水下采油树系统泄漏风险分析

1、基于网络水下采油树系统泄漏风险分析坤大学机电生山东 青岛266555）安全事故的发生。文章利用故障树与（摘要：为研究水下采油树系统油气泄漏问题，预防网络相结合的，建立了水下采油树系统泄漏的模型，实现了对系统的风险评估。融合先验数据和理论，有效地计算故障的概率分布，并计算底的重要度因子，找相对薄弱环节，实现对水下采油树系统泄漏事故风险的分析。研究结果表明：采用故障树模型和理论的，可以有效地克服传统故障树分析的局限性，而且分析结果与历史统计经验吻合，验证了网络在评估采油树系统泄漏风险分析方面的可行性。所得结论对保证水下采油树系统安全、正常运行具有重要意义。：采油树系统；泄漏；故障树分析；理论；重要

2、度因子号: TE952文献标识码：ARisk Analysis of Subsea X-Tree System leakage Basedon Bayesian NetworksLiu Jian Zhu Yuankun Qin Haozhi Wang Bingxiang XiaoWensheng(College of Mechanical and Electronic Engineering,University of Petroleum QingDao 266555,)Abstract: In order to study the problem of oil leakage in Subs

3、ea X-tree system and prevent theoccurrence of major safety accidents. In this paper, the fault tree and Bayesian network arecombined, By establishing the Bayesian mof Subsea X-Tree System leakage, to achieve therisk assessment of the system. Combining the prior data with Bayesian theory, the probabi

4、lity distribution of system failure can effectively be calculated, the importance factor of each event iscalculated, and then finds out the weak parts of the system, and to realize the risk analysis ofSubsea X-Tree System leakage accident. The results show that the fault tree mand Bayesianmethod can

5、 effectively overcome the limitations of the traditional fault tree analysis method, and the analysis results are in good agreement with the historical statistical experience, which provesthe feasibility of the Bayesian network method in evaluating the leakage risk analysis of the treesystem. Theis

6、of great significance on guaranteeing operation safety of subsea X-tree.Key words: X-tree System; leakage; fault tree analysis; Bayesian theory; importance0 引言近年来，由于陆上石油和天然气资源日益枯竭，许多开始将目光投向海洋。而水下生产系统作为海洋油气资源开采的主要发展模式，近年来国内外对其的研究也越来越多。采油树系统作为深海采的中转站，其研发重心正逐步向适用于深水或超深水油气开发方向发展1。其结构如图 1 所示。，随着海洋油气开发深度的

7、增加以及海洋环境条件的复杂性，采油树正着各种的各样的，其中最重要是其安全和可靠性问题2。而采油树作为深海采油气中转站，因在恶劣环境中（高温高压、强腐蚀、维修等）长期运行工作，因此，采油树系统泄漏风险是相当高的，所以对其开展泄漏风险分析是必不可少的。生产阀环空阀采油树树帽转换阀生产翼阀XOV环空翼阀ASVPSVPWVAWV油管挂生产液接口油管环空接口AMVPMV环空主阀生产主阀采油树连接器井口头井下安全阀SCSSV图 1 立式采油树结构示意图目前，广泛应用于减少海上作业风险分析的技术主要故障树、事故树、可靠性框图、网络（BN）由于灵活的结构故障模式与影响分析、网络以及马尔可夫链等。3等人以及应用

8、概率理论处理不确定性的优势，近年来得到了越来越多的应用。Cai Bao（BN）理论来定量评估三类人为因素导致海上井喷的分析。Wang Guang4应用动态提出一种基于网络（BN）的故障模型，用于复杂天气环境对铁路道岔系统的影响。Bobbio5等人提出了一种将故障树或者动态故障树转化为网络（BN）的算，有效的将法。Maryam Kalantarnia6等人采用理论和失效评估的相结合网络能够实时更新发生的可能性应用于系统的失效概率的计算。1 理论1.1概述网络理论网络（BN）是一个被广泛应用于定量风险分析领域的图形化技术，它是通过有向无环图（directed acyclic graph, DAG）

9、来表示一组随量和条件依赖的概率图模型7。其网络主要包含节点、弧和若干条件概率表（conditional probability table, CPT），其中节点代表变量，而节点间的有向弧代表的是变量之间的因果8。如图 2 所示，给出了一个简单的L1 和 L2 连接。网络例子，节点 A、B 为根节点，C 为子节点，跟节点和子节点是由弧ABL1L2C图 2，一个简单的网络相关随网络例子量 Xi = X1 ,.,X n 的联合概率分布考虑变量的条件依赖P(X)，可以表示为：P ( XiPa ( Xi )P ( X1, XN ) =（1）N )式中， Pa ( Xi ) 表示为变量 Xi (i = 1

10、, n) 所有父节点的集合，而 P ( X1, XN ) 反映网络的特性9。在的是网络中，各节点之间的因果是由条件概率函数决定定理。给定变量 Y，那么 X 的条件概率：的，而条件概率的计算是应用P ( X ) P (Y X ) P (Y )P ( XY ) =（2）1.2故障树理论故障树分析（Fault Tree Analysis，FAT）是一种运用多种图形元素，按发生的逆顺序进行的逻辑演绎法。它反映了故障之间的因果逻辑，各之间是相互的，发生或不发生两种状态，即正常或故障10。虽然 FAT 与 BN 两种分析方所有法类同，但是故障树分析考虑因素多，工作量大，计算繁琐，容易导致较大误差。1.3故

11、障树向网络转化系统建立故障树并转化为 BN，并利用 BN 概率推理求解基本的故障概率，是目前基于 BN 的分析计算的主要研究成果3-6。将故障树向网络转化，其中故障树和网络之间的障树中逻辑门对应是相互对应的，即故障树中的对应网络的节点，而故网络的连接强度，并且网络与故障树各之间的输入、输11。出也是一致的。图 3 给出了故障树与网络一个简单与或门的PrA=1PrB=1PrA=1PrB=1CCABABPrC=1IA=0,B=0=0 PrC=1IA=0,B=1=1 PrC=1IA=1,B=0=1 PrC=1IA=1,B=1=1PrC=1IA=0,B=0=0 PrC=1IA=0,B=1=0 PrC=

12、1IA=1,B=0=0 PrC=1IA=1,B=1=1CCABAB图 3 一个简单与或门的2 实例分析2.1 建立故障树海底采油树系统主要由井口连接器，套管，油管悬挂器，堵塞器，树帽，和各类阀门系统组成12。在正常生产过程中，油气流经井下安全阀和井口连接器到采油树生产通径，然后途径主阀、翼阀，最终转接到生产系统其它。在这个过程中，所有的密封设备处于恶劣环境中，易造成泄漏。为了分析海底采油树系统的油气泄漏，在图 4 所示的故障树逻辑图中列出所有可能会导致海底采油树系统油气泄漏的潜在的危害。为此，我们选择了采油树系统油气泄漏为顶部事件。考虑到海底生产系统本身有冗余设计，故其机械部件本身失效是非常罕

13、见的。所以，本文着重考虑油气生产过程中采油树系统可能出现密封故障、阀门故障和各连接处故障。TM1M2M3M6M7M8M9M10M11X2X3X6M12X4X7X19M13X20X21M16X22X1X2 XX8X9 X10 X11M15X12 X13X14X23X24X25X2 X26X5M17X15X16X17X18图 4 采油树系统的油气泄漏的故障树通过对采油树系统或生产系统油气泄漏的故障基本收集和调查它们失效概率的统计。本主要参考文献13,14,15以及国内油气泄漏方面的据（先验概率），如表 1 所示。意见，汇总出失效概率数3X4M14M4M5表 1 基本及故障概率(Majeed Abi

14、mbola,2015;Won-Woo Yoo,2013;OREDA,2002)部件描述先验概率后验概率部件描述先验概率后验概率T采油树系统泄漏X5阻塞器密封失效1.62E-031.68E-02M1采油树帽泄漏X6生产主阀内部泄漏5.17E-035.36E-02M2采油树阀门泄漏X7节流阀与管道密封失效4.80E-034.98E-02M3连接器泄漏X8生产翼阀内/ 外泄漏1.68E-031.74E-02M4内部采油树帽、顶部阻塞器与件泄漏X9转换阀外泄4.37E-034.53E-02M5树帽和油管挂之间泄漏X10生产抽汲阀内/外泄3.19E-033.31E-02M6主阀未关闭/ 泄漏X11化学注

15、射阀泄漏5.62E-035.83E-02M7节流管线泄漏X12PMV、PWV插头密封失效4.56E-034.73E-02M8井口-采油树连接器X13PMV 密封失效1.03E-031.07E-02M9采油树-跨接管连接器X14PWV 密封失效1.03E-031.07E-02M10树帽泄漏X15转换阀内泄4.37E-034.53E-02M11阻塞器、树帽泄漏X16环空翼阀外/ 内泄漏1.68E-031.74E-02M12主阀上面阀门密封失效X17环空抽汲阀内/外泄2.48E-032.57E-02M13SCSSV 未按要求关闭X18过油管线外泄8.23E-038.54E-02M14阻塞器密封失效X

16、19油管挂本体密封失效5.19E-035.39E-02M15转换阀泄漏X20套管、树体密封失效1.26E-031.31E-02M16SCSSV、PMV、PWV节流阀未按要求关闭X2 1井口连接器密封失效4.16E-034.32E-022.2 构造网络根据转换算法，将图 4 所示的采油树系统的油气泄漏的故障树转化成网络，如图5 所示。从图 5（a）可以看出，故障树顶和基本被转化成相对应的子节点和父节点。并给出子节点的先验概率以及节点之间的条件概率和联合概率分布，并利用（NETICA），完成其系统的网络。从图 5（b）可以看出，在结合表 1 的故障概率（先验概率）以及图 4 故障树模型，并利用，有

17、效的将故障树模型转化为网络。得到完整的采油树系统油气泄漏的网络拓扑。从整个9.63%。网络模型计算可以得知，采油树系统油气泄漏发生的概率为（a）（b）图 5 采油树系统的油气泄漏的网络反向推理分析模型2.3应用网络对采油树系统油气泄漏进行风险评估，是将已知的先验概率作为一组随M17采油树环空泄漏X22跨接管断裂8.12E-048.43E-03X1采油树插头密封失效2.44E-032.53E-02X23节流阀未按要求关闭1.42E-031.47E-02X2、树帽密封失效3.14E-033.26E-02X24SCSSV 未按要求关闭8.54E-038.86E-02X3树帽、油管挂密封失效1.62E

18、-031.68E-02X25跨接管-连接器失效7.35E-037.63E-02X4节流阀密封失效5.26E-035.46E-02X26下部阻塞器密封失效4.80E-034.98E-02量，并按照条件概率的原则对采油树系统油气泄漏进行概率推理，进而分析各个节点对系统的影响程度。底及顶的推理过程16。对图 5 所建立的网络推理能够点与父节点之间双向，即由顶及底和由网络进行反向推理时，是在采油树系统油气泄漏（1）发生故障情况下，各节点发生的后验概率：P ( Xi =aj ,T = 1)P (T = 1)P ( Xi =aj|T=1) =, i = 1, 26, j = 0、1（3）在采油树系统油气泄

19、漏发生故障时，可以利用获得的后验概率，来出各节点及中间节点对系统影响程度，找到其薄弱环节，为后续采油树维修检修提供参考。图 7 给出了各部件故障的先验概率和后验概率的直方图。可看出，X18 和 X24 故障的后验概率最大，因此，通过利用这些后验风险分析提供参考依据。，在实际运行中可以对系统进行或，从而为系统整体图 6采油树系统的网络反向推理1.00E-019.00E-028.00E-027.00E-026.00E-025.00E-024.00E-023.00E-022.00E-021.00E-020.00E+00先验概率后验概率图 7 基本先验概率和后验概率直方图如图 8 所示，给出一年后采油

20、树系统油气泄漏故障的概率。时间节点 0 表示采油树系统油气泄漏事故发生先验发生概率，其余时刻为更新之后的后验概率。随着时间节点不断推移，可以看到一年之后，系统失效的概率增加到 10.99%。X1X4 X7 X10 X13 X16 X19 X22X25失效概率图 8 12后采油树系统油气泄漏故障的概率3 基本重要度分析重要度的意义在于系统发生故障时能有效地查找系统的失效。在网络中，主要是由重要度来表达子节点与父节点的失效，它反映了父节点对子节点影响的重要程度17。由于网络本身具有良推理能力，可以很容易对父节点 Xi 进行重要度分析。为此本文将重要度因子定义为：a = PYES - pi 100%

21、（4）ipYES其中， ai 表示父节点 Xi 的重要度因子； pYES 表示父节点 Xi 发生节点（顶）发生的概率； pi 表示父节点 Xi 不发生节点（顶）发生的概率。根据式（4），得到父节点的重要度因子如图 8 所示。重要度因子图 9 基本故障重要度因子由图 9 可看出，X18、X24 为相对薄弱的环节，是最有可能造成采油树系统的油气泄漏故障的4 结论。分析结果与前者后验概率分析结果相同，符合常理。本研究基于网络对水下采油树系统油气泄漏问题进行了分析。首先，建立油气泄漏风险的故障树，并应用意见，利用网络对所建立的故障树进行转化；其次，结合先验概率以及NETICA 计算采油树系统故障的概率

22、分布，找的薄弱点；最后，通过对基本重要度因子的分析，实现了系统中相对薄弱环节的准确定位。通过研究采油树系统泄漏的故障问题，对水下采油树系统长时间安全、正常作业具有重要意义。参考文献.水下采油树发展现状研究J.石油矿场机械, 2015(6):6-13.1,Lu P W,Yuan X B.Research of D evelopm entStatus ofSubsea TreeJ. Oil Field Equipment, 2015(6):6-13.2 Gundersen D H Z. Evaluation of a Subsea Tree After 20 Years ProductionJ.

23、1984.3 Cai B, Liu Y, Zhang Y, et al. A dynamic Bayesian networks ming of human factors onoffshore blowoutsJ. Journal of Loss Prevention in the Process Industries, 2013, 26(4):639649.4 Wang G,Xu T,Tang T,et al. A Bayesian Network mfor prediction of weather-relatedfailures in railway turnout systemsJ.

24、 Expert Systems with Applications, 2016, 69:247-256.5 Bobbio A, Portinale L, Minichino M, et al. Improving the analysis of dependable systems bymapfault trees into Bayesian networksJ. Reliability Engineering & System Safety, 2001,71(3):249-260.6 Kalantarnia M, Khan F, Hawboldt K. Dynamic risk assess

25、ment using failure assessment and Bayesian theoryJ. Journal of Loss Prevention in the Process Industries, 2009, 22(5):600-606.7 Jensen F V. Bayesian Networks and Decision Graphs, -2 ed.M. Springer New York, 2007.8,胜,.基于 3 层网络的变压器综合故障J.高电压技术, 2013,39(2):330-335.Bai C F,Gao W S,Jin L.Integrated Diagno

26、sisof Transformer Faults Based onThreelayer Bayesian NetworkJ. High Voltage Engineering, 2013, 39(2):330-335.9 Abimbola M, Khan F, Khakzad N, et al. Safety and risk analysis of managed pressure drillingoperation using Bayesian networkJ. Safety Science, 2015, 76(1):133-144.机械可靠性理论应用M.机械工业10,2011.Mou

27、Z Z. Mechanical ReliabilityTheoryMethodsApplicationsM.Machine Press.201111 Bobbio A, Portinale L, Minichino M, et al. Improving the analysis of dependable systems bymapfault trees into Bayesian networksJ. Reliability Engineering & System Safety, 2001,71(3):249-260.12 Guan Yaohua, Luo Jianmei. Risk analysis of subsea x-ma