρ为油污水含油率, 一般取5%; $ \rho_2$为油品密度, 单位为t/m³。

(3) 溢油分散能力

溢油分散能力取按喷洒装置喷洒速率计算的溢油分散能力和按区域实际配备的溢油分散剂数量计算的溢油分散能力中的较小值, 按式(7)计算。

$ T_2=\min \left(T_{21}, T_{22}\right), $

(7)

式中: $ T_{21}$为按喷洒装置喷洒速率计算的溢油分散能力, 单位为吨; $ T_{22}$为按区域实际配备的溢油分散剂数量计算的溢油分散能力, 单位为t。

按喷洒装置喷洒速率计算的溢油分散能力如式(8)所示。

$ T_{21}=\frac{V \times \rho_1 \times 60}{R \times 1\;000} \times Y \times H \times n, $

(8)

式中: V为喷洒装置喷洒速率, 单位为L/min; $ \rho_1$为分散剂密度, 单位为kg/L; R为分散剂与油的用量比, 常规型分散剂取0.3~1, 浓缩型分散剂取0.1~0.2; Y为作业天数, 一般取3 d; H为每天作业时间, 一般取6 h; n为分散剂喷洒装置数量。

按区域实际配备的溢油分散剂数量计算的溢油分散能力如式(9)所示。

$ T_{22}=\frac{G}{R}, $

(9)

式中: G为区域实际配备的溢油分散剂数量, 单位为t; R为分散剂与油的用量比, 常规型分散剂取0.3~1, 浓缩型分散剂取0.1~0.2。

(4) 溢油吸附能力

吸附能力指溢油吸附物资可吸附的溢油量, 按式计算。吸附物资主要为吸油毡、吸油棉、吸油拖栏等吸油材料。可按式(10)进行计算。

$ T_3=I×J, $

(10)

式中: I为吸附材料数量, 单位为t; J为吸收吸附倍数, 一般取5。

将上述参数带入对应的公式中即可完成待评价区域的溢油应急静态能力评估。

1.2 动态指标评估

动态指标的评估是通过模糊综合评价法(fuzzy comprehensive evaluation, FCE)、模糊认知映射法(fuzzy cognitive mapping, FCM)和层次分析法(analytic hierarchy process, AHP)综合完成。模糊综合评价法作为核心方法指导整个动态指标评估过程, 模糊认知映射法用于求解目标层指标的权重向量, 层次分析法用于求解一级指标的权重向量, 其逻辑关系如图 3所示。动态指标体系分为3层, 第一层为目标层X, 第二、三层分别为该目标层的一级指标和二级指标。此外, 动态指标评估也考虑到了目标区域的溢油风险, 由于面向滩浅海区域更多的是生产单位, 因此溢油风险主要考虑输油管道失效风险。将上述定性风险分析作为动态指标评估的一部分, 加入到模糊综合评价法的体系中进行综合评估。

动态指标评估的具体流程图如图 4所示。在确定评价指标因子等级标准和权值的基础上, 运用模糊集合变换原理, 用隶属度来描述各指标因子的模糊界限, 构造模糊评估矩阵, 通过多层复合运算, 最终确定评价对象的等级^[11]。

(1) 目标层权重向量计算。本文使用FCM生成目标层的权重向量。FCM是一种结合了认知映射和人工神经网络技术的软计算方法, 起源于模糊逻辑和神经网络的结合, 通过构建概念之间的因果关系网络, 使得模型能够处理不确定性和模糊性的问题, 从而能够更好地应用于预测和评估等场景中。在本文评估体系中, 目标层指标受一级指标的影响, 并且一级指标之间也存在着相互影响关系, 因此选用FCM计算目标层指标的权重向量^[12], 实现流程如图 5所示。

(2) 一级指标权重向量计算。计算过程如图 6所示。

首先根据各个因素的相对重要性确定二级指标权重, 进而得到各一级指标的判断矩阵。只有通过随机一致性检验才可认为该判断矩阵符合实际情况, 即权重系数分配合理。一致性检验是指通过计算一致性指标(consistency index, CI)和随机一致性指标(random index, RI)实现。一致性指标CI由判断矩阵的阶数n和最大特征值$ \lambda_{\max }$决定, 如式(11)所示。RI是根据判断矩阵的大小查表确定的随机一致性指标。计算一致性比率(consistency ratio, CR)来检验判断矩阵是否具有可接受的一致性, CR的计算如式(12)所示。

$ C I=\frac{\lambda_{\max }-n}{n-1}. $

(11)

$ C R=\frac{C I}{R I}. $

(12)

各一级指标仅受到二级指标的单向影响, 其自身没有相互影响, 也未对二级指标产生影响, 因此一级指标的权重向量由层次分析法生成^[13]。

(3) 评估向量构建。在确定目标层指标和各一级指标的权重向量后, 求解模糊评估向量, 得到目标区域的综合评估向量^[14], 如图 7所示。本文将评估等级分为3级(优秀、良好、不合格), 采用k次抛物型隶属度函数对评估等级进行量化, 分别对应优秀、良好和不合格3个评估等级, 并确定其函数构造参数。本文经实验发现, k=2时评估效果与真实情况最相符。

1.3 溢油风险分析

滩浅海区域由于其特殊的地理位置和环境条件, 对溢油事故的响应和处理提出了更高的要求。因此, 溢油风险的高低对于溢油应急能力评估至关重要。本文利用BP神经网络对溢油风险进行定量评估, 以提高应急响应的准确性和效率, 其流程如图 8所示, 其中滩浅海区域的溢油风险主要集中在管道损坏、破裂方面。

该网络的输入层是影响溢油风险的4个因素, 即溢油事故发生频率(几年1次)、相关设备检修频率(1年几次)、工作人员接受培训比例(参与相关工作的人员中接受过培训的人员比例)、周围环境的安全性(取值范围是[0, 1], 该数值越大, 周围环境越安全, 溢油风险越小)。输出层是3个分类, 分别对应溢油风险的3个结果: 高、中、低。这3个等级对应系数分别是: 高风险(0.75)、中风险(0.85)、低风险(0.95)。网络包含1个隐藏层, 其神经元的数量为10个。该网络的训练数据有120组, 训练过程包含10 000次迭代。训练完成后, 采用30组数据进行测试, 测试结果显示该网络的预测准确率为81%, 从而完成基于BP神经网络的滩浅海溢油风险评估模型构建^[15]。

2 结果与讨论

本文基于以上方法所构建的滩浅海溢油应急能力评估系统的界面如图 9所示。

该系统面向的对象是生态环境较为敏感特殊的滩海和浅海区域, 选用的实验数据来自胜利油田部分单位所在的滩浅海区域。该系统的具体运行过程如下:

2.1 静态指标数据加载

点击“静态指标数据”按钮加载所需数据, 对区域的静态指标进行评估, 评估完成后对应的按钮会变为绿色。本文针对油田滩浅海区域所用的静态指标数据如表 1所示。

2.2 动态指标数据计算

(1) 目标层指标的权重向量计算。首先, 计算目标层指标的权重向量。通过查阅资料和咨询专家等方式, 确定目标层指标和一级指标之间的影响关系, 如图 10所示。

由图 10可知, 目标层指标X受一级指标X₁~X₆的影响, 并且一级指标之间也存在着相互影响, 故使用模糊认知映射的方法计算目标层的权重向量。

首先, 定义7个概念节点, 包括目标层指标及一级指标, 并将它们纳入模糊认知映射中。对于每对具有影响关系的节点, 详细定义它们之间的权重以描述各节点间的影响程度。

然后, 进行节点值迭代更新。通过制定一个迭代次数来重复调用节点更新函数对节点值进行迭代更新, 使用双曲正切函数作为阈值函数, 将节点的加权和映射到[–1, 1]的区间内, 直至系统收敛, 迭代停止。最终, 计算得出目标层的权重向量为[0.05, 0.12, 0.46, 0.37, 0.14, 0.01]。

(2) 一级指标的权重向量计算。首先根据专家经验, 分别构造6个一级指标的判断矩阵, 并应用层次分析法对这些判断矩阵进行随机一致性校验。通过随机一致性校验后, 计算各判断矩阵最大特征值对应的特征向量, 即为该一级指标的权重向量。

表 2给出了由j个二级指标构成一级指标X_i的判断矩阵示例, 其中g_mn与g_nm互为倒数。以X₁(j=4)为例的判断矩阵如表 3所示, 经计算X₁判断矩阵最大特征值对应的特征向量, 即X₁的权重向量为[0.15, 0.64, 0.68, 0.32]。其余一级指标权重向量计算同理。

(3) 一级指标的评估矩阵计算。计算相应二级指标的隶属度值, 可得到各一级指标的评估矩阵。表 4为由j个二级指标构成的一级指标X_i的评估矩阵示例。以X₁(j=4)为例的评估矩阵如表 5所示。

上述过程通过点击界面中的按钮“生成评估矩阵”完成, 系统会提示弹窗提示“评估矩阵已生成”, 然后相应按钮变为深色。

(4) 目标层指标的综合评估向量计算。得到各一级指标的评估矩阵之后, 将各一级指标的权重向量与评估矩阵点乘, 即可得到其评估向量。如一级指标X₁的权重向量点乘表 5所示评估矩阵, 可得X₁的评估向量, 结果为[0.161, 0.683, 0.514]。其余一级指标评估向量计算同理。

由各一级指标的评估向量组成的矩阵即为目标层指标的模糊评估矩阵。最后将目标层指标的模糊评估矩阵与其权重向量点乘即可得到目标层指标的综合评估向量。经计算, 综合评估向量结果为[0.072 7, 0.662, 0.047 6]。

(5) 动态指标评估系数计算。最后, 根据式(13)对综合评估向量进行分值计算, 即可得到最终动态指标评估系数。点击“动态指标评估”按钮完成上述过程, 系统会提示弹窗提示“动态指标评估已完成”, 然后相应按钮变为深色背景。

$ S=v_1×90+v_2×80 +v_3×70, $

(13)

式中, S是动态指标评估系数; v₁是目标层评估向量的第一个分量; v₂是目标层评估向量的第二个分量; v₃是目标层评估向量的第三个分量。

2.3 定量风险分析

由于同一个目标区域的客观条件是一定的, 因此针对不同规模和等级的溢油事故, 评价区域的溢油应急能力相对不同, 因此还需考虑影响目标区域溢油风险的定量指标。所以, 在静态指标和动态指标评估完成后, 点击“定量风险分析”按钮, 对目标区域可能发生的溢油事故规模和等级进行评估。利用训练好的BP神经网络, 根据输入的风险数据进行定量风险分析, 将目标区域的溢油风险划分到3个等级(高、中、低)。由本文提供的数据的结果得出, 该滩浅海区域的溢油风险等级为中。

2.4 评估结果与分析

在静态指标评估、动态指标评估、定量风险分析完成后, 即可进行该滩浅海区域溢油应急能力的综合评估。点击“评估”按钮, 即可在上述结果的基础上进行该区域的溢油应急能力综合评估, 最终评估结果是由静态指标评估结果、动态指标评估结果以及定量风险分析结果共同组成的, 评估结果如图 11所示, 静态评估系数由表 1参数通过式(1)计算得来, 得到静态指标评估结果为142.5。动态指标结果由式(13)计算而来, 其结果为62.835。定量风险分析中本文数据得到的结果中等风险, 对应系数为0.85。综合以上数据, 评估结果根据式(14)所示, 可以计算出最终的评估分数为76.109, 根据评分标准: 优秀(≥80分)、良好(60~80分)、不合格(< 60分), 得到该滩浅海区域溢油应急能力为良好。

$ V = t×S×R÷100, $

(14)

式中, V是滩浅海区域溢油应急能力评估结果; t是静态指标评估系数, 单位是t; S是动态指标评估系数; R是BP神经网络进行定量风险分析的结果对应的系数。如果是高风险, 则R=0.75; 如果是中风险, 则R=0.85; 如果是低风险, 则R=0.95。

3 结论

本文针对现有溢油应急能力评估缺少针对滩浅海区域的评估指标体系问题, 构建了一个面向油田滩浅海区域的溢油应急能力评估系统, 具体工作包括以下两个方面:

(1) 构建了一个层次化的评估指标体系, 针对滩浅海区域的特性, 综合考量了各评估指标的相对重要性与权重分配。

(2) 通过结合模糊认知映射和BP神经网络等方法, 实现了对生态环境敏感的滩海和浅海区域溢油应急能力的全方位、客观评估。这一评估过程不仅融合了静态与动态指标, 而且还深入考虑了不同溢油风险情境下应急能力的差异性。

尽管本研究取得了一定的成果, 但仍存在一些局限性。例如, 评估模型的参数设定可能受限于可获得的数据量。此外, 由于评估指标体系的复杂性, 权重分配的精确性可能影响最终评估结果的可靠性。

针对上述问题, 本研究后续将开展如下工作: 一是扩大数据收集范围, 优化模型参数, 提高模型的泛化能力和评估精度; 二是探索更加科学合理的权重分配方法, 以减少主观判断对评估结果的影响; 三是考虑更多影响溢油应急能力的因素, 如社会经济条件、政策法规等, 进一步完善评估体系。通过这些改进措施, 期望为滩浅海区域的溢油应急能力提升提供更坚实的技术支撑, 保障海洋环境的长期安全和可持续发展。