劉美晨，劉鵬，王海清，劉蔭

（1 中國石油大學安全科學與工程系，山東 青島 266580；2 國家管網(wǎng)東部原油儲運有限公司鄒城輸油處，山東 鄒城 273500）

保護層分析（layer of protection analysis，LOPA）是一種半定量的風險分析方法，因其對化工工藝和裝置的風險分析有效性，在石化行業(yè)得到廣泛應用，是目前主要的風險評估方法之一。LOPA 通過場景后果的發(fā)生頻率以及嚴重程度大小表征場景的風險大小。在選擇合適的場景后，通過對比目前已有的安全措施并結合廠區(qū)對風險的容忍程度判斷是否需要采取其他措施降低場景后果的發(fā)生頻率或后果的嚴重程度，從而確保生產(chǎn)過程的平穩(wěn)運行。但LOPA 不是識別危險場景的工具，因此需要可靠的場景篩選方法來確保LOPA分析的正確執(zhí)行[1]。

國外關于事故場景的研究起步較早，自印度博帕爾事件發(fā)生后，最壞事故場景成為研究重點，即不考慮場景后果發(fā)生頻率，僅將后果嚴重程度作為場景選擇的標準[2]。1986年，美國環(huán)保署建議當?shù)貞庇媱澪瘑T會根據(jù)最壞事故場景制定應急計劃；1990年，美國清潔空氣法修正案（CAAA）要求企業(yè)建立最壞事故場景相關的風險管理計劃。不少學者根據(jù)最壞事故場景進行風險分析，Díaz-Ovalle等[3]根據(jù)最壞事故場景對廠區(qū)布局進行規(guī)劃設計，避免因最小距離方法產(chǎn)生的風險；Meysami 等[4]根據(jù)有毒及可燃氣體泄漏后的最壞事故場景進行探測器的布置；Shariff 等[5]提出，為降低有毒氣體泄漏產(chǎn)生的影響，可在基于最壞事故后果場景的前提下，在設計階段對廠區(qū)進行本質安全設計，但最壞事故場景可能會造成事故風險的過高估計。

此后，Khan 等[6-7]提出了可信事故場景以及最大可信事故場景的概念，并給出了場景選擇的方法。在考慮現(xiàn)有措施對場景后果發(fā)生頻率及后果影響的前提下，對各種可能的場景進行篩選，確定可信事故場景，并在此基礎上進行比較，得到最大可信事故場景[8]。與最壞事故場景相比，該方法全面考慮了各類影響因素進行場景篩選，但其計算過程復雜且由于計算時采用場景后果發(fā)生頻率與后果影響范圍的乘積確定可信因子，容易發(fā)生極端場景被忽略的情況，即場景后果發(fā)生頻率大但后果嚴重性相對較小或后果很嚴重而后果發(fā)生頻率很小的場景在不滿足風險需求的條件下被忽略。2006 年，歐盟發(fā)起的ARAMIS[2]（工業(yè)意外事故風險評價體系）項目中提出了參考事故場景的概念，首先識別重要事故，然后從系統(tǒng)內部分析事故的起因及發(fā)生可能性，進而辨識出考慮安全系統(tǒng)的參考事故場景。辨識事故場景是風險評價的關鍵，合理的事故場景使風險評價更有意義。Baybutt[1]對影響場景識別的完整性的原因進行分析，其中包括采取的方法及研究時的人員經(jīng)驗及行為，并針對性地提出了建議。

國內關于事故場景的研究起步較晚，但近年來不少學者也積極開展有關事故場景相關的研究。納永良等[9]對危險劇情即危險場景進行了定義，深入揭示了危害場景的核心內容；趙桂利[10]對最壞事故場景、最大可信事故場景和參考事故場景進行研究，分析了每種事故場景應用于風險評價的優(yōu)缺點，并介紹分析了3種事故場景的確定方法及使用情況；劉禹彤等[11]根據(jù)歐盟ARAMIS 項目框架下提出的MIMAH（辨識重要危險方法）對事故場景進行描述，從而使事故場景的辨識更加具有針對性、系統(tǒng)性，但該方法將部分風險較低的場景辨識出，不能篩選出針對LOPA 分析的場景；孟亦飛等[12]通過對石化行業(yè)常見事故場景發(fā)生后的后果量級的計算，并給出了各類布局安全設計中需要考慮的事故場景；宋占兵等[13]對最壞事故場景的確定方法進行了簡要描述，并在最壞事故場景的前提下對廠區(qū)的選址可行性進行分析?？梢钥闯?，盡管目前涉及事故場景應用的研究較多，但目前仍未有詳細的研究提出適用于LOPA分析的場景篩選方法。由于最壞事故場景是根據(jù)已有資料信息及專家判斷得到，相較于最大可信事故場景的篩選方法更容易獲取，因此工程實踐中進行LOPA分析時往往使用最壞事故場景方法。但場景作為LOPA分析的基礎，場景篩選的可靠性及全面性對后續(xù)分析的合理性有較大影響，采用最壞事故場景方法影響了LOPA分析的可靠性。

此外，目前進行LOPA 分析時采用HAZOP 進行場景的辨識，容易忽視使能事件和修正因子對場景的影響，從而降低風險評估的客觀性以及準確性，且HAZOP 方法用于災害識別時不能很好展示同一損失事件下場景之間的關系[14]。

為克服以最壞事故場景為基礎的場景辨識及篩選方法造成的結果不可信問題，通過分析總結已有成果提出基于簡化Bow-tie 模型的最大可信事故場景辨識及篩選的方法，首先對Bow-tie 模型進行簡化，不僅可以對可能發(fā)生的事故場景進行全面辨識，計算過程也更為直觀；再利用簡化模型得到所有可能的事故場景后，在最大可信事故場景篩選方法的基礎上進行改進，降低篩選方法復雜程度的同時提高場景篩選結果的可靠性，并以某商儲庫105m3原油儲罐為例對該方法進行說明，在得到篩選后的場景列表后，與Risk Analysis Screening Tool（RAST）軟件得到的分析結果進行對比，以驗證篩選方法的可靠性。

1 危害場景術語及定義

保護層分析（LOPA）方法應用導則[15]（AQ/T 3054—2015）中將場景定義為：可能導致不期望后果的一種事件或時間序列。每個場景描述中至少包含兩個要素：初始事件及其后果，此外還有可能含有損失事件及使能事件，場景的組成結構如圖1所示。在進行LOPA分析時，場景應滿足以下基本要求：①每個場景應有唯一的初始事件及其對應的單一后果；②當同一初始事件導致不同后果時，或多種初始事件導致同一后果時，應假設多個場景；③當場景中存在使能事件時，應將其包含在場景中。

圖1 場景的組成

將構成分析場景的各部分進行如下的解釋。

（1）初始事件（initiating event） 又稱為啟動事件或引發(fā)事件，是導致事故場景的初始原因。主要有三類：外部事件、設備故障以及人為失誤。

（2）使能事件[16]（enabling condition） 又稱為使能條件，某個并不是失效、錯誤或者保護層但將事故序列轉變?yōu)樽罱K后果的必須條件，是由一個不直接導致事故場景的事件或操作組成。例如，一些間歇生產(chǎn)過程的化學反應中可能會出現(xiàn)反應飛溫，但反應飛溫僅在間歇操作的第一個步驟過程中發(fā)生冷卻系統(tǒng)故障才會導致飛溫，其他步驟中發(fā)生冷卻系統(tǒng)故障則不會導致反應飛溫。此時，反應處于間歇操作第一個步驟則是事故發(fā)生的使能事件，操作中第一個步驟的時間比例可以作為使能事件發(fā)生概率。

（3）損失事件（loss event） 異常情況下發(fā)生不可逆事件，該事件可能會造成損失和危害影響。例如釋放有害物質、點燃易燃蒸氣或可燃粉塵云以及罐或容器的過壓破裂。

（4）后果（consequence） 由于上述事件對人員、設備、環(huán)境及企業(yè)聲譽造成的影響，是事件潛在影響的度量，同一初始事件可能有一種或多種后果。

2 Bow-tie 模型在LOPA 場景辨識及篩選中的應用

2.1 Bow-tie模型及其簡化

Bow-tie 模型又稱為安全屏障模型，是一種綜合性的風險分析方法，如圖2 所示，簡化前的Bow-tie 模型主要組成部分包括事故起因、事故前的預防措施、危害事件、事故后的控制措施以及事故后果五個要素。以危害事件為中心，危害事件以左為事故樹，列出可能導致事件發(fā)生的原因以及防止事件發(fā)生的預防措施，而危害事件右側則以事件樹為基礎，分析事故發(fā)生后的減緩措施以及措施失效所導致的后果。事故樹與事件樹的結合，可以清晰地反映五個要素之間的關系，從而實現(xiàn)事故的詳細描述。因Bow-tie 模型對初始事件、損失事件和后果都進行了充分識別，因此可以與LOPA相結合進行風險分析，目前在化工行業(yè)的風險評估中進行應用，但主要應用于需要進行LOPA分析的場景后果發(fā)生頻率確定及原因分析等方面，而未用于場景的辨識。

圖2 Bow-tie模型簡化

Bow-tie 模型組成要素中的原因、危害事件和后果分別與LOPA場景中的初始事件、損失事件以及事故后果相對應，且模型中的預防措施和控制措施還分別與LOPA分析中的預防型保護層、減緩型保護層相對應。由于LOPA分析時要求考慮場景在無保護層情況下的后果，因此若模型用于場景辨識，需要將Bow-tie 模型進行簡化，即不考慮預防措施及控制措施影響。

如圖2 所示，簡化后的Bow-tie 模型與簡化前的模型相比，除不考慮安全措施的影響外，還將事故樹中的條件事件以及事件樹中的事故發(fā)展分支進行提煉，在模型中單獨考慮：使能條件為事故樹中的條件事件，修正因子則代表事故發(fā)展的分支，例如是否發(fā)生點火（點火概率），是否處于受限空間（危險環(huán)境概率）。對于事故場景的演化過程的詳細展示，有利于全面介紹所有可能事故場景，便于后續(xù)對于場景后果發(fā)生頻率的計算，場景后果發(fā)生頻率為初始事件發(fā)生頻率與使能條件及修正因子的乘積。同一初始事件所造成的不同后果的多個場景可視為一個場景單元，而簡化后的Bow-tie 模型整體可視為場景集合，用于場景辨識及篩選。

2.2 簡化Bow-tie模型的應用方法

2.2.1 場景辨識

（1）確定分析流程關鍵損失事件。損失事件實質是有害物質或能量的意外釋放，可根據(jù)分析流程中主要設備確定關鍵損失事件。歐盟ARAMIS（工業(yè)意外事故風險評價體系）項目提出：在化工領域，最重要的損失事件對于液體來說是泄漏，對固體來說是物質的物理或化學狀態(tài)的改變[17]。設備中的關鍵損失事件[11,18]主要包括：設備或管道小孔泄漏、中孔泄漏、大孔泄漏、設備破裂以及溢流等。涉及設備或管道泄漏，需根據(jù)泄漏孔徑來分析，表1給出了API 581[18]推薦的3種泄漏孔徑和破裂尺寸分類及適用設備。

表1 泄漏及破裂尺寸

（2）確定損失事件的初始事件及事故后果。在確定損失事件后，可利用Bow-tie 模型確定導致?lián)p失事件的初始事件。Bow-tie 模型的左側為事故樹模型，旨在分析系統(tǒng)失效的原因，簡化后的Bow-tie 模型在分析事故原因時，利用事故樹模型分析出導致?lián)p失事件發(fā)生的外部事件、設備故障以及人為失誤三類初始事件即可；同理可用事件樹分析損失事件發(fā)生后可能的事故走向及后果。需要注意的是，由于LOPA需要分析的場景是在初始事件發(fā)生后無任何保護措施的情況下事件可能的發(fā)展趨勢，因此在利用事故樹與事件樹分析初始事件及事件后果時，無需考慮預防型防護措施及減緩型防護措施對于事件發(fā)展趨勢的影響。

（3）確定場景后果發(fā)生頻率及后果嚴重度。在完成步驟（1）、（2）后，可得到初步的場景集合。根據(jù)事故樹確定各類場景后果的發(fā)生頻率，除初始事件的發(fā)生頻率外，還需要判斷各類場景中是否需要應用修正因子及使能條件。使能條件一般與有嚴重后果且操作時間短的工況有關，在各類工況下，只有當使能條件是異常工況轉化為最終后果的必要前提時，才可考慮使能條件。修正因子主要包括危險環(huán)境概率、點火概率、人員暴露概率及傷亡概率等，通常與損失事件發(fā)生后的后果部分相關聯(lián)[16]。使能事件及修正因子一般以概率而不是頻率來表示。

2.2.2 場景篩選

在利用Bow-tie 模型得到初步場景集合后，發(fā)生可能性較小或后果輕微的場景并不需要在LOPA中進行分析。LOPA 僅分析風險較高的場景，因此在對場景進行LOPA分析之前，還需對場景進行篩選。本文基于Khan的最大可信事故場景確定原則，提出了一種新的場景篩選框架和流程方法，明確了篩選步驟的同時降低了前者主觀性，具體步驟如圖3所示。

圖3 場景篩選流程

（1）初步場景篩選。場景初步篩選的目的是將低風險的場景從場景集合中篩除，從后果嚴重度與場景后果發(fā)生頻率兩個方面考慮。對于場景后果發(fā)生頻率，當發(fā)生頻率小于10-6/a 時[6]，由于發(fā)生頻率低，可信度不高，因此不考慮此類場景；對于場景后果嚴重度，不同企業(yè)內對于場景后果嚴重度的可接受程度不同，在滿足裝置或設施的風險基準的前提下，可根據(jù)企業(yè)內部的風險要求進行確定。根據(jù)上述要求初步篩選場景后果不可接受且發(fā)生頻率大于10-6/a的場景。

（2）二次場景篩選。對Bow-tie 模型得到的場景集合完成初步場景篩選后，根據(jù)初始事件對篩選后的場景集合進行分類。場景描述中，初始事件和損失事件相同僅后果不同的場景為一個場景單元，根據(jù)風險的大小對各場景單元中的場景進行選擇。

對于場景風險大小的判斷如式(1)所示，一般取決于場景后果發(fā)生的可能性P及場景后果嚴重度L。

在進行場景篩選時，引入可信度的概念，考慮場景后果發(fā)生頻率及后果嚴重度的影響，確定場景的可信度，步驟如下所示。

①確定各場景后果發(fā)生頻率Ps（考慮修正因子、使能條件）以及各場景的后果嚴重度等級Ls。

②確定各場景后果容許頻率Psi，即在場景當前后果嚴重度的前提下，滿足風險需求的場景后果的最大容許發(fā)生頻率；同時確定各場景的可容忍嚴重度等級Lsi，即當前場景實際后果發(fā)生頻率一定的情況下，后果嚴重度至少降低到哪一等級才能滿足企業(yè)對于風險的需求。

③計算后果嚴重度一定的情況下實際場景后果發(fā)生頻率與滿足風險需求的最大場景后果發(fā)生頻率之間的差距O以及場景后果發(fā)生頻率一定的情況下實際后果嚴重度與可容忍后果嚴重度的等級差S，計算方法分別如式(2)及式(3)所示。

④得到后果嚴重度的等級差S以及后果發(fā)生頻率之間的差距O后，參考最大可信事故場景確定方法計算場景的可信度?？尚哦扰袛嘁罁?jù)Cre如式(4)所示。

式中，μ和θ分別為后果嚴重度與后果發(fā)生頻率對風險的權重影響。利用加權平均方法確定后果嚴重度與后果發(fā)生頻率對風險的指標權重，篇幅所限，本文僅展示最終結果，后果嚴重度與后果發(fā)生頻率對于風險的權重分別為0.566與0.434。

⑤可信度Cre的標準化。在得到各場景的可信度后，若場景單元中場景個數(shù)為1，則該場景的標準化可信度Cstre為1。若場景單元中的場景個數(shù)不為1，確定場景單元中的最大可信度Cre_max以及最小可信度Cre_min，為滿足后續(xù)的篩選需要，此處采用式(5)對數(shù)據(jù)進行標準化。

式中，Cre_i為該場景單元中第i個場景的可信度；Cstre_i該場景單元中第i個場景的標準化可信度。

⑥確定最大可信場景。在得到標準化可信度Cstre_i后，根據(jù)圖4 的可信度分級表[9]確定場景所屬的區(qū)域。0～0.2表示不可信區(qū)域，說明該場景所造成的后果嚴重度相對較小或后果發(fā)生的可能性較小；0.2（含0.2）～0.5表示可信區(qū)域，表示該區(qū)域的場景可能造成足夠的破壞；區(qū)域0.5（含0.5）～1表示最大可信場景，說明該場景極易造成較為嚴重的后果，因此將其確定為最大可信的區(qū)域。若場景的標準化可信度Cstre_i≥0.5，則該場景屬于最大可信場景，需要進行LOPA分析。需要注意的是，可信度標準并不是固定的，分析人員可根據(jù)實際情況制定可信度標準，但對可信度標準的量化需要考慮企業(yè)內部應對場景后果時的資源限制、技術支持以及對風險的容許程度等因素，因此對分析團隊的經(jīng)驗及分析水平要求較高。

圖4 可信度分級

3 案例分析

以某原油商儲庫為例，針對其庫內最為重要的關鍵損失事件“原油儲罐泄漏”，分別采用RAST軟件和本文方法進行危害場景篩選與對比分析，該商儲庫主要為高含硫原油，因此危險物質除可燃的原油外，還包括溶解在原油中的硫化氫等有毒物質。

3.1 RAST軟件的場景辨識與篩選

RAST 是由CCPS 開發(fā)的一款風險分析與評估軟件，利用簡化的方法來量化危害、后果和風險，并與其他軟件的復雜算法相結合，彌補了定性與定量風險評估各自的不足，RAST 具備強大的數(shù)據(jù)庫支撐，因而可信度較高、操作簡便，應用范圍也越來越廣泛。軟件通過回答以下基本問題來進行風險評估：什么是危害；可能出現(xiàn)的問題及潛在的后果；事故發(fā)生可能性的大小以及風險是否可以承受。

RAST 軟件進行場景選擇及LOPA 分析的內部運行原理如圖5所示，分析人員根據(jù)廠區(qū)實際情況輸入信息：廠區(qū)內主要的生產(chǎn)或儲存物質、相關的設備信息，例如設備容積或最大運行壓力等、廠區(qū)布局信息以及過程運行條件的相關信息。輸入必要的信息后，RAST 軟件會通過分析給出火災爆炸分析（FEI&CEI）以及危害后果分析清單。

圖5 RAST內部運行原理

在得到火災爆炸及主要危害信息后，通過RAST 內置的場景庫以及事故后果庫可以自動完成場景識別與場景分析，從而得到最終的場景結果清單。場景結果清單中會給出推薦進行LOPA分析的場景，需要注意的是，場景結果清單不是最終需要進行LOPA分析的場景，但會提供各場景可接受的最大后果頻率因子（tolerable frequency，TF）與達到風險降低要求所需的保護層層數(shù)因子（largest number of protective layers required，IPL）。TF 值和IPL值越大，說明場景的風險越大。用戶根據(jù)實際情況對場景結果中的場景進行評價，以確認是否對該場景進行后續(xù)的LOPA分析。

根據(jù)廠區(qū)的實際情況輸入基本信息后進行場景篩選，篩選出的最終場景如圖6所示，與儲罐泄漏相關的場景主要有以設備破裂、孔泄漏以及溢流為損失事件的場景單元，需要注意的是，軟件中孔泄漏的分類與本文的分類方法不同，Very Large Hole Size Leak以及Extremely Large Hole Size Leak 分別為泄漏孔徑5cm 和15cm 時的泄漏情況，可簡化為本文中的大孔泄漏，即泄漏孔徑為2～6英寸的情況，二者含義相同。圖6中給出的場景為與儲罐泄漏相關的High TF&IPL 的場景，即軟件推薦進行LOPA分析的場景。

圖6 RAST場景結果列表

3.2 基于簡化Bow-tie模型的場景辨識與篩選

在利用RAST 軟件得到場景篩選結果的同時，使用本文提出的方法進行場景辨識與篩選。

（1）確定場景的初始事件及后果。儲罐泄漏可能的形式有小孔泄漏、中孔泄漏、大孔泄漏、儲罐破裂以及儲罐冒頂溢流泄漏，儲罐泄漏后的簡化Bow-tie模型分析如圖7所示。

根據(jù)圖7可得到原油儲罐不同泄漏情況下的場景集合，參考相關文獻[15]得到初始事件的發(fā)生頻率。對于小孔泄漏和中孔泄漏，泄漏速率較低，發(fā)生蒸氣云爆炸的可能性較低，因此小孔泄漏和中孔泄漏不考慮蒸氣云爆炸的后果[18]。此外，可燃有毒泄漏物質優(yōu)先考慮發(fā)生點燃后的后果，毒性泄漏僅在泄漏物質未成功點燃的情況下考慮，因此原油泄漏造成的后果主要有閃火/池火、蒸氣云爆炸兩類火災事故，以及未成功點燃的毒性影響。最終的場景列表如表2 和表3 所示，表2 為儲罐孔泄漏的場景列表，表3為儲罐破裂及溢流的場景列表。

圖7 原油儲罐泄漏的Bow-tie模型分析

表3 儲罐破裂及溢流場景列表[15-16,18]

（2）確定場景后果發(fā)生頻率及后果嚴重度。在確定場景后果發(fā)生頻率時，需考慮使能條件及修正因子的影響。本案例中，儲罐溢流的相關場景單元需考慮修正因子的影響，中央排水系統(tǒng)故障所導致的場景需要考慮暴雨發(fā)生的可能性，根據(jù)本廠區(qū)的歷史資料，取該地區(qū)暴雨天氣發(fā)生的概率為0.082；而其他兩個場景單元中，初始事件僅在收油操作時發(fā)生才可能導致危害場景，因此需考慮收油操作的發(fā)生頻率。商儲庫按3 次/年的周轉次數(shù)設計，收油最大流量按104m3/h 考慮，收油時長每次為15 天左右，因此，收油操作的發(fā)生概率為(15×3)/365=0.12。

本案例中的修正因子需考慮點火概率對于場景后果發(fā)生頻率的影響。對于儲罐小孔泄漏與中孔泄漏，由于泄漏速率較低，僅考慮閃火及環(huán)境影響的后果，點火概率的取值參考國際油氣生產(chǎn)者協(xié)會（OGP）的推薦取值[19]；其他三種泄漏形式需考慮蒸氣云爆炸的發(fā)生概率，因此點火概率的取值分為立即點火概率與延遲點火概率[16]，點火概率的取值見表4。此外，在確定各類場景的后果嚴重度時，根據(jù)泄漏量判斷場景的后果嚴重度。

表4 點火概率取值

（3）場景篩選。按照圖3 的流程進行場景篩選，由表2及表3得到的場景后果發(fā)生頻率可以看出，列表中的場景后果發(fā)生頻率均大于1×10-6/a；根據(jù)該商儲庫內部風險矩陣，分析得到儲罐小孔泄漏和中孔泄漏的全部場景、儲罐大孔泄漏和儲罐破裂的部分場景風險可容忍，其他場景需要進行二次場景篩選。通過對比各場景的Cre，確定各場景單元中的Cre_max以及Cre_min，并得到各場景的標準化可信度Cstre_i。表5列出了二次場景篩選的結果，最終需要進行LOPA分析的場景共11個，場景后果主要集中于原油泄漏后的閃火/池火事故和蒸氣云爆炸事故。

3.3 對比分析

為驗證本文方法的可靠性，將RAST場景結果列表與表5分別從場景的初始事件、損失事件以及后果類型等方面進行對比。如表6 所示，RAST 場景結果列表給出的泄漏相關場景主要有6個，推薦的場景分別是以儲罐破裂、大孔泄漏以及儲罐溢流為損失事件的場景，各場景在表5中均有提及；本文提出的方法中對導致?lián)p失事件發(fā)生的相應初始事件IEF=3 as determined by Process Safety、IEF=4 as determined by Process Safety、BPCS控制系統(tǒng)失效以及人員操作失誤也進行了充分的考慮，軟件中IEF=3（4）as determined by Process Safety 可以理解為設備不同程度的腐蝕失效。

表5 待分析的LOPA場景列表

表6 結果對比

與RAST軟件相比，本文提出的方法對場景的初始事件以及后果的分析更為全面可靠，以儲罐溢流為例，軟件中與儲罐溢流相關的場景初始事件僅包括BPCS 控制系統(tǒng)失效以及人員誤操作，未考慮公共系統(tǒng)等其他外部設施對場景的影響；同時后果僅包括原油溢流后發(fā)生閃火的情況，未考慮高含硫原油泄漏后的毒性危害以及蒸氣云爆炸的后果，造成了對風險的低估。

通過與軟件的對比分析可以看出，運用簡化后的Bow-tie 模型進行場景辨識可以直觀地分析出裝置中各類初始事件的原因及后果，便于后續(xù)的場景篩選的進行。同時基于現(xiàn)有的場景篩選方法進行改進，根據(jù)廠區(qū)實際的風險可容忍情況進行場景篩選，也更符合廠區(qū)的實際運營情況，有效降低場景篩選的主觀性，使該方法的可靠性得到保障。

4 結論

在LOPA分析中，場景篩選是一項十分重要的準備工作，是進行有效LOPA 分析的前提與基礎。本文主要對Bow-tie 模型進行簡化，并利用簡化后的Bow-tie 模型進行場景辨識，直觀地分析出場景發(fā)生的原因及后果；在最大可信事故場景的基礎上對場景篩選方法進行改進，其主觀性大大降低，并且可根據(jù)企業(yè)內部的風險標準進行篩選，使篩選更具有針對性。利用RAST軟件進行場景分析的結果對比，結果表明，本文提出的方法能夠比RAST軟件更為全面地篩選場景，使場景辨識與篩選更加高效可靠，對后續(xù)的LOPA分析更具有指導意義。