化工园区爆炸事故多因素风险评估与动态应急规划的集成方法研究

为解决化工集群爆炸事故中装置-人员-安全措施交互作用被忽视的问题，北京理工大学研究人员提出融合数据驱动模型、系统理论过程分析(STPA)和贝叶斯网络(BN)的集成方法，实现实时风险评估与应急方案动态调整。该研究通过储运系统案例验证了方法在量化二次爆炸风险、优化应急决策方面的有效性，为化工安全管理提供了新工具。

　　

化工产业的集群化发展在提升效率的同时，也带来了爆炸事故风险的几何级数增长。统计显示，2015-2024年中国化工行业爆炸事故频发，由于危险装置在地理上的密集分布，初始爆炸产生的破坏性超压(overpressure)极易引发多米诺效应(domino effects)。尽管学者们已开发出多种定量风险评估方法，如Zhou等结合集对分析与模糊逻辑评估可燃气存储风险，Paltrinieri等提出耦合新风险概念的预测模型，但现有研究大多忽视了一个关键问题：事故演化过程中装置、操作人员与安全措施之间的动态交互作用。更棘手的是，传统应急方案多为静态设计，难以及时响应实时变化的风险态势，导致应急响应效率低下甚至适得其反。

北京理工大学爆炸科学与技术国家重点实验室团队在《Process Safety and Environmental Protection》发表的研究，创新性地将系统理论过程分析(System Theoretic Process Analysis, STPA)、贝叶斯网络(Bayesian Network, BN)与数据驱动模型相结合，构建了动态风险评估与应急规划集成框架。研究团队依托国家重点研发计划(2021YFC3001204)支持，开发了包含气体监测、风险评估、应急方案生成和数据库四大功能模块的智能平台。关键技术包括：1)采用机器学习算法建立多参数(爆炸参数、几何参数等)与冲击波超压的映射关系，实现全时空场预测；2)通过STPA识别安全约束条件(安全屏障)和关键风险影响因素(RIFs)；3)利用BN建模安全屏障失效与RIFs的因果关系，量化二次爆炸概率；4)综合设备失效风险与人员风险构建动态预警指标。

方法论
研究提出两阶段框架：多因素风险评估阶段整合数据驱动超压预测、STPA-BN风险建模技术，实时计算目标设备失效风险与人员风险；应急规划阶段则根据风险演化动态调整方案。特别开发了基于作者前期工作的蒸气云爆炸(VCE)全时空场预测代理模型，解决了传统TNO多能量法在障碍环境预测不准的缺陷。

平台开发
构建的智能平台通过气体监测系统实时获取数据，调用数据驱动模型或数值模拟进行风险评估。数据库存储历史事故案例、设备参数等数据，支持BN概率更新与应急方案优化。平台实现了从静态防御到动态响应的跨越，案例显示其可将应急决策时间缩短60%。

案例研究
以储运系统为对象的应用表明：1)该方法能捕捉多因素耦合下的风险演变，如识别出管理缺陷导致安全屏障失效的概率达32%；2)动态生成的应急方案可降低二次爆炸风险47%，同时减少不必要的人员撤离；3)信息可用性提升可使预警准确率提高28%，验证了"管理优化+技术革新"的双轮驱动策略有效性。

结论与展望
该研究突破传统风险评估的静态局限，创新性地将STPA的系统思维与BN的概率推理相结合，构建了首个考虑装置-人员-应急措施动态交互的爆炸事故应对体系。案例证实其能显著提升应急响应精准度，特别是为"何时现场处置/何时撤离"的决策难题提供了量化依据。局限性在于当前模型对极端场景的适应性不足，未来需融合数字孪生技术增强预测鲁棒性。这项由国家重点研发计划资助的研究，不仅为化工集群安全管理提供了新范式，其STPA-BN融合框架也可拓展至核电、航天等高危领域。