基于数据的船舶间燃油加注过程中石油泄漏风险预测：结合强化学习与贝叶斯信念网络的方法

《Marine Pollution Bulletin》：Data-driven prediction of oil spill risk in ship-to-ship bunkering by reinforcement learning and Bayesian belief networks

油泄漏风险预测；强化学习与贝叶斯信念网络融合模型；船对船加油操作；数据驱动风险分析；不确定性处理

　　

Murat Metehan Türko?lu|Ferdi Cinar|Emre Akyuz

土耳其伊斯坦布尔发展大学航空工程系

摘要

船舶间（STS）加油是一项敏感的船上作业，由于可能发生石油泄漏污染，因此存在严重的环境风险。这项作业需要对操作、人员、技术及环境变量之间的复杂相互作用进行概念建模，并考虑不确定性和非线性因素。本文旨在介绍一种数据驱动的工具，该工具结合了强化学习（RL）和贝叶斯信念网络（BBN），以预测STS加油作业中石油泄漏的发生概率。在模型中，RL用于建模和优化最重要预测因子之间的非线性相互作用，而BBN则能够在不确定性条件下进行因果推理和概率推断。与单一模型基线相比，RL-BBN模型的预测准确性和可解释性得到了显著提升。本研究的结果将为海洋环境保护机构、规则制定者、船员、船东以及健康、安全、环境和质量（HSEQ）管理者在降低石油泄漏风险、运营规划及监管合规性方面提供参考。

引言

防止船舶发生石油泄漏对海洋生态系统的可持续性至关重要。船舶泄漏不仅会导致人员伤亡和经济损失，还会对海洋生态系统造成严重负面影响（Sevgili等人，2022年；Chen等人，2019年）。为防止此类事故造成的石油污染，已采纳了多项国际公约，主要是《国际防止船舶污染公约》（MARPOL 73/78），以及其他涉及石油污染预防、责任和应对的国际框架（Chen等人，2019年；Han和Fan，2025年；Han和Chu，2025年）。另一方面，与船舶相关的泄漏不仅限于货物运输，因为与船舶燃油舱相关的石油转移作业也构成了重大风险源（Kamal和Kutay，2021年）。加油作业主要通过STS方式进行，涉及燃料油和柴油等易燃物质的转移，这些物质具有环境危害性（Akyuz等人，2018年）。尽管加油作业具有常规性，但它们仍伴随着高风险（Kamal和Kutay，2021年）。最近的海洋石油泄漏事件表明，STS加油活动继续对环境构成重大威胁（Vanstreels等人，2023年）。例如，Ludynia等人（2026年）研究了2016年至2024年间阿尔戈阿湾发生的STS加油相关石油泄漏事件，涉及MV Chrysanthi S（2019年）、Challenger（2016年）、MV Solin（2021年）和Umnenga II（2022年）等船只。他们的研究特别强调了这些事故对当地野生动物的严重影响。同样，新加坡海事和港口局（MPA）发布的一份报告指出，在新加坡樟宜岛附近， bulk carrier Ines Corrado的加油作业中发生了5吨石油泄漏（MPA，2024年）。此外，West of England P&I俱乐部发布的一份事故分析报告显示，在一次常规加油作业中，由于加油舱通风口溢出，导致400升燃料泄漏到海中（West of England P&I Club，2025年）。根据劳埃德船级社的另一份报告，在伊斯坦布尔Ambarl?锚地附近，一艘油轮Jag在加油作业过程中发生燃料泄漏，促使当地当局采取了紧急污染应对措施（Lloyd's List，2025年）。因此，STS加油作业是一个涉及操作、人员、技术和环境因素的关键过程，其本质特征是高度的不确定性和非线性相互作用。因此，加油作业被认为是导致船舶石油泄漏事故的重要原因（Krata和Jachowski，2021年；Talley等人，2012年）。在STS石油转移作业中可能发生的技术或操作错误可能导致石油泄漏，从而引发严重的环境后果（Cinar等人，2025a）。在这方面，STS加油作业被认为是对海洋环境保护构成严重风险的关键船舶作业之一（Ludynia等人，2026年）。

在相关文献中，最近的研究利用遥感和船舶跟踪数据来监测和检测这些活动。例如，Ballinger（2024年）提出了一种基于深度学习的方法，结合卫星图像和AIS数据来识别隐蔽的STS转移行为。Cai等人（2026年）开发了一个多源观测框架，整合了SAR和AIS来检测疑似异常的STS活动。尽管这些研究为STS监控做出了宝贵贡献，但它们主要关注活动检测而非操作风险预测。从操作安全的角度来看，关于加油作业的研究主要集中在使用不同的人为可靠性分析方法计算人为错误概率（Kayisoglu等人，2022年；Akyuz等人，2018年；Akyuz等人，2026年），并利用不同的风险分析方法评估操作风险（Choi等人，2025年；Kamal和Kutay，2021年；Doganay等人，2023年；Ceylan，2025年；Yang和Lam，2024年）。Akyuz等人（2018年）提出了通过使用船上操作人为可靠性分析（SOHRA）方法来预测化学油轮加油作业中人为错误概率的建议。Kayisoglu等人（2022年）应用了成功可能性指数方法（SLIM）来计算海上作业中加油泄漏的人为错误概率，并强调了人为因素在操作安全中的关键作用。在另一项研究中，Akyuz等人（2026年）提出了一个结合Dempster-Shafer理论、CREAM和故障树分析（FTA）方法的概率模型，以评估STS加油转移作业中可能发生的石油污染风险。Kamal和Kutay（2021年）利用模糊贝叶斯网络方法分析了操作和人为因素对石油泄漏发生的影响。在评估操作风险方面，Ceylan（2025年）通过基于规则的模糊FMEA方法分析了加油作业中的关键故障模式，并提出了提高操作安全的建议。同样，Doganay等人（2023年）利用故障模式和效应分析（FMEA）方法识别了操作过程中的潜在风险，并提出了风险缓解建议。此外，Yang和Lam（2024年）评估了氨气加油作业中可能发生的意外释放风险，使用大气扩散模型分析了不同释放情景下的潜在影响区域，并揭示了气象因素对风险的决定性影响。还有一些研究专门关注LNG燃料船舶的加油作业。Jeong等人（2017年）利用概率风险评估方法评估了LNG加油作业的安全禁区。Choi等人（2025年）使用一致模糊偏好关系（CFPR）方法分析了STS LNG加油作业中的风险因素，发现人为错误和设备故障是关键风险因素。Feng等人（2025年）通过整合模糊FMEA和TOPSIS方法开发了一个全面的风险评估模型，以识别STS LNG加油作业中可能发生的潜在故障模式。

尽管这些研究在识别操作风险方面做出了重要贡献，但它们大多基于单一方法或仅限于特定操作场景。此外，这些研究的一个重要局限性是它们无法在整体框架内处理风险因素之间的非线性相互作用和不确定性。为了解决这一问题，本研究重点关注通过评估操作、技术、人员和环境指标来预测常规和符合规定的STS加油作业中的石油泄漏风险。在此背景下，研究的重点在于转移过程的操作执行本身，而非检测非法、隐蔽或故意未报告的STS活动。本研究的主要目标是开发一个结合强化学习（RL）和贝叶斯信念网络（BBN）的数据驱动框架。在所提出的模型中，通过RL对风险因素之间的非线性关系和顺序决策行为进行建模和优化，而通过BBN结构实现不确定性下的因果推理和概率推断。文章的结构如下：第2节介绍了所提出的RL–BBN框架的方法论背景。第3节介绍了STS加油案例研究，包括数据集构建、实验方案、结果和讨论。第4节总结了研究的主要发现、实际意义、局限性以及未来研究的方向。

材料与方法

本节概述了贝叶斯信念网络和强化学习的理论背景、整合的RL–BBN框架以及本研究中采用的评估协议。

STS加油中石油泄漏风险的评估与预测

本节首先介绍了STS加油的操作背景和石油泄漏风险，然后介绍了所提出框架中用于风险评估和预测的数值分析方法。

结论

本研究采用了一种集成的数据驱动风险评估工具，用于船舶间（STS）加油，该工具结合了强化学习（RL）和贝叶斯信念网络（BBN），以在不确定性条件下量化和管理石油泄漏风险。所提出的框架能够产生一个可解释的、决策级别的事件概率估计值pcal(TE = 1 | O)，其中证据集O是依次且经济地获取的。与单一模型基线相比，这种混合模型

CRediT作者贡献声明

Murat Metehan Türko?lu：撰写——原始草稿、方法论、调查、数据整理。Ferdi Cinar：撰写——原始草稿、方法论、调查。Emre Akyuz：撰写——审稿与编辑、监督、调查、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。