2. 天津海事局船员考试中心, 天津 300451;
3. 中海石油环保服务有限公司, 天津 300451;
4. 国家安全水运中心, 湖北 武汉 430062
2. Seafarers Examination Center, Tianjin Maritime Safety Administration, Tianjin 300456, China;
3. COES, Tianjin 300456, China;
4. National Engineering Research Center for Water Transport Safety, Wuhan 430063, China
环渤海作为我国北方经济、文化最发达的地区,具有三面环陆,东面通过渤海海峡与黄海相连的半封闭特点,其海水循环周期大约需要40~200年,自身的纳污净化能力非常有限。渤海是我国最早进行油气开发的海域,物探工作开展最早、钻井数目最多、建成的固定生产平台占全国同类平台总数的90%以上[1]。渤海海域日益频繁的海上油气作业、储运等导致本海域溢油污染的风险日益增加。同时,随着环渤海地区及其经济腹地的经济迅速增长,越来越高的通航密度使得渤海海域发生船舶交通事故、船舶与海上石油设备的碰撞事故频率越来越高,进一步加大了本海域溢油风险。据中海石油环保服务有限公司统计,2002年-2013年,该公司共处置溢油事件27次,其中渤海区域18次、南海西部5次、南海东部3次、东海1次[2]。可见,渤海是我国海上生态环境最为脆弱,海上溢油风险最高,针对石油污染的自身纳污净化能力最差的海域,建立一个布设合理、资源分配合理以及应急迅速有效的环渤海海上溢油应急服务网络,是应对本海域日益严峻的溢油风险的重要举措。
国外学者20世纪70年代开始应急基地选址研究。Araz C等[1]研究了基于模糊多目标覆盖的应急基地设置的问题,该研究主要侧重于应急资源的配置,未对应急基地的设置及选址进行深入研究。近年来国内学者也开展了相关的研究,朱燕等[3]提出了一种结合定性和定量分析的通用航空应急应急基地的资源配置及选址方法,确定了应急基地的数量,对应急基地和受灾点的救援服务关系进行网络布局,未对各应急基地之间的协同进行系统深入研究。与国外研究相比,国内对应急基地选址问题研究大多未考虑应急资源应用效率以及应急基地之间的协作因素,相关研究工作多集中在陆上应急基地选址问题上,对于海上应急基地选址的研究还不够深入。本文在国内外研究的基础上,分析对比不同的研究方法,提出一种基于遗传算法的溢油应急基地的优化选址方法,以期为我国海上溢油应急基地的选址提供理论与技术参考。
1 渤海海域溢油风险分析溢油风险分析是溢油应急体系中的重要组成部分,也是应急基地布设、应急资源配置和应急策略的主要依据。
1.1 渤海海域溢油源分析根据调研,渤海海域溢油源主要包括:
1)海上石油设施溢油。海上石油设施指从事海上石油天然气勘探、开发生产作业的海上移动式钻井平台(包括钻井船)、海上固定式平台、单点系泊、浮式生产储油装置、海底管线等。渤海海域现有平台共128座,FPSO六艘,油气管线177条/1 653公里,油品储罐32座。根据规划,渤海海域在2013年-2030年,将新建平台累计205座,年均探井、钻井数约70口,开发钻井和调整井总数约423口,石油产量将突破5 000万方/年,新铺设海底油气管道1 890 km[2]。海上石油设施的破损、密封不良、火灾与爆炸、操作失误、井喷等均会导致溢油事件,海上石油设施是溢油事件的主要风险源。
2)海上石油作业溢油。海上石油作业包括石油勘探、开采、石油储运、石油产品的炼制等相关的工作。海上石油作业溢油是在进行石油相关作业过程中发生的溢油,其主要原因是作业者的环保意识不强、思想麻痹大意、操作不规范、误操作等人为因素所致[3]。
3)海上交通运输溢油。船舶发生油污染事件可分为两大类:人为失误或有意行为引发的操作性溢油事件,即船员不遵守有关规定,违章排放舱底水、污油、废机油等,或因装卸油时的工作失误,错开阀门或法兰盘接头脱落,加油时满舱外溢或输油管破裂等原因造成的污染;海损事件引发的事件性溢油事件,即船舶因发生碰撞、搁浅、触礁、着火爆炸等意外事件,造成货油或燃油大量泄漏导致的突发性溢油事件。随着环渤海及其辐射区域的经济增长,渤海海上交通日趋繁忙,船舶溢油事件的发生率越来越高。
4)终端码头及沿岸溢油。终端码头是石油、天然气储运的中转站。石油、天然气经海上开采及海底输送管线到达终端码头,然后被输送到相关的炼油企业。目前环渤海地区拥有陆上终端5座。另外,渤海沿岸有大小港口近百个,沿岸分布着数百家石油相关企业。同时,黄河、小清河、海河、大辽河、滦河等40多条河流常年注入渤海。天津、河北、山东和辽宁沿海城镇工业废水和生活污水直接入海。终端码头、沿岸的石油相关企业等部分渤海沿岸区域面临着较大的溢油风险。
1.2 溢油风险评估事件树分析(event tree analysis,ETA)是一种按事件发展的时间顺序由初始事件开始推论可能的后果,即一种逻辑的演绎法,它在给定一个初因事件的情况下,分析此初因事件可能导致的各种事件序列的结果,从而定性与定量地评价系统的特性[4]。图1为事件树分叉示意图。
|
| 图1 事件树分叉示意图 Fig.1 Bifurcation diagram of ETA |
由图1事件树的发展进程可知,事件F2的发生概率可表示为
PF1=PIS1F2+PIF1F2
(1)
基于ETA方法,本文从探钻溢油、开发钻井溢油、井喷溢油、生产作业溢油、海底油气管道溢油、油品储罐溢油、FPSO溢油、终端码头溢油、海上交通溢油等方面对渤海海域溢油事件的发生概率进行综合评估。评估数据的选取参考了同类海上石油设施、同类作业方式、海上交通所发生溢油事件近10年的历史数据。估算结果如表1所示。
| 类别 | 1 t | 10 t | 100 t | 1 000 t |
| 渤海探钻井溢油率 | 0.014 | 0.007 | 0.004 | 0.002 |
| 渤海开发钻井溢油率 | 0.176 | 0.088 | 0.044 | 0.022 |
| 渤海井喷溢油率 | 0.152 | 0.076 | 0.038 | 0.019 |
| 生产作业溢油率 | 0.494 | 0.050 | 0.005 | <0.001 |
| 海底油气管道溢油率 | 0.031 | 0.011 | 0.003 | <0.001 |
| 油品储罐溢油风险率 | 0.355 | 0.108 | 0.036 | 0.011 |
| FPSO溢油风险率 | 0.050 | 0.015 | 0.005 | 0.001 |
| 终端码头溢油风险率 | 0.348 | 0.055 | 0.009 | 0.001 |
| 海上交通运输溢油率 | 0.516 | 0.154 | 0.007 | 0.002 |
| 合计 | 2.136 | 0.564 | 0.151 | 0.060 |
1)为更直观地了解渤海海域溢油风险状况,表1中溢油事件发生概率换算为n次/年。
2)渤海海域近10年溢油事件数据来源于《中国海油重大海上溢油应急能力建设专项规划报告》(2014年3月)。
3)不同规模的年溢油率是基于溢油源特征及事件树分析的基础上得到。
根据表1风险分析,渤海海域中小规模溢油事故的发生率高达2.7次/年,大规模溢油事故的发生率达0.211次/年;生产作业、海上交通、油品储运等方面溢油发生率较高,且人因因素是发生海上溢油事故的主要原因;开发钻井及井喷造成大型溢油的风险等级较高。
海上油田作为溢油事件的高风险源,与其相关的溢油包括油田开采、原油驳运、石油设施破损、井喷等方面的因素,据相关资料统计,渤海海域近10年溢油事故中的70%跟油田相关[2]。为简化分析,本文以溢油风险等级较高的海上油田为溢油风险分析点,同时,综合考虑渤海海域油田分布集中度、油田作业情况、溢油事件发生频次等方面的因素,将渤海海域等效到8个油田溢油风险点。按就近原则将油田作业、FPSO、终端码头等溢油源等效到相应的溢油风险点。根据港口海上交通运输的繁忙情况及就近原则,将海上交通运输溢油风险等效到相应的溢油风险点。等效后的溢油风险点分布情况如表2所示。
| 溢油事件点 | 溢油事件率 | 符合时间限制的应急队数量/平均到达时间 | 所需应急队/个 |
| 渤中BZ25-1 | 0.461 | 9个/5.37 h | 4 |
| 渤中BZ34-2/4 | 0.406 | 8个/5.25 h | 3 |
| 曹妃甸CFD11 | 0.296 | 6个/4.022 h | 2 |
| 锦州JZ9-3 | 0.339 | 4个/3.885 h | 3 |
| 辽东LD | 0.435 | 6个/5.84 h | 3 |
| 蓬莱PL19-3 | 0.496 | 7个/6.093 h | 4 |
| 秦皇岛QHD32-6 | 0.376 | 6个/4.652 h | 3 |
| 埕北 | 0.298 | 6个/4.064 h | 2 |
表2中应急力量需求是在假设各基地应急力量均等的条件下,根据海上溢油应急作业惯例估算得到。其中应急队伍8 h内到达溢油风险点视为有效救助。溢油点的溢油风险越高、应急队平均到达时间越长,所需应急队越多。
2 渤海海域溢油应急基地费效分析
海上溢油应急基地的费用主要包括应急设备及耗材费用、溢油监测设备及仪器费用、专兼职应急人员费用、设备维护保养费用、基地建设与运行费用等。效益的评估主要包括减轻溢油对环境的损害,减少油污清除的费用及对第三者的赔偿责任,减轻海上石油设施或船舶等财产损害及增加设施或船舶的预期寿命,减少溢油或应急造成的人员伤亡,提高设备的利用率等方面的获益。渤海海域应急基地的费效分析主要是借助于定量分析的手段,对效益及风险降低值进行处理,使他们能够变成可衡量的指标,进而研究应急基地的建设、运行成本及获益的问题。为了使各应急基地建设运行费用和效益具有可比性,这里引入总灾难转移费用(GCAF)指标[5, 6]。
GCAF=ΔC/ΔR
(2)
目前渤海地区已建成了绥中、塘沽、龙口3个溢油应急基地,其溢油回收能力926 m3/h,一次性溢油清除能力达到1 460 m3,形成了对渤海辽东湾、渤中区域、渤西区域的溢油应急网络。然而,一旦海上溢油漂向东部区域,目前的3个基地都存在距离远、响应时间长等不利因素。另外,考虑到渤海海域溢油风险的增加,气象、海况等条件对应急工作的不利影响。目前的3个基地无法实现对渤海海域溢油有效应急的全面覆盖。本文基于渤海周边城市分布,在现有3个基地的基础上,列出了11个备选应急基地。综合考虑应急基地建设费用、运行成本、基地利用率等指标,对溢油应急基地进行费效分析,表3为备选基地情况。
| 基地名 | 基地总费用/(百万元·a-1) | 处理溢油事件率 | 处理溢油/(t·a-1) | GCAF |
| 秦皇岛 | 220 | 1.107 | 31.516 | 6.98 |
| 营口 | 187 | 1.641 | 46.736 | 4.013 |
| 京唐 | 439 | 2.572 | 73.225 | 5.995 |
| 锦州 | 176 | 0.774 | 22.036 | 8 |
| 黄骅 | 274 | 1.921 | 54.691 | 5.018 |
| 莱州 | 272 | 1.363 | 38.804 | 7.01 |
| 潍坊 | 285 | 1.661 | 47.289 | 6.027 |
| 东营 | 332 | 2.333 | 66.421 | 4.998 |
| 曹妃甸 | 465 | 2.333 | 66.421 | 7 |
| 葫芦岛 | 176 | 0.774 | 22.036 | 7.987 |
| 大连 | 193 | 2.263 | 64.45 | 2.989 |
| 注:表中统计数据参照《中国海油重大海上溢油应急能力建设专项规划报告》(2014年3月)。 | ||||
渤海海域溢油应急基地优化选址的含义为:针对渤海海域溢油事故风险的特点及应急需求的特征,建立跨区域的协同应急机制,确保在本海域溢油事故发生后,相关应急力量能在最短的时间内到达事故发生点,并对溢油事故进行有效地应急。本文在对渤海海域可能发生溢油事故的海域进行系统分析的基础上,针对渤海周边可建立应急基地的具体情况进行初步分析,提出本海域溢油事故应急基地的优化选址方法,实现应急工作全覆盖、应急成本最小化的要求[7]。
基于溢油应急服务的特点,当某海域内任何地点发生溢油事故时,应急队能在最短的时间内到达溢油海域进行应急服务。在满足时间紧迫性的前提下,要求有效应急的运行费用最小。为便于分析,令F=F1,F2,…,Fm,其中Fi(i=1,2,…,n)为溢油事故点;令S=S1,S2,…,Sn,其中Sj(j=1,2,…,n)为可能的溢油事故应急点,tij表示从应急点Sj到达事故点Fi之间的最短时间,由于时间受海况、气象、潮流等因素的影响,这里tij设为随机变量,则可建立以下溢油应急基地多目标优化选址模型:
$$\left\{ {\matrix{
{\min } & {f\left( {{X_1},{X_2}, \cdots ,{X_n}} \right) = \sum\limits_{j = 1}^n {{C_j}{X_j}} } \cr
{s.t.} & {\Pr \left( {{t_{ij}} \le {t_i}} \right) \ge {\gamma _i}\left( {\exists \in \theta \left( X \right),i = 1,2, \cdots ,m} \right)} \cr
{{X_j} = \left\{ {0,1} \right\},} & {j = 1,2, \cdots ,n} \cr
} } \right.$$
(3)
基于以上分析对于任意的Sj∈S称NSj=Fi|αij,i、j=1,2,…,m为应急点Sj可提供的服务集。设J=1,2,…,n,若J*⊆J,满足$\mathop \cup \limits_{j \in J*} $NSi=F,则称J*覆盖F,或者J*为F的一个覆盖。
$$令{\alpha _{ij}}\left\{ {\matrix{ {1,} & {\Pr \left( {{t_{ij}} \le {t_i}} \right) \ge {\gamma _i}} \cr {0,} & {\left( {{t_{ij}} \le {t_i}} \right) \le {\gamma _i}} \cr } } \right.$$
基于以上假设,式(4)模型可以看作取F的一个覆盖,即$\mathop \cup \limits_{j \in J*} $NSi=F,且$\sum\limits_{j \in J*} {{C_j}} $最小。给定J*⊆J,则可定义一个n维0-1向量X=(X1,X2,…,Xn)T如下:令
$${X_j} = \left\{ {\matrix{
{1,} & {j \in J*} \cr
{0,} & {j \notin J*} \cr
} } \right.$$
反之,给定一个n维0-1向量X=(X1,X2,…,Xn)T,则可定义集合J*=j|Xj=1,1≤j≤n⊆J。设J*⊆J,A=(αij)m×n则当J*是F的一个覆盖时,有$\mathop \cup \limits_{j \in J*} $NSi=F,从而对于任意的Fi∈F,存在j∉j*,使得Fi∈N(Si),即对于任意i,存在J*⊆J,且Xj=1,即对于任意i有AX≥I(其中I=(1,1,…,1)T);相反,对于一个 n维0-1向量X=(X1,X2,…,Xn)T,对于任意i有AX≥I,逆推回去,则有向量X=(X1,X2,…,Xn)T所定义的集合J*是F的一个覆盖。此时,式(3)可转化为集合覆盖模型:
$$\left\{ {\matrix{
{z = \min \sum\limits_{j = 1}^n {{C_j}{X_j}} } \cr
{\sum\limits_{j = 1}^n {{\alpha _{ij}}{x_j} \ge 1,i = 1,2, \cdots ,m} } \cr
{{x_j} \in \left\{ {0,1} \right\},j = 1,2, \cdots ,n} \cr
} } \right.$$
(4)
经过上述变换,可将海上溢油事件应急服务设施点的选取问题转化为一个典型的多目标优化问题。传统的求解多目标优化问题的方法主要是将各子目标聚合成一个带正系数的单目标函数,利用成熟的单目标优化问题的求解方法求解。而遗传算法是着眼于所有个体形成的集合,是求解多目标优化问题最优解集合的有效手段。本文将渤海海域溢油应急基地选址问题转化为多目标优化问题,并采用遗传算法进行优化求解,具体步骤如下:
1)目标函数的建立。基于渤海海域溢油应急基地优化选址问题,建立以下目标函数及约束条件。
$$\left\{ {\matrix{
{z = \min \sum\limits_{j = 1}^n {{C_j}{X_j}} ,i = 1,2, \cdots ,m} \cr
{\sum\limits_{j = 1}^n {{\alpha _{ij}}{x_j} \ge b,i = 1,2, \cdots ,n} } \cr
} } \right.$$
(5)
2)参数设定。由表3中各应急基地GCAF可得:C=(6.98,4.013,5.995,8,5.018,7.01,6.027,4.998,7,7.987,2.989);由表2应急队需求数减去已建立并符合时间要求的救援队数,可得各救援点应急力量需求向量b=(2,2,1,2,2,3,2,1);基于事件点的时间上限(t=8 h)及应急点到达事件点的时间关系,可得转化后的时间系数矩阵A: $$A = \left[ {\matrix{ 0 & 0 & 1 & 0 & 0 & 0 & 1 & 0 \cr 0 & 0 & 0 & 1 & 1 & 0 & 0 & 0 \cr 1 & 1 & 1 & 0 & 1 & 1 & 1 & 1 \cr 0 & 0 & 0 & 1 & 1 & 0 & 0 & 0 \cr 1 & 1 & 1 & 0 & 0 & 0 & 1 & 1 \cr 1 & 1 & 0 & 0 & 0 & 1 & 0 & 0 \cr 1 & 1 & 0 & 0 & 0 & 1 & 0 & 1 \cr 1 & 1 & 1 & 0 & 0 & 1 & 1 & 1 \cr 1 & 1 & 1 & 0 & 0 & 1 & 1 & 1 \cr 0 & 0 & 0 & 1 & 1 & 0 & 0 & 0 \cr 1 & 1 & 0 & 0 & 0 & 1 & 0 & 0 \cr } } \right]$$
3)遗传算法求解。基于遗传算法原理[8, 9, 10, 11],采用MATLAB语言编制算法程序。通过程序对环渤海地区溢油应急基地的选址问题进行优化求解。对算法的50 、100、150、200代种群进行比较,其优化计算结果如表4所示,计算过程中解及种群均值的变化如图2所示。
| 50 代 | 100 代 | 150 代 | 200 代 | |
| 秦皇岛 | 0 | 0 | 0 | 0 |
| 营口 | 1 | 1 | 2 | 2 |
| 京唐 | 1 | 0 | 0 | 0 |
| 锦州 | 1 | 1 | 0 | 0 |
| 黄骅 | 0 | 0 | 0 | 0 |
| 莱州 | 0 | 0 | 0 | 0 |
| 潍坊 | 0 | 0 | 0 | 0 |
| 东营 | 1 | 2 | 2 | 2 |
| 曹妃甸 | 0 | 0 | 0 | 0 |
| 葫芦岛 | 0 | 0 | 0 | 0 |
| 大连 | 1 | 1 | 1 | 1 |
| GCAF | 25.995 | 24.998 | 21.011 | 21.011 |
| 注:1.表示在该处建立溢油应急基地;2.表示该基地应急力量加倍。 | ||||
|
| 图2 遗传算法解及种群变化 Fig.2 Genetic algorithm solutions and changes of population |
由表4可以看出,为应对渤海海域日益增加的溢油风险需求,可考虑在东营、营口、大连3个地方规划建设溢油应急基地,进而提高渤海海域溢油应急的覆盖能力,实现各基地的有效联动。
由图2可以看出,遗传代数设置太少,算法没有完全收敛,计算结果有一定偏差。实际应用中可适当增加遗传代数,确保算法完全收敛。
4 结论1)渤海是我国海上生态环境最为脆弱,海上溢油风险最高,针对石油污染的自身纳污净化能力最差的海域。渤海地区现有的绥中、塘沽、龙口3个溢油应急基地无法实现对渤海海域溢油有效应急的全覆盖,难以应对该海域日益增加的溢油风险需求。
2) 基于遗传算法的多目标优化选址分析表明,可考虑在东营、营口、大连3个地方规划建设溢油应急基地,进而提高渤海海域溢油应急的覆盖能力,实现各基地的有效联动。
3)与国内外其他学者的研究相比,综合考虑各应急基地之间的协同,同时对溢油应急反应进行了费效分析,在对渤海海域可能发生溢油事故的海域进行系统分析的基础上,提出本海域溢油事故应急基地的优化选址方法,实现应急工作全覆盖、应急成本最小化的要求。
4)在研究中假定各溢油风险点在溢油发生后,油膜未发生大范围的漂移,在今后的研究工作中需要考虑在风和流的驱动下,预测油膜位置,进而使研究结果更加的精准。
5)基于遗传算法的溢油应急基地选址优化研究能有效解决基地的使用频率、基地之间的协调,基地设置的成本效益等关键问题,可为渤海海域溢油应急基地的选址优化提供有益参考。
| [1] | 天津海事局. 天津市防治船舶溢油污染海洋环境应急能力建设专项规划[R]. 天津: 天津海事局, 2014. |
| [2] | 中海石油环保服务有限公司. 加强中国海油溢油应急能力建设报告[R]. 天津: 中海石油环保服务有限公司, 2014. |
| [3] | BADRI M A, MORTAGY A K, ALSAYED C A. A multi-objective model for locating fire stations[J]. European journal of operational research, 1998, 110(2): 243-260. |
| [4] | 朱燕, 邵荃, 贾萌, 等. 通用航空应急救援点布局方法研究[J]. 河南科学, 2015, 33(2): 265-270. ZHU Yan, SHAO Quan, JIA Meng, et al. Research on the layout of general aviation rescue point[J]. Henan science, 2015, 33(2): 265-270. |
| [5] | 杨玉峰, 苗韧, 安琪, 等. 墨西哥湾漏油事件因果分析及对我国的启示和建议[J]. 中国能源, 2010, 32(8): 13-17. YANG Yufeng, MIAO Ren, AN Qi, et al. The Gulf of Mexico oil spill event causal analysis and to our country enlightenment and suggestions[J]. China energy, 2010, 32(8): 13-17. |
| [6] | IMO. Guidelines for formal safety assessment (FSA) for use in the IMO rulemaking process[S]. London: IMO, 2012. |
| [7] | 于海洋. 海上移动式平台综合安全评价的研究[D]. 大连: 大连海事大学, 2008. YU Haiyang. Study on the comprehensive safety evaluation of offshore mobile platform[D]. Dalian: Dalian Maritime University, 2008. |
| [8] | BUCHANAN J M. Cost and Choice[M]. Chicago: The University of Chicago Press, 1999. |
| [9] | SRINIVAS N, DEB K. Muiltiobjective optimization using nondominated sorting in genetic algorithms[J]. Evolutionary computation, 1994, 2(3): 221-248. |
| [10] | SINGH S B, AMBHAIKAR A, ALGORITHM G, et al. Optimization of Routing Protocol in MANET Using GA[M]. Saarbrucken: LAP Lambert Academic Publishing, 2013. |
| [11] | 马昌威. 多目标优化问题的遗传算法改进研究[J]. 电子设计工程, 2014, 22(11): 145-147. MA Changwei. Improvement of genetic algorithm for multi-objective optimization problem[J]. Electronic design engineering, 2014, 22(11): 145-147. |


