氢能作为一种清洁、高效、可持续的能量载体，已被广泛认为是未来能源发展的关键[1]。在现有的储氢方法中，高压储氢技术在长期储存方面最具优势[2]，中国储氢方式也正在朝着高压化和规模化方向发展[3]，目前较大规模的储氢系统包括绿电示范制氢项目的储氢罐区(约2 MPa)和加氢站的储氢设备(20~90 MPa)。一方面，氢原子具有最小的原子半径，很容易在金属中扩散，并进一步导致容器发生氢脆现象从而失去承载能力[4]；另一方面，氢气具有较低的点火能，极易点燃，且氢气燃烧极限较宽，一旦点燃可能造成严重的火灾或爆炸事故[5]。更重要的是，一旦某一储氢容器发生泄漏爆燃，可能导致邻近存储设备发生事故升级，造成比初始事故更为严重的多米诺事故。
为定量评估储氢设施泄漏的后果，研究者开发了不同的经验事故模型，包括高压氢气泄漏的虚拟喷嘴模型[6]、喷射火模型[7]、积分扩散模型[8]、气体状态参数模型[9]等。此外，2017年美国桑迪亚国家实验室开发了HyRAM平台[10]，将许多数据、模型和方法集成到氢能的定量风险分析中。但目前对储氢系统的多米诺事故定量风险分析的研究较浅，重点仍关注氢泄漏等一次事故的定量风险分析[11-13]。在传统的石油化工储罐区中，Bayes网络(BN)被证明是一种有效的多米诺事故分析方法。Khakzad等[14]将BN应用于多米诺事故的研究，并基于BN的后验概率推理确定了罐区多米诺效应最有可能的传播路径。Wu等[15]提出了一种基于领结图分析和BN的动态风险评估方法，且提出了从领结图到BN的映射算法来描述系统的动态性和不确定性，每当给出新的证据信息时，所有事件的发生概率都会立即动态更新。伍东等[16]根据多种事故模型分析了火电厂氢气储罐的火灾、爆炸事故后果，指出氢气物理爆炸和化学爆炸对邻近设施造成损坏要大于喷射火事故。
文[17]提出了一种基于BN的复杂风速风向与事件树下危险化学品储罐区多米诺事故分析方法。为完善当前储氢系统多米诺事故的定量风险评价，本文进一步提出一种储氢系统多米诺事故传播BN分析方法。首先，方法基于氢设施泄漏的事件树模型和专用后果评估模型等，获取系统内潜在的多米诺风险概率数据。然后，采用BN建模算法自动构建多个BN模型，并由BN模型计算储氢系统内包括多米诺风险的综合风险概率分布，详细分析多米诺事故传播模式，指导储氢设备的安全生产。
1 方法及模型 1.1 研究方法本文提出的高压储氢系统的多米诺事故BN分析方法流程如图 1所示。首先构建涉氢装置泄漏的事件树模型，结合氢装置泄漏特定后果评估模型和储氢设备的基础数据等，完成一次多米诺事故风险定量计算，为BN建模提供可信数据；然后根据计算数据，以每一装置为根节点(事故源)完成BN结构、参数建模；最后通过BN模型进行先验概率计算和后验概率推理，分析系统内存储压强与综合风险间的关系、事故传播模式与泄漏场景。
|
| 图 1 本文方法流程 |
1.2 氢设施泄漏事件树分析 1.2.1 事件树拓扑结构
由于氢气高压气态存储的特性，本文对氢气球罐、储氢瓶、压缩机、管道等装置泄漏的事故类型仅考虑蒸汽云爆炸(VCE)、喷射火(JF)和闪火(FF)[18]。实际上氢气球罐和储氢瓶还可能发生破裂，并进一步导致火球(FB)或压缩气体膨胀爆炸事故(compression gas expansion explosion, CGEE)，但考虑氢气高压存储的特性，本文假设氢气球罐和储氢瓶破裂后一定立即发生事故，且对压缩机、管道不考虑FB和CGEE。氢装置泄漏及破裂事件树结构如图 2所示。
|
| 图 2 氢设施事件树模型 |
1.2.2 事件树节点频率
氢气球罐属于大型固定式压力容器，根据《危险化学品生产装置和存储设施外部安全防护距离确定方法：GB/T 37243—2019》[19]建议，带压容器一般考虑小孔、中孔、大孔泄漏(对应泄漏孔径的典型代表值分别为5、25、100 mm)和完全破裂场景。依据《石油化工过程风险定量分析标准：SH/T 3226—2024》[20]和文[21]确定氢气球罐不同泄漏场景的频率。针对加氢站各装置，本文认为其泄漏场景与带压容器一致，并根据加氢站内输氢管道直径和HyRAM模型[10]确定各装置不同泄漏场景的频率，压缩机完全破裂的泄漏孔径为所连接管道的直径。各涉氢装置不同泄漏孔径和罐体完全破裂的频率如表 1所示。
| a-1 | |||||||||||||||||||||||||||||
| 泄漏场景 | 氢气球罐 | 氢气瓶 | 压缩机 | 管道 | |||||||||||||||||||||||||
| 小孔泄漏 | 3.5×10-5 | 2.1×10-6 | 2.0×10-1 | 1.3×10-5 | |||||||||||||||||||||||||
| 中孔泄漏 | 7.1×10-6 | 6.6×10-7 | 7.9×10-3 | 1.8×10-6 | |||||||||||||||||||||||||
| 大孔泄漏 | 4.3×10-7 | 3.8×10-7 | 2.1×10-4 | 9.1×10-7 | |||||||||||||||||||||||||
| 完全破裂 | 9.0×10-7 | 2.1×10-7 | 3.0×10-5 | 6.4×10-7 | |||||||||||||||||||||||||
| 注：实际管道泄漏场景频率为表格结果与管道长度之积 | |||||||||||||||||||||||||||||
此外，涉氢装置的专属点燃概率模型包括HyRAM模型和HYEX模型[22]，前者的点燃概率随泄漏速率的变化而阶跃变化，后者则为连续模型。本文取修正后的HYEX模型，点燃概率的2/3被认为是立即点燃概率，1/3被认为是延迟点燃概率。因储氢罐区和加氢站一般为敞开式，属于低障碍物类别，火焰加速的概率取0.1[23]。同时根据文[21]的推荐，发生膨胀物理爆炸的概率为0.7[21]。事件树上的叶节点表示事故类型，各叶节点的频率为泄漏场景频率与所在分支其他节点的概率之积[24]。
1.3 多米诺风险定量计算为定量计算储氢系统内氢气球罐或氢气瓶的多米诺风险概率，收集了系统内各装置的基础数据，包括体积、存储温度、压强、各装置间的相对位置关系等数据，并集成以往学者提出的虚拟喷嘴模型、加权多点源喷射火模型、积分扩散模型、气体状态参数模型、TNO(the netherlands organization)模型[25]、火球模型[26]、热力学有效性—虚拟距离TNT模型[27]和升级概率Probit计算模型[28]。然而当存储压强在10 MPa以上时，应将氢气视为真实气体，故在物理爆炸模型中引入修正的Brode模型[29]计算物理爆炸的机械能。事件树每一分支叶节点计算用的模型如表 2所示。
| 事故类型 | 物理效应 | 所用模型 |
| JF | 热辐射 | 虚拟喷嘴模型、加权多点源喷射火模型、气体状态参数模型 |
| VCE | 超压 | 虚拟喷嘴模型、积分扩散模型、气体状态参数模型、TNO模型 |
| FF | — | — |
| FB | 热辐射 | 火球模型 |
| CGEE | 超压 | 热力学有效性—虚拟距离TNT模型 |
在每一事故源的事件树的每一叶节点下，调用上述模型，计算各事故源的场景(状态)频率、事故持续时间，受影响装置的升级向量、升级概率和失效时间。鉴于压力装置不同于常压浮顶罐，可以不考虑闪火造成事故升级的可能性。喷射火方向具有不确定性，本文考虑正交的4个等可能方向，代表所有方向的喷射火。扩散VCE的射流方向假设与风向一致，同时本文考虑了16种可能的风速—风向组合及其概率分布[17]，综合评估VCE事故风险。具体计算公式如下：
1) 事故源的场景定义为设备经历某种孔径泄漏最终发生某种事故类型的过程，事故源场景频率为
| $ f_{\mathrm{c}, s, u}=f_{1} f_{\mathrm{mid}, s, u} , $ | (1) |
其中：fc, s, u为第u个事故源的第s个场景的概率，fl为某种孔径泄漏的发生概率，fmid, s, u为第u个事故源的第s个场景所在事件树分支的其他所有节点的概率之积。
2) 事故源事故持续时间为
| $ \mathrm{tte}= \begin{cases}t_{\mathrm{ml}}, & \text { acc }=\mathrm{JF}; \\ t_{\mathrm{fb}}, & \text { acc }=\mathrm{FB}; \\ 1, & \text { acc } \in\{\mathrm{VCE}, \mathrm{FF}, \mathrm{CGEE}\} .\end{cases} $ | (2) |
其中：acc为事件树叶节点事故类型，tml是根据气体状态参数计算模型得到的最大泄漏时间，tfb是根据火球模型求得的火球持续时间。
3) 考虑到喷射火和扩散蒸气云爆炸的后果影响均随时间变化，因此将tml离散化，计算各时刻受影响装置的升级向量、升级概率、失效时间，随后取tml内的平均热辐射强度作为受影响装置的热辐射通量，取tml内的最大超压值作为受影响装置的超压值，最后根据平均热辐射值或最大超压值计算受影响装置的升级概率Pd和失效时间ttf。若“超压小于阈值”或“平均热辐射下的ttf>tte或ttf>tml”，则Pd为0。然而，实际储罐泄漏(尤其是小孔泄漏)的tml往往较大，离散后的计算量仍然巨大，因此可参考最大应急响应时间等现场信息，取有限的时间段进行离散化处理。
| $ P_{\mathrm{d}}=\left\{\begin{array}{l} P, \quad \quad\quad\text { acc } \in\{\mathrm{JF}, \mathrm{FB}, \mathrm{CGEE}\} ; \\ P_{t} \times P, \quad \text { acc } \in\{\mathrm{VCE}, \mathrm{FF}\} ; \end{array}\right. $ | (3) |
| $ P=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\gamma-5} \mathrm{e}^{-\frac{x^{2}}{2}} \mathrm{~d} x ; $ | (4) |
| $ \gamma=16.83646-1.85026 \ln \mathrm{ttf} ; $ | (5) |
| $ \ln \mathrm{ttf}=\left\{\begin{array}{l} -0.947 \ln U+8.835 \mathrm{~V}^{0.032}, \\ \qquad\operatorname{acc} \in\{\mathrm{JF}, \mathrm{FB}, \mathrm{CGEE}\} ; \\ 0, \text { acc } \in\{\mathrm{VCE}, \mathrm{FF}\} ; \end{array}\right. $ | (6) |
| $ P_{t}=P_{\text {present }}\left(1-\mathrm{e}^{-\omega t}\right) . $ | (7) |
其中：P为受影响装置的瞬时升级概率，γ为概率单位变量，U为后果模型计算得到的物理效应(超压或热辐射)，V为受影响装置的体积，Pt为0~t时间段的点燃概率，Ppresent为蒸气云经过时点火源存在的概率，ω为点火效率。式(4)—(6)表示升级概率Probit计算模型。
4) 在某个风向下，第u个事故源的第s个场景对受影响装置的损伤风险为
| $ f_{\mathrm{r}, w}^{s, u}=f_{w} f_{c, s, u} P_{\mathrm{d}} . $ | (8) |
其中fw为第w个风速—风向组合的发生概率。
1.4 Bayes网络 1.4.1 BN结构BN结构建模流程如图 3所示。首先，确定初始事故源(根节点)；其次，筛选升级向量大于阈值且事故持续时间大于失效时间的受影响装置；再次，由于未失效装置可能受到已失效装置(父节点)的多种事故的协同影响，在所有满足升级条件的装置中，根据所有协同事故下的“平均失效时间最短原则”确定优先失效的受影响装置(子节点)，父、子节点间通过有向边连接，同一级子节点间不存在有向边，并根据已失效节点的协同效应重新计算剩余装置的升级向量、升级概率和失效时间；然后，判断BN网络层级是否超过预设的多米诺级数；最后，构建逻辑与、或门节点即确定逻辑门节点与上述装置节点间的有向边。
|
| 图 3 BN结构建模流程 |
子装置节点m面临的协同效应最多考虑以下4种情况：
| $ \text { case1: }\left\{\mathrm{SF}_{g} \mid g=1, 2, \cdots, k_{1}\right\} \subseteq \operatorname{cart}_{j, m} ; $ | (9) |
| $ \text { case2 }:\left\{\mathrm{FFS}_{b} \mid b=1, 2, \cdots, k_{2}\right\} \subseteq \operatorname{cart}_{j, m} ; $ | (10) |
| $ \begin{align} &\text{case3}：\left(P_{\max , j, m}^{\mathrm{EPS}}>P_{\max , j, m}^{\mathrm{FFS}}\right) \wedge\\ &\left(\left\{\mathrm{EPS}_{r} \mid r=1, 2, \cdots, k_{3}\right\} \subseteq \operatorname{cart}_{j, m}\right) \wedge\\ &\quad\quad\left(\mathrm{op}_{j, m}>\mathrm{th}_{m}\right) ; \end{align} $ | (11) |
| $ \begin{gathered} \text{case4}：\left[\left[\left\{\mathrm{EPS}_{r} \mid r=1, 2, \cdots, k_{3}\right\} \subseteq\right.\right. \\ \left.\operatorname{cart}_{j, m} \wedge\left(\mathrm{op}_{j, m}<\mathrm{th}_{m}\right)\right] \vee\\ \left.\left(\left\{\mathrm{EPS}_{r} \mid r=1, 2, \cdots, k_{3}\right\} \not \subset \operatorname{cart}_{j, m}\right)\right] \wedge\\ \left(\forall P_{\mathrm{d}, j, m}^{\mathrm{FFS}}=0\right) \wedge\left(\sum\limits_{f=1}^{c_{j, m}} t_{f, j, m}^{\mathrm{r}} \neq 0\right) . \end{gathered} $ | (12) |
其中：节点m每一父节点的事件树分支场景可构成Descartes积形式的协同效应组合，cartj, m表示节点m面临的第j个协同效应集合；SF表示中安全场景，FFS表示最终发生闪火的场景，EPS表示最终发生爆炸的场景，k1为安全场景的总数，k2为闪火场景总数，k3为爆炸场景的总数，Pmax, j, mEPS和Pmax, j, mFFS分别表示为cartj, m中爆炸和闪火场景对节点m造成的最大升级概率，opj, m为Pmax, j, mEPS对应的超压值，thm为节点m的超压阈值，tf, j, mr为cartj, m组合中第f个父节点除闪火外的某种火灾场景对节点m的热辐射值，Cj, m为cartj, m组合中除闪火外的所有火灾场景总数。
case1和case2分别表示cartj, m中存在多个安全和闪火场景；case3表示cartj, m中存在多个爆炸场景，且爆炸超压大于节点m的阈值和超压升级概率大于闪火；case4表示cartj, m中存在除闪火外的多个火灾场景，且不存在爆炸场景或爆炸场景不会造成节点m发生事故升级。
由此，协同效应cartj, m下节点m的升级向量Uj, m、失效时间ttfj, m和升级概率Pd, j, m分别为：
| $ U_{j, m}= \begin{cases}0, & \text { case1 或 case2; } \\ \mathrm{op}_{j, m}, & \text { case3; } \\ \sum\limits_{f=1}^{C_{j, m}} t_{f,j,m}^{\mathrm{r}}, & \text { case4; }\end{cases} $ | (13) |
| $ \mathrm{ttf}_{j, m}= \begin{cases}\infty, & \text { case1; } \\ 0, & \text { case2 或 case3; } \\ F_{1}\left(U_{j, m}\right), & \text { case4. }\end{cases} $ | (14) |
| $ P_{\mathrm{d}, j, m}= \begin{cases}0, & \text { case1; } \\ F_{2}\left(\mathrm{ttf}_{j, m}\right), & \text { case4; } \\ \max \left(P_{\max , j, m}^{\mathrm{EPS}}, P_{\max , j, m}^{\mathrm{FFS}}\right), & \text { case2; }\end{cases} $ | (15) |
其中：F1表示根据式(6)计算失效时间的函数，F2表示根据式(4)—(5)计算升级概率的函数。
1.4.2 Bayes网络参数对于装置节点，其状态认为是装置编号与事件树各分支通过散列算法得到的散列值，并考虑安全状态的散列值为safety；对于逻辑门节点，其状态的散列值仅包括occurrence、safety，即事故发生与未发生。在任意事故源作为根节点所构建的BN结构中，各类节点的条件概率表(CPT)计算式为：
1) 根节点的CPT：
| $ \begin{gathered} \mathrm{CPT}_{\mathrm{B}}=\left(f_{\mathrm{c}, 1, u}, f_{\mathrm{c}, 2, u}, \cdots, f_{\mathrm{c}, s, u}, \cdots, \right. \\ \left.f_{\mathrm{c}, S, u}, 1-\sum\limits_{s=1}^{S} f_{\mathrm{c}, s, u}\right)^{\mathrm{T}}, \\ \mathrm{CPT}_{\mathrm{B}} \in \mathbb{R}^{S+1, 1}. \end{gathered} $ |
其中S为根节点的事故状态散列值总数。
2) 第m个子装置节点的CPT：
| $ \begin{gathered} \mathrm{CPT}_{m}=\left(\operatorname{sfr}_{1, m}, \operatorname{sfr}_{2, m}, \cdots, \operatorname{sfr}_{s, m}, \cdots\right., \\ \left.\operatorname{sfr}_{q, m}, \frac{1-P_{\mathrm{d}, j, m} \sum\limits_{s=1}^{q} \operatorname{sfr}_{s, m}}{P_{\mathrm{d}, j, m}}\right)^{\mathrm{T}} .\\ \left(P_{\mathrm{d}, 1, m}, P_{\mathrm{d}, 2, m}, \cdots, P_{\mathrm{d}, j, m}, \cdots, P_{\mathrm{d}, n, m}\right), \\ \mathrm{CPT}_{m} \in \mathbb{R}^{q+1, n}, \\ \operatorname{sfr}_{s, m}=\frac{f_{\mathrm{c}, s, m}}{\sum\nolimits_{k=1}^{q} f_{\mathrm{c}, k, m}}. \end{gathered} $ |
其中：q为节点m事故状态散列值的总数，sfrs, m为节点m的第s个事故状态的先验概率与该节点所有事故状态先验概率的总和之比，n为节点m面临的cartj, m的总数，若cartj, m中各事故的协同时间大于节点m的ttfj, m，则Pd, j, m由式(14)计算，反之为0。
3) 第x个逻辑或门的CPT：
| $ \begin{gathered} \mathrm{CPT}_{\mathrm{O}, x}=\left(l_{p, z}\right)_{2 \times{o_x}} ; \\ l_{p, z}= \begin{cases}1, & \exists \operatorname{acc} \in \operatorname{cart}_{j, x} ; \\ 0, & \text { 其他. }\end{cases} \end{gathered} $ |
其中ox为第x个或门节点面临的cartj, x的总数。
4) 第y个逻辑与门的CPT：
| $ \begin{gathered} \quad \mathrm{CPT}_{\mathrm{A}, y}=\left(\mathrm{dl}_{e, v}\right)_{2 \times a_{y}} ; \\ \mathrm{dl}_{e, v}= \begin{cases}1, & \text { safety } \notin \operatorname{cart}_{j, y} ; \\ 0, & \text { 其他. }\end{cases} \end{gathered} $ |
其中ay为第y个与门节点面临的cartj, y的总数。
2 分析与讨论 2.1 分析案例本文具体考虑下述2个储氢系统场景。
案例1：参考新疆库车绿氢示范项目的储罐数量及布局，建立一个常温、气态存储的罐区模型，如图 4所示。罐区共有10个氢气球罐，球罐体积均为2 000 m3，存储温度等于环境温度298.15 K。以N指向S方向为0°方向，顺时针角度增加。
|
| 图 4 储氢罐区布局 |
案例2：参考文[30-31]、《加氢站技术规范(2021年版)：GB 50516—2010》[32]和上海某加氢站的实际布局，建立加注压力为70 MPa的加氢站简化模型，包括2个90 MPa的压缩机C1、C2，6个87.5 MPa、1 m3的储氢瓶T1~T6及6根150 mm、9 m的管道P1~P6，如图 5所示。同组气瓶中心间距为0.5 m，不同组气瓶间最近中心距离为3 m，压缩机与各组中心气瓶的中心间距为9 m，其余参数与案例1一致。
|
| 图 5 加氢站布局示意图 |
对上述2个案例，考虑16种可能的风速—风向组合及其概率分布，采用1.3及1.4节所述的风险计算方法和BN建模算法，自动构建各自失效设备作为根节点的BN模型。构建结果显示，描述案例1、2多米诺事故的BN模型数量分别为160和224个。随后基于BN模型开展综合风险分析、因果和诊断推理。
2.2 方法验证以存储压强为10 MPa储氢罐区为例，考虑1 h的事故发展阶段，并将其离散化为10个时间点，且最大构建至2级多米诺事故节点(后同)。在180°风向下假设T2储罐作为初始事故源，构建的BN结构如图 6所示，其中L1、L2为或门节点，DL1、DL2为与门节点。特定风向下的多米诺风险概率为ΣuΣsfr, ws, u，分别利用本文方法和解析法[33]计算目标装置的多米诺风险概率，2种方法的计算结果如表 3所示。其中，E1~E5分别表示如下场景的散列值：“T2中孔泄漏发生90°JF” “T2中孔泄漏发生VCE” “T2完全破裂发生FB” “T2完全破裂发生CGEE” “T2中孔泄漏发生270°JF，T1、T3、T7安全”。可以看出，给定事件树中的多种事故类型证据E1~E5，2种方法的分析结果基本相同，验证了本文方法的准确性。
|
| 图 6 T2引发的多米诺事故BN结构 |
| 证据 | 目标储罐 | 多米诺风险概率 | |
| 解析方法 | 本文方法 | ||
| E1 | T1 | 3.4222×10-10 | 3.4215×10-10 |
| E2 | T1 | 8.1827×10-8 | 8.1812×10-8 |
| E3 | T1 | 0 | 0 |
| E4 | T1 | 6.3000×10-7 | 6.2988×10-7 |
| E5 | T6 T8 |
0 0 |
0 0 |
2.3 综合风险分析
综合风险为各设备的累计自失效风险
考虑案例2中的储氢瓶作为受影响设备，图 7描述了站内综合风险来源。可见：站内的综合风险主要来源于压缩机的自失效风险，概率约2.2×10-3 a-1；其次来源于各储氢瓶多米诺风险，概率约3.3×10-4 a-1；然后是管道的自失效风险，概率约8.6×10-5 a-1；而各储氢瓶的自失效风险最低。
|
| 图 7 加氢站综合风险来源 |
进一步分析综合风险数据，图 8和9分别描述了加氢站内储氢瓶多米诺风险概率的来源设备、一次事故类型对储氢瓶多米诺风险概率的贡献。可见，储氢瓶的多米诺风险大多来自压缩机C1~C2(概率累计约2.9×10-4 a-1)和P1~P6(概率累计约4.4×10-5 a-1)；且一次事故类型中JF和VCE对储氢瓶造成了较大的多米诺风险，而CGEE和FB几乎不造成多米诺风险。
|
| 图 8 各设备对储氢瓶造成的多米诺风险 |
|
| 图 9 各一次事故类型对储氢瓶多米诺风险的贡献 |
由上述分析知，应重点关注压缩机和管道泄漏事件，减少高温下储氢系统的持续运行时间，严格控制站内火源，降低发生JF和VCE事故的概率。
2.3.2 储氢罐区敏感性分析考虑高压化与规模化储氢的趋势，本节旨在分析案例1中不同存储压强下风险概率和各一次事故造成的多米诺风险概率变化规律。图 10说明1~15 MPa下储氢罐区综合风险概率随存储压强增大而增加；储存压强在1~2.5 MPa增大时，多米诺风险概率快速增加；当以2 MPa及以上的压强存储时，多米诺风险概率占比在25%以上，最高可达37%；而典型2 MPa存储压强的储氢罐区多米诺风险概率占比约35%，可见多米诺风险是储氢罐区重要风险来源；当存储压强在1~1.7 MPa或10~15 MPa时，多米诺风险概率占比均低于30%，且累计自失效风险概率都维持在10-5 a-1量级。
|
| 图 10 存储压强—风险概率的关系 |
图 11说明了各一次事故造成的多米诺风险概率随存储压强的变化关系。可见爆炸事故(CGEE和VCE)造成的多米诺风险概率对存储压强的变化更加敏感，而火灾(JF和FB)造成的多米诺风险概率随存储压强变化不明显，JF在存储压强为10 MPa以上时可能造成多米诺事故，而FB的持续时间小于各设备的失效时间，其造成的多米诺风险概率约为0。
|
| 图 11 存储压强—各一次事故造成的多米诺风险概率的关系 |
鉴于高压储氢容器存在氢脆现象导致泄漏和破裂，应重点关注设备连接部位，且严格控制火源，以降低泄漏、破裂和点燃的风险。
2.4 因果推理固定储氢罐区存储压强为10 MPa，T8作为初始事故源；考虑加氢站内压缩机为高自失效风险设备，以C1为初始事故源。假设环境风向为180 °，构建的BN如图 12所示。
|
| 图 12 T8、C1发生事故的BN结构 |
给定证据T8中孔泄漏发生VCE时，表 4描述了各节点的状态升级概率：一级节点T3的总升级概率略大于T7和T9，而二级节点T2、T4的总升级概率相同。最可能的传播模式为：首先T3或T7或T9发生中孔泄漏JF，接着T2或T4也发生中孔泄漏JF。然而，各设备的升级概率均较大，表明一次事故中氢气泄漏VCE对邻近设备的冲击较大。
| 节点 | JF | VCE | FB | CGEE | ||||||||
| 小孔泄漏 | 中孔泄漏 | 大孔泄漏 | 小孔泄漏 | 中孔泄漏 | 大孔泄漏 | 完全破裂 | 完全破裂 | |||||
| 一级节点 | T3 | 2.6×10-1 | 2.9×10-1 | 3.7×10-2 | 1.3×10-2 | 1.4×10-2 | 1.8×10-3 | 3.5×10-2 | 8.1×10-2 | |||
| T7 | 2.6×10-1 | 2.9×10-1 | 3.7×10-2 | 1.3×10-2 | 1.4×10-2 | 1.8×10-3 | 3.4×10-2 | 8.0×10-2 | ||||
| T9 | 2.6×10-1 | 2.9×10-1 | 3.7×10-2 | 1.3×10-2 | 1.4×10-2 | 1.8×10-3 | 3.4×10-2 | 8.0×10-2 | ||||
| 二级节点 | T2 | 2.8×10-1 | 3.0×10-1 | 3.9×10-2 | 1.4×10-2 | 1.5×10-2 | 1.9×10-3 | 3.7×10-2 | 8.5×10-2 | |||
| T4 | 2.8×10-1 | 3.0×10-1 | 3.9×10-2 | 1.4×10-2 | 1.5×10-2 | 1.9×10-3 | 3.7×10-2 | 8.5×10-2 | ||||
给定证据C1大孔泄漏发生180 °的JF时，表 5描述了各节点的状态升级概率：一级节点中T1、T3的升级概率相同，且所有节点的升级概率均较大，最可能事故传播模式为：首先T1或T3发生中孔泄漏JF，接着T2在C1、T1(或T3)的协同作用下也发生中孔泄漏JF。
| 节点 | JF | VCE | FB | CGEE | ||||||||
| 小孔泄漏 | 中孔泄漏 | 大孔泄漏 | 小孔泄漏 | 中孔泄漏 | 大孔泄漏 | 完全破裂 | 完全破裂 | |||||
| 一级节点 | T1 | 2.3×10-1 | 3.3×10-1 | 2.2×10-1 | 1.2×10-2 | 1.6×10-2 | 1.1×10-2 | 5.4×10-2 | 1.3×10-1 | |||
| T3 | 2.3×10-1 | 3.3×10-1 | 2.2×10-1 | 1.2×10-2 | 1.6×10-2 | 1.1×10-2 | 5.4×10-2 | 1.3×10-1 | ||||
| 二级节点 | T2 | 1.5×10-1 | 2.1×10-1 | 1.4×10-1 | 7.3×10-3 | 1.0×10-2 | 6.9×10-3 | 3.4×10-2 | 8.0×10-2 | |||
2.5 诊断推理
根据图 12的BN结构进行诊断推理，分别分析储氢罐区T8和加氢站C1作为根节点时的泄漏场景。
给定证据一级或二级多米诺事故发生时，由表 6可知：氢气球罐T8不同泄漏场景的概率大小依次为“完全破裂→中孔泄漏→大孔泄漏→小孔泄漏”。原因在于加压球罐完全破裂事故对邻近设备冲击最大，而小孔泄漏的冲击最小，且事件树模型中孔泄漏历史发生概率最大。由表 7可知：压缩机C1不同泄漏场景的概率大小依次为“大孔泄漏→中孔泄漏→完全破裂→小孔泄漏”。原因包括：虽然完全破裂的冲击最大，但历史发生频率最小，而大孔泄漏对邻近设备冲击远大于中、小孔泄漏，且小孔泄漏对各设备的冲击最小，难以造成事故升级。
| 证据 | 小孔泄漏 | 中孔泄漏 | 大孔泄漏 | 完全破裂 |
| E6 | 0 | 1.5×10-1 | 1.9×10-2 | 8.3×10-1 |
| E7 | 0 | 1.4×10-1 | 1.8×10-2 | 8.4×10-1 |
| 注：E6和E7分别表示发生一级和两级多米诺事故的散列值 | ||||
| 证据 | 小孔泄漏 | 中孔泄漏 | 大孔泄漏 | 完全破裂 |
| E8 | 0 | 2.7×10-1 | 5.5×10-1 | 1.9×10-1 |
| E9 | 0 | 3.1×10-1 | 5.2×10-2 | 1.6×10-1 |
| 注：E8和E9分别表示发生一级和两级多米诺事故散列值 | ||||
由上述分析可知，针对不同的储氢系统，当多米诺事故发生时，储氢罐区更可能是储罐完全破裂或中孔泄漏场景，而加氢站压缩机更可能是大孔或中孔泄漏场景。为降低装置泄漏概率，对于储氢罐区，可选用高可靠性的密封技术、耐腐蚀性的材料，同时加强对储罐的检查与维护，确保其能够承受预定的压力和温度，预防破裂事故的发生。对于加氢站高泄漏风险的压缩机，在采用耐高温、高压、腐蚀的密封部件的同时，应定期检查各部件的磨损情况，预防因机械故障等原因导致的大孔和中孔泄漏。
3 结论本文提出一种高压储氢系统的多米诺事故BN分析方法。该方法集成了氢泄漏事件树、专属风险评估等模型，为储氢系统构建了考虑多种泄漏场景和事故协同的BN模型，揭示了气态储氢罐区和加氢站的综合风险分布。研究表明：当前常见的2 MPa储氢罐区的多米诺风险概率占比约35%，物理和化学蒸汽云爆炸是造成多米诺事故的主要事故类型，且其后果随存储压强变化明显。70 MPa加注压力的加氢站综合风险主要来源于压缩机的自失效风险，且喷射火事故对储氢瓶发生多米诺事故升级产生可观的贡献。在上述储氢系统中，爆炸对多米诺事故具有重要贡献，因此可采取抑爆措施减小点火概率，以降低系统的综合风险。
下一步将采用动态BN，详尽分析储氢系统的多米诺事故演变过程。
| [1] |
ZHANG Z G, SHANG M H. Research on hydrogen leakage and diffusion mechanism in hydrogenation station[J]. Scientific Reports, 2024, 14(1): 3363. DOI:10.1038/s41598-023-50917-4 |
| [2] |
ZOU L Z, LI B, HAN B, et al. Release of high-pressure hydrogen from type Ⅲ tank in a fire scenario: Analysis and prediction of jet flame length and thermal response characteristics[J]. Fuel, 2024, 372: 132153. DOI:10.1016/j.fuel.2024.132153 |
| [3] |
王晓慧. 大规模制氢与储氢技术现状及发展方向[J]. 河南科学, 2024, 42(2): 165-172. WANG X H. Present situation and development direction of large-scale hydrogen production and storage technology[J]. Henan Science, 2024, 42(2): 165-172. (in Chinese) |
| [4] |
SUN B H, ZHAO H, DONG X Z, et al. Current challenges in the utilization of hydrogen energy-a focused review on the issue of hydrogen-induced damage and embrittlement[J]. Advances in Applied Energy, 2024, 14: 100168. DOI:10.1016/j.adapen.2024.100168 |
| [5] |
MA Q J, HE Y, YOU J F, et al. Probabilistic risk assessment of fire and explosion of onboard high-pressure hydrogen system[J]. International Journal of Hydrogen Energy, 2024, 50: 1261-1273. DOI:10.1016/j.ijhydene.2023.10.157 |
| [6] |
BIRCH A D, HUGHES D J, SWAFFIELD F. Velocity decay of high pressure jets[J]. Combustion Science and Technology, 1987, 52(1-3): 161-171. DOI:10.1080/00102208708952575 |
| [7] |
LOWESMITH B J, HANKINSON G. Large scale high pressure jet fires involving natural gas and natural gas/hydrogen mixtures[J]. Process Safety and Environmental Protection, 2012, 90(2): 108-120. DOI:10.1016/j.psep.2011.08.009 |
| [8] |
LI X F, HECHT E S, CHRISTOPHER D M. Validation of a reduced-order jet model for subsonic and underexpanded hydrogen jets[J]. International Journal of Hydrogen Energy, 2016, 41(2): 1348-1358. DOI:10.1016/j.ijhydene.2015.10.071 |
| [9] |
王振华, 蒋军成, 尤飞, 等. 高压氢气储运设施泄漏喷射火过程预测模型及其验证[J]. 化工学报, 2021, 72(10): 5412-5423. WANG Z H, JIANG J C, YOU F, et al. Prediction model for the process of jet fire induced by the leakage of high-pressure hydrogen storage and transportation facilities and its validation[J]. CIESC Journal, 2021, 72(10): 5412-5423. (in Chinese) |
| [10] |
GROTH K M, HECHT E S. HyRAM: A methodology and toolkit for quantitative risk assessment of hydrogen systems[J]. International Journal of Hydrogen Energy, 2017, 42(11): 7485-7493. DOI:10.1016/j.ijhydene.2016.07.002 |
| [11] |
WANG L, ZHANG J X, WANG H, et al. Hydrogen leakage risk assessment of HECS based on dynamic bayesian network[J]. International Journal of Hydrogen Energy, 2024, 78: 256-267. DOI:10.1016/j.ijhydene.2024.06.280 |
| [12] |
LI Y T, YU L, JING Q. Dynamic risk assessment method for urban hydrogen refueling stations: A novel dynamic Bayesian network incorporating multiple equipment states and accident cascade effects[J]. International Journal of Hydrogen Energy, 2024, 54: 1367-1385. DOI:10.1016/j.ijhydene.2023.11.324 |
| [13] |
ZHANG J X, SHI M H, LANG X S, et al. Dynamic risk evaluation of hydrogen station leakage based on fuzzy dynamic Bayesian network[J]. International Journal of Hydrogen Energy, 2024, 50: 1131-1145. DOI:10.1016/j.ijhydene.2023.10.005 |
| [14] |
KHAKZAD N, KHAN F, AMYOTTE P, et al. Domino effect analysis using bayesian networks[J]. Risk Analysis, 2013, 33(2): 292-306. DOI:10.1111/j.1539-6924.2012.01854.x |
| [15] |
WU X G, HUANG H R, XIE J Y, et al. A novel dynamic risk assessment method for the petrochemical industry using bow-tie analysis and Bayesian network analysis method based on the methodological framework of ARAMIS project[J]. Reliability Engineering & System Safety, 2023, 237: 109397. |
| [16] |
伍东, 宋文华, 张茹, 等. 火电厂氢气储罐火灾爆炸危险性分析[J]. 消防科学与技术, 2008, 27(11): 847-851. WU D, SONG W H, ZHANG R, et al. Analysis on hydrogen-holder fire explosion hazard of thermal power plants[J]. Fire Science and Technology, 2008, 27(11): 847-851. DOI:10.3969/j.issn.1009-0029.2008.11.020 (in Chinese) |
| [17] |
张迁, 刘鑫, 王冰, 等. 复杂风速风向与事件树下储罐区多米诺事故分析[J/OL]. 化工进展, 2024: 1-20. (2024-04-22)[2024-09-18]. https://link.cnki.net/doi/10.16085/j.issn.1000-6613.2024-0146. ZHANG Q, LIU X, WANG B, et al. Quantitative analysis of domino effects in large tank farms urnder various wind conditions and accident scenarios[J/OL]. Chemical Industry and Engineering Progress, 2024: 1-20. (2024-04-22)[2024-09-18]. https://link.cnki.net/doi/10.16085/j.issn.10006613.2024-0146. (in Chinese) |
| [18] |
WEST M, AL-DOURI A, HARTMANN K, et al. Critical review and analysis of hydrogen safety data collection tools[J]. International Journal of Hydrogen Energy, 2022, 47(40): 17845-17858. DOI:10.1016/j.ijhydene.2022.03.244 |
| [19] |
国家市场监督管理总局, 国家标准化管理委员会. 危险化学品生产装置和储存设施外部安全防护距离确定方法: GB/T 37243-2019[S]. 北京: 中国标准出版社, 2019. State Administration for Market Regulation, National Standardization Administration. Determination method of external safety distance for hazardous chemicals production units and storage installations: GB/T 37243-2019[S]. Beijing: China Standard Press, 2019. (in Chinese) |
| [20] |
中华人民共和国工业和信息化部. 石油化工过程风险定量分析标准: SH/T 3226—2024[S]. 北京: 中国石化出版社, 2024. Ministry of Industry and Information Technology. Standard for quantitative analysis of petrochemical process risk: SH/T 3226—2024[S]. Beijing: China Petrochemical Press, 2024. (in Chinese) |
| [21] |
UIJT DE HAAG P, ALE B. Guidelines for quantitative risk assessment(Purple book)[M]. The Hague(NL): Committee for the Prevention of Disasters, 2005.
|
| [22] |
AARSKOG F G, HANSEN O R, STR?MGREN T, et al. Concept risk assessment of a hydrogen driven high speed passenger ferry[J]. International Journal of Hydrogen Energy, 2020, 45(2): 1359-1372. DOI:10.1016/j.ijhydene.2019.05.128 |
| [23] |
袁雄军, 朱常龙, 任常兴, 等. 加氢站定量风险分析研究[J]. 可再生能源, 2012, 30(5): 75-79, 83. YUAN X J, ZHU C L, REN C X, et al. Study on quantitative risk analysis of Hydrogen refueling station[J]. Renewable Energy Resources, 2012, 30(5): 75-79, 83. (in Chinese) |
| [24] |
HUANG W, CHEN X W, QIN Y. A simulation method for the dynamic evolution of domino accidents in chemical industrial parks[J]. Process Safety and Environmental Protection, 2022, 168: 96-113. DOI:10.1016/j.psep.2022.09.040 |
| [25] |
ROCOURT X, SOCHET I, PELLEGRINELLI B. Application of the TNO multi-energy and Baker-Strehlow-Tang methods to predict hydrogen explosion effects from small-scale experiments[J]. Journal of Loss Prevention in the Process Industries, 2023, 81: 104976. DOI:10.1016/j.jlp.2023.104976 |
| [26] |
ASSAEL M J, KAKOSIMOS K E. Fires, explosions, and toxic gas dispersions: Effects calculation and risk analysis[M]. Boca Raton: CRC Press, 2010.
|
| [27] |
GROSSEL S S. Guidelines for chemical process quantitative risk analysis: 2nd Edition; By Center for Chemical Process Safety; American Institute of Chemical Engineers, New York, NY, 2000, pp. 750[J]. Journal of Loss Prevention in The Process Industries, 2001, 14(5): 438-439. DOI:10.1016/S0950-4230(01)00002-X |
| [28] |
COZZANI V, ANTONIONI G, SPADONI G. Quantitative assessment of domino scenarios by a GIS-based software tool[J]. Journal of Loss Prevention in the Process Industries, 2006, 19(5): 463-477. DOI:10.1016/j.jlp.2005.11.007 |
| [29] |
WANG X Y, LI B, HAN B, et al. Explosion of high pressure hydrogen tank in fire: Mechanism, criterion, and consequence assessment[J]. Journal of Energy Storage, 2023, 72: 108455. DOI:10.1016/j.est.2023.108455 |
| [30] |
QIAN J Y, LI X J, GAO Z X, et al. A numerical study of unintended hydrogen release in a hydrogen refueling station[J]. International Journal of Hydrogen Energy, 2020, 45(38): 20142-20152. DOI:10.1016/j.ijhydene.2020.05.063 |
| [31] |
HE X, KONG D P, YANG G D, et al. Hybrid neural network-based surrogate model for fast prediction of hydrogen leak consequences in hydrogen refueling station[J]. International Journal of Hydrogen Energy, 2024, 59: 187-198. DOI:10.1016/j.ijhydene.2024.01.328 |
| [32] |
中华人民共和国住房和城乡建设部, 国家市场监督管理总局. 加氢站技术规范(2021年版): GB 50516—2010[S]. 北京: 中国计划出版社, 2010. Ministry of Housing and Urban Rural Development of the People's Republic of China, State Administration for Market Regulation. Technical code for hydrogen fuelling station (2021 Edition): GB 50516—2010[S]. Beijing: China Planning Publishing House, 2010. (in Chinese) |
| [33] |
侯磊, 吴守志, 刘芳媛, 等. 油库池火灾多米诺效应定量分析方法及优选[J]. 中国石油大学学报(自然科学版), 2020, 44(5): 122-130. HOU L, WU S Z, LIU F Y, et al. Quantitative analysis methods and optimization of domino effect triggerred by pool fire in tank farms[J]. Journal of China University of Petroleum (Edition of Natural Science), 2020, 44(5): 122-130. (in Chinese) |