ПНСТ 775-2022 Безопасность в чрезвычайных ситуациях. Безопасный город. Прогнозирование последствий разлива нефти и нефтепродуктов. Общие требования

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ТЕХНИЧЕСКОМУ РЕГУЛИРОВАНИЮ И МЕТРОЛОГИИ

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

Безопасность в чрезвычайных ситуациях

БЕЗОПАСНЫЙ ГОРОД. ПРОГНОЗИРОВАНИЕ ПОСЛЕДСТВИЙ РАЗЛИВА НЕФТИ И НЕФТЕПРОДУКТОВ

Общие требования

Издание официальное

Москва Российский институт стандартизации 2022

Предисловие

• 1 РАЗРАБОТАН Обществом с ограниченной ответственностью «Национальный Центр Информатизации» (ООО «НЦИ»)

• 2 ВНЕСЕН Техническим комитетом по стандартизации ТК 071 «Гражданская оборона, предупреждение и ликвидация чрезвычайных ситуаций»

• 3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 29 ноября 2022 г. № 126-пнст

Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТР 1.16—2011 (разделы 5 и 6).

Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: [email protected] и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д. 10, стр. 2.

В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе «Национальные стандарты» и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

© Оформление. ФГБУ «Институт стандартизации», 2022

Настоящий стандарт не может быть полностью или частично воспроизведен, тиражирован и распространен в качестве официального издания без разрешения Федерального агентства по техническому регулированию и метрологии

Содержание

• 1 Область применения

• 2 Нормативные ссылки

• 3 Термины и определения

• 4 Сокращения

• 5 Основные положения

• 6 Обучение моделей ПАМ-РНН

• 7 Выбор байесовского классификатора, описание и подготовка гипотез

• 8 Прогнозирование событий с использованием байесовского классификатора, анализ и интерпретация результатов статистической обработки в ПАМ-РНН

• 9 Программная реализация и проверка ПАМ-РНН

• 10 Опытная эксплуатация ПАМ-РНН

• 11 Промышленная эксплуатация ПАМ-РНН

Приложение А (справочное) Справочники отдельных наблюдаемых параметров

Приложение Б (рекомендуемое) Порядок группировки значений входных данных с использованием формулы Стерджесса

Приложение В (рекомендуемое) Методика расчета параметров разливов нефти и нефтепродуктов

Приложение Г (рекомендуемое) Определение плотности и вязкости нефти и нефтепродуктов при заданной температуре

Библиография

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

Безопасность в чрезвычайных ситуациях

БЕЗОПАСНЫЙ ГОРОД. ПРОГНОЗИРОВАНИЕ ПОСЛЕДСТВИЙ РАЗЛИВА НЕФТИ И НЕФТЕПРОДУКТОВ

Общие требования

Safety in emergencies. Safe city. Forecasting of oil and petroleum product spill dispersion. General requirements

Срок действия — с 2023—07—01 до 2026—07—01

• 1 Область применения

  • 1.1 Настоящий стандарт устанавливает общие требования к организации и порядку прогнозирования последствий разливов нефти и нефтепродуктов (РНН) из стационарных резервуаров хранения нефти и нефтепродуктов (НН) на контролируемых территориях с использованием прогнозной и аналитической модели прогнозирования РНН (далее — ПАМ-РНН) в составе аппаратно-программного комплекса (далее — АПК «Безопасный город»), в качестве математической основы моделирования которой используют байесовские классификаторы.

Стандарт не содержит указаний по применению конкретных байесовских классификаторов.

Стандарт не распространяется на ПАМ, использующие для прогнозирования РНН другие математические методы.

• 1.2 Положения настоящего стандарта предназначены для использования федеральными органами исполнительной власти, органами исполнительной власти субъектов Российской Федерации и местного самоуправления, научно-исследовательскими и другими организациями, участвующими в проектировании, разработке, внедрении в промышленную эксплуатацию и в эксплуатации АПК «Безопасный город».

• 2 Нормативные ссылки

В настоящем стандарте использованы нормативные ссылки на следующие стандарты:

ГОСТ 32 Масла турбинные. Технические условия

ГОСТ 305 Топливо дизельное. Технические условия

ГОСТ 8581 Масла моторные для автотракторных дизелей. Технические условия

ГОСТ 9972 Масла нефтяные турбинные с присадками. Технические условия

ГОСТ 10227 Топлива для реактивных двигателей. Технические условия

ГОСТ 10541 Масла моторные универсальные и для автомобильных карбюраторных двигателей. Технические условия

ГОСТ 10585 Топливо нефтяное. Мазут. Технические условия

ГОСТ 12337 Масла моторные для дизельных двигателей. Технические условия

ГОСТ 17479.1 Масла моторные. Классификация и обозначение

ГОСТ 20799 Масла индустриальные. Технические условия

ГОСТ 21743 Масла авиационные. Технические условия

ГОСТ 23652 Масла трансмиссионные. Технические условия

ПНСТ 761—2022 Безопасность в чрезвычайных ситуациях. Безопасный город. Термины и определения

Издание официальное

ПНСТ 762—2022 Безопасность в чрезвычайных ситуациях. Безопасный город. Типовая прогнозная аналитическая модель с использованием метода Байеса. Общие требования

Примечание — При пользовании настоящим стандартом целесообразно проверить действие ссылочных стандартов в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет или по ежегодному информационному указателю «Национальные стандарты», который опубликован по состоянию на 1 января текущего года, и по выпускам ежемесячного информационного указателя «Национальные стандарты» за текущий год. Если заменен ссылочный стандарт, на который дана недатированная ссылка, то рекомендуется использовать действующую версию этого стандарта с учетом всех внесенных в данную версию изменений. Если заменен ссылочный стандарт, на который дана датированная ссылка, то рекомендуется использовать версию этого стандарта с указанным выше годом утверждения (принятия). Если после утверждения настоящего стандарта в ссылочный стандарт, на который дана датированная ссылка, внесено изменение, затрагивающее положение, на которое дана ссылка, то это положение рекомендуется применять без учета данного изменения. Если ссылочный стандарт отменен без замены, то положение, в котором дана ссылка на него, рекомендуется применять в части, не затрагивающей эту ссылку.

• 3 Термины и определения

В настоящем стандарте применены термины по ГОСТ 26098, ПНСТ 761—2022, ПНСТ 762—2022, а также следующие термины с соответствующими определениями:

• 3.1_

водный объект: Природный или искусственный водоем, водоток либо иной объект, постоянное или временное сосредоточение вод в котором имеет характерные формы и признаки водного режима.

[[1], статья 1, пункт 4]

• 3.2

нефть: Природная смесь углеводородов и растворенных в них неуглеродных компонентов, находящихся в жидком состоянии.

[ГОСТ Р 53389—2009 (ИСО 16165:2001), статья 1]__________________________________________

• 3.3_

окружающая среда: Совокупность компонентов природной среды, природных и природно-антропогенных объектов, а также антропогенных объектов.

[[2], статья 1]

• 3.4 синтетические данные: Любые производственные данные, применимые к данной ситуации, которые не получены прямым измерением.

• 4 Сокращения

В настоящем стандарте применены следующие сокращения:

ВО — водный объект;

КТ — контролируемая территория;

МКП — модель краткосрочного прогнозирования;

МСП — модель среднесрочного прогнозирования;

НТ — наблюдаемая территория;

ПАМ — прогнозная аналитическая модель.

• 5 Основные положения

  • 5.1 Настоящий стандарт содержит описание процессов формирования априорной информации для прогнозирования РНН на КТ, обработки данной информации, а также методов анализа неблагоприятных событий для КТ, связанных с РНН.

  • 5.2 ПАМ-РНН в составе АПК «Безопасный город» должна соответствовать ПНСТ 762—2022.

  • 5.3 ПАМ-РНН предназначена для автоматизации деятельности должностных лиц единой дежурно-диспетчерской службы муниципальных образований при прогнозировании класса угрозы «РНН» по кризисным ситуациям и/или происшествиям, связанным с угрозой РНН на КТ из резервуаров хранения НН, расположенных на суше, а также при уточнении результатов развития РНН на КТ по полученным оперативным данным.

  • 5.4 Пользователями ПАМ-РНН могут быть также органы, осуществляющие руководство и управление мероприятиями по предупреждению и ликвидации последствий чрезвычайных ситуаций федерального, межрегионального, регионального, межмуниципального, муниципального, объектового характера, связанные с аварийным РНН и имеющие доступ к АПК «Безопасный город».

  • 5.5 Прогнозирование РНН с использованием ПАМ-РНН осуществляют с целью повышения эффективности принимаемых управленческих решений по предупреждению и ликвидации последствий данной угрозы. Для этого ПАМ-РНН должна обеспечить:

• - анализ вероятностей возникновения РНН из резервуаров хранения НН;

• - расчет значений параметров развития РНН на КТ;

• - уточнение расчетных параметров последствий РНН на КТ на основе информации, поступившей с различных систем мониторинга и выявления угрозы в режиме времени, близком к реальному, с учетом применения байесовского классификатора.

• 5.6 Основной задачей ПАМ-РНН является своевременное выявление угрозы РНН, а также оценка возможного воздействия РНН на окружающую среду и объекты защиты в целях разработки и реализации мер по обеспечению безопасности населения, инфраструктуры населенных пунктов и объектов хранения НН.

• 5.7 Для решения указанных задач ПАМ-РНН должна включать следующие базовые модели:

• - МКП — предназначена для вероятностной оценки развития РНН на КТ в течение ближайших 24 ч;

• - МСП — предназначена для вероятностной оценки возможности возникновения РНН на КТ в течение ближайших 10 сут.

Примечание — Для получения других вероятностных характеристик при прогнозировании РНН перечень решаемых функциональных задач и моделей ПАМ-РНН может быть дополнен. При этом должны соблюдаться общие требования ПНСТ 762—2022.

• 5.8 В общем случае процесс разработки и применения ПАМ-РНН включает следующие этапы:

• - обучение ПАМ-РНН;

• - опытная эксплуатация ПАМ-РНН на тестовых данных;

• - промышленная эксплуатация ПАМ-РНН на реальных данных.

• 6 Обучение моделей ПАМ-РНН

  • 6.1 В настоящем стандарте установлены следующие основные мероприятия, обеспечивающие обучение ПАМ-РНН:

• - сбор статистики за последние пять лет о РНН на НТ, произошедших на объектах хранения НН [резервуарах хранилищ (складов), находящихся в обваловании], техническом состоянии указанных объектов и параметрах, характеризующих состояние окружающей среды;

• - обработка собранных на предыдущем этапе данных для формирования обучающего множества ПАМ-РНН;

• - сборка обработанных данных краткосрочной и среднесрочной моделей ПАМ-РНН в обучающие примеры;

• - обработка обучающих примеров с применением байесовского классификатора.

• 6.2 В качестве начала наблюдения следует принимать:

• - для МКП — дату и время наблюдения РНН;

• - для МСП — дату наблюдения наличия (отсутствия) РНН.

РНН должен осуществляться по ровной поверхности, с естественным уклоном местности не более 5°. Прогнозирование растекания НН на КТ проводят с применением матрицы высот и геоинформа-ционной системы, требования к отображению результатов моделирования площади РНН на местности в настоящем стандарте не предъявляются.

• 6.3 В настоящем стандарте установлены основные входные данные для формирования базового обучающего множества ПАМ-РНН, которые могут быть дополнены и/или уточнены с учетом особенностей конкретных КТ.

• 6.4 Сбор статистики о РНН на НТ, произошедших на объектах хранения НН, техническом состоянии указанных объектов и параметрах, характеризующих состояние окружающей среды

Для сбора входных данных необходимо предварительно определить состав территорий, сопоставимых по климату, растительности и рельефу местности с КТ, результаты наблюдений за которыми будут использоваться для формирования обучающего множества ПАМ-РНН — НТ. В состав НТ, как минимум, должна быть включена КТ.

• 6.4.1 Основными наборами данных для формирования базового обучающего множества ПАМ-РНН являются:

• - данные, характеризующие РНН на НТ;

• - основные параметры и техническое состояние объекта хранения НН;

• - метеорологическая обстановка на НТ;

• - данные, характеризующие хранимые в резервуаре НН;

• - данные, характеризующие местность НТ, на которой произошел РНН.

• 6.4.2 Характеристика РНН на НТ

Входными данными, характеризующими основные параметры РНН на НТ из резервуара хранения НН, являются:

• а) дата и время наблюдения РНН;

• б) координаты источника РНН;

• в) тип разлившихся НН, определяют по таблице А.1 приложения А;

• г) удаление места РНН до ближайшего ВО, км;

• д) удаление места РНН до ближайшего НП, км;

• е) начальная высота столба жидкости в резервуаре, м;

• ж) высота расположения аварийного отверстия РНН, м;

• и) площадь аварийного отверстия РНН, м²;

• к) продолжительность истечения НН, ч;

• л) направление РНН на местности, град;

• м) радиус разлития НН на участке местности, м;

• н) масса НН, вылившаяся на участок местности, т;

• п) площадь территории, загрязненная НН, м²;

• р) статус регистрации факта загрязнения ВО при РНН;

• с) статус регистрации факта пожара при РНН;

• т) статус регистрации факта взрыва при РНН.

Параметры, представленные статусами регистрации событий, должны иметь бинарный вид.

• 6.4.3 Наборами данных, характеризующими основные параметры и техническое состояние объекта хранения НН на НТ, являются:

• - данные, характеризующие объект хранения НН;

• - данные, характеризующие техническое состояние резервуара хранения НН.

• 6.4.3.1 Данными, характеризующими объект хранения НН на НТ, являются:

• а) тип резервуара, определяется по таблице А.2;

• б) номинальная вместимость резервуара, м³;

• в) объем НН в резервуаре на момент РНН, м³;

• г) температура хранения НН в резервуаре, °C;

• д) количество резервуаров в группе обвалования, ед.;

• е) объем площадки обвалования, м²;

• ж) минимальное расстояние от стенки резервуара до обвалования, м;

• и) площадь основания резервуара, м²;

• к) конструктивные особенности резервуара, определяют по таблице А.4;

• л) тип покрытия обвалования резервуара, определяют по таблице А.5;

• м) производительность приема-раздачи НН, определяют по таблице А.6.

• 6.4.3.2 Данными, характеризующими техническое состояние резервуара хранения НН, являются:

• а) дата ввода в эксплуатацию резервуара, год;

• б) назначенный срок эксплуатации резервуара, лет;

• в) тип проводимого крайнего ремонта, определяется по таблице А.8;

• г) дата проведения последнего осмотрового ремонта;

• д) дата проведения последнего текущего ремонта;

• е) дата проведения последнего среднего ремонта;

• ж) дата проведения последнего капитального ремонта;

• и) назначенный межремонтный срок проведения осмотрового ремонта, лет;

• к) назначенный межремонтный срок проведения текущего ремонта, лет;

• л) назначенный межремонтный срок проведения среднего ремонта, лет;

• м) назначенный межремонтный срок проведения капитального ремонта, лет;

• н) дата проведения последнего технического освидетельствования;

• п) дата проведения последней частичной диагностики;

• р) дата проведения последней полной диагностики;

• с) назначенные регламентные сроки по проведению технического освидетельствования, лет;

• т) назначенные регламентные сроки по проведению частичной диагностики, лет;

• у) назначенные регламентные сроки по проведению полной диагностики, лет;

• ф) сведения, характеризующие общее техническое состояние резервуара (на момент освидетельствования), определяются по таблице А.9;

• х) систематичность проведения технических освидетельствований, определяется по таблице А.10;

ц) скорость коррозии, мм/год.

• 6.4.4 К данным, характеризующим метеорологическую обстановку на НТ, относятся следующие наборы данных:

• - для МКП — данные, характеризующие метеорологическую обстановку в стандартный срок наблюдения в течение суток;

• - для МСП — данные, характеризующие метеорологическую обстановку за сутки.

• 6.4.4.1 Данные, характеризующие метеорологическую обстановку в стандартный срок наблюдения и за сутки, следует подготавливать на базе объективных данных о метеорологическом режиме и климате на НТ, поступающих от источников метеоданных — метеорологических станций, постов и/или технических средств, обеспечивающих определение и представление данных о метеорологических параметрах в режиме времени, близком к реальному, и находящихся в радиусе не более 25 км от указанной территории размещения резервуаров хранения НН.

При наличии на прилегающей территории более одного источника метеоданных указанные параметры метеорологической обстановки следует подготавливать на базе данных, предоставляемых наименее удаленным источником от НТ.

• 6.4.4.2 Данными, характеризующими метеорологическую обстановку на НТ в стандартный срок наблюдения в течение суток, являются:

• а) дата и время наблюдения метеопараметров;

• б) наименование (идентификационный номер) метеостанции;

• в) географические координаты расположения метеостанции (долгота и широта), град;

• г) температура воздуха, °C;

• д) атмосферное давление, мм. рт. ст.;

• е) относительная влажность воздуха, %;

• ж) направление ветра, град;

• и) скорость ветра, м/с;

• к) количество осадков, мм;

• л) атмосферная видимость, км.

Данные следует подготавливать по каждому наблюдаемому РНН на дату и время наблюдения его основных параметров, а также на период 51 ч до указанных даты и времени наблюдения с шагом (рекомендуемый — 3 ч), соответствующим стандартному сроку наблюдения.

• 6.4.4.3 Входными данными, характеризующими метеорологическую обстановку на НТ за сутки, являются:

• а) дата и время формирования метеоданных;

• б) наименование (идентификационный номер) метеостанции;

• в) географические координаты расположения метеостанции;

• г) преобладающая температура воздуха ночью, °C;

• д) преобладающая температура воздуха днем, °C;

• е) максимальная температура воздуха ночью, °C;

• ж) максимальная температура воздуха днем, °C;

• и) количество осадков, мм;

• к) атмосферная видимость.

Данные следует подготавливать по каждой НТ на дату наблюдения наличия (отсутствия) РНН на НТ, а также на период 20 сут до указанной даты с шагом наблюдения каждые сутки.

• 6.4.5 Данными, характеризующими хранимые в резервуаре НН, являются:

• а) тип НН, определяют по таблице А.1;

• б) плотность хранимых НН, т/м³;

• в) кинематическая вязкость хранимых НН, м²/с.

• 6.4.6 Данными, характеризующими местность на НТ, на которой возможен РНН, являются:

• а) направление естественного уклона местности относительно точки расположения резервуара, град;

• б) продольный уклон местности на участке РНН, град.

• в) тип грунта местности (за обвалованием), определяют по таблице А.20;

• г) температура поверхности грунта, °C;

• д) влажность грунта;

• е) состояние поверхности почвы на участке местности, определяется по таблице А.21;

• ж) статус наличия ВО на местности предполагаемого РНН;

• и) направление расположения ВО относительно точки расположения резервуара, град.

• 6.5 Обработка собранных данных для формирования обучающего множества ПАМ-РНН

• 6.5.1 На базе сформированных изначально не обработанных входных данных подготавливают необходимые наборы данных для обучающего множества ПАМ-РНН.

Для формирования обучающего множества указанные наборы данных подлежат обработке, после чего на базе уже обработанных данных осуществляют сборку обучающих примеров моделей.

Обработка заключается в группировке входных данных с использованием справочников ПАМ-РНН и методов статистической обработки, а также в подготовке параметров (ответов) гипотез моделей.

В результате обработки каждый параметр обучающего примера должен быть приведен к бинарному или дискретному виду. Параметры, изначально имеющие бинарный или дискретный вид, обработке не подлежат.

• 6.5.2 Отдельные входные данные используют для сборки обучающих примеров, определения расчетных параметров, а также для подготовки параметров (ответов) гипотез и они не подлежат обработке, в том числе байесовским классификатором.

• 6.5.3 Обработка параметров, характеризующих РНН на НТ

Значения параметров, приведенных в 6.4.2:

• - в перечислениях а), б) — обработке не подлежат, так как значения данных параметров предназначены для сборки входных данных в обучающие примеры модели;

• - в перечислениях в), л) — подлежат обработке методом их статистической группировки согласно справочникам, приведенным в таблицах А.1, А.19 соответственно;

• - в перечислениях г), д) — следует обрабатывать путем группировки, согласно справочникам, сформированным с использованием формулы Стерджесса, приведенной в приложении Б;

• - в перечислениях е), ж), и), к) — значения указанных параметров используются для подготовки расчетных параметров, определяемых по формулам (В.1)—(В.4) приложения В соответственно;

• - в перечислениях м), н), п) — значения указанных параметров не требуют преобразований, т. к. они используются для подготовки гипотез моделей;

• - в перечислениях р), с), т) — значения указанных параметров не требуют преобразований, т. к. они имеют бинарный вид.

Расчетные параметры «масса НН, вылившаяся на местность КТ», «радиус разлития НН на КТ» и «площадь территории, загрязненная НН», относимые к указанному набору данных, определяют согласно формулам (В.7), (В.8), (В.9)—(В.11), приведенным в приложении В, и применяют при подготовке параметров (ответов) гипотез МКП.

• 6.5.4 Обработка параметров, характеризующих основные параметры и техническое состояние объекта хранения НН

  • 6.5.4.1 Обработка параметров, характеризующих объект хранения НН

Значения параметров, приведенных в 6.4.3.1:

• - в перечислениях а), г), к), л), м) — подлежат обработке методом их статистической группировки согласно справочникам, приведенным в таблицах А.2 — А.6 соответственно;

• - в перечислениях б), в), д) — следует обрабатывать путем группировки, согласно справочникам, сформированным с использованием формулы Стерджесса, приведенной в приложении Б;

• - в перечислениях е), ж), и) — значения указанных параметров используются для подготовки расчетных параметров, определяемых по приложению Г.

• 6.5.4.2 В составе обучающего множества к основным преобразованным параметрам, характеризующим техническое состояние объекта хранения НН, относятся:

• а) износ резервуара;

• б) тип проводимого крайнего ремонта;

• в) объект проходил в назначенный срок осмотровый ремонт;

• г) объект проходил в назначенный срок текущий ремонт;

• д) объект проходил в назначенный срок средний ремонт;

• е) объект проходил в назначенный срок капитальный ремонт;

• ж) объект проходил в назначенный срок техническое освидетельствование;

• и) объект проходил в назначенный срок частичную диагностику;

• к) объект проходил в назначенный срок полную диагностику;

• л) сведения, характеризующие общее техническое состояние резервуара (на момент освидетельствования);

• м) систематичность проведения технических освидетельствований;

н)скорость коррозии.

Значения указанных в данном подпункте параметров:

• - в перечислении а) — определяются согласно значениям параметров 6.4.3.2, перечисления а) и б), и подлежат обработке методом статистической группировки согласно справочнику, приведенному в таблице А.7;

• - в перечислениях б), и) к) л) — определяются согласно значениям параметров 6.4.3.2, перечисления в), ф) х), ц) и подлежат обработке методом статистической группировки согласно справочникам, приведенным в таблицах А.8 — А. 11 соответственно;

• - в перечислениях в), г), д), е), ж), и), к) — определяются согласно значениям параметров 6.4.3.2, перечисления г) и и); д) и и); е) и л); ж) и м); н) и с); п) и т), р) и у) соответственно, преобразование параметров не требуется так как они имеют бинарный вид.

• 6.5.4.3 Обработка параметров, характеризующих метеорологическую обстановку в стандартный срок наблюдения и в течение суток

Значения параметров, приведенных в 6.4.4.2:

• - в перечислениях а)—в) — обработке не подлежат, так как значения данных параметров предназначены для сборки входных данных в обучающие примеры модели;

• - в перечислениях г)—л) — подлежат обработке методом их статистической группировки согласно справочникам, приведенным в таблицах А.12—А. 18 соответственно.

• 6.5.4.4 Обработка параметров, характеризующих метеорологическую обстановку за сутки

Значения параметров, приведенных в 6.4.4.3:

• - в перечислениях а)—в) — обработке не подлежат, так как значения данных параметров предназначены для сборки входных данных в обучающие примеры модели;

• - в перечислениях г)—ж), и), к) — подлежат обработке методом их статистической группировки согласно справочникам, приведенным в таблицах А.12, А.17, А.18 соответственно.

• 6.5.4.5 Обработка параметров, характеризующих хранимые в резервуаре НН

Значения параметров, приведенных в 6.4.5:

• - в перечислении а) — обработке не подлежат, так как значения данного параметра предназначены для сборки входных данных в обучающие примеры модели;

• - в перечислениях б) и в) — подлежат группировке согласно справочникам, сформированным с использованием формулы Стерджесса, приведенной в приложении Б.

• 6.5.4.6 Обработка параметров, характеризующих местность на НТ, на которой возможен РНН

Значения параметров, приведенных в 6.4.6:

• - в перечислении а), в), г), е), и) — подлежат обработке методом их статистической группировки согласно справочникам, приведенным в таблицах А.20, А.12, А.21 и А.19 соответственно;

• - в перечислении д) — используют для подготовки расчетных параметров, определяемых по приложению В;

• - в перечислении ж) — не подлежат обработке, так как имеют бинарный вид.

• 6.5.5 Сборка обработанных данных ПАМ-РНН в обучающий пример

• 6.5.5.1 Общие требования к базовому обучающему множеству ПАМ-РНН

В результате сбора и последующей обработки входных данных должно быть подготовлено базовое обучающее множество, представляющее собой наборы данных, предназначенных для обработки с применением байесовского классификатора, упорядоченных по дате (и времени) наблюдений в табличной форме: по вертикали — в графы (поля); по горизонтали — в строки (записи).

Каждая запись является обучающим примером.

Таким образом, совокупность обучающих примеров является обучающим множеством.

• 6.5.5.2 Состав обучающего множества ПАМ-РНН

Необходимые наборы данных и параметры, входящие в состав каждого обучающего примера МСП и МКП ПАМ-РНН, предназначенные для обработки байесовским классификатором, приведены в таблице 1.

Таблица 1 — Структура обучающих примеров ПАМ-РНН

Продолжение таблицы 1

Окончание таблицы 1

• 6.5.5.3 Обработка обучающих примеров с применением байесовского классификатора при обучении ПАМ-РНН

На этапе предварительного обучения ПАМ-РНН должны быть подготовлены наборы данных, необходимые для сборки обучающего множества, в объеме, обеспечивающем функциональные возможности МКП и МСП ПАМ-РНН (не менее 20 обучающих примеров для каждой). В процессе опытной эксплуатации данное обучающее множество подлежат актуализации и наращиванию на базе достоверных данных для обеспечения качества прогнозов.

По мере накопления необходимого объема достоверных входных данных ПАМ-РНН подлежит переобучению и/или дообучению.

• 7 Выбор байесовского классификатора, описание и подготовка гипотез

  • 7.1 При выборе байесовского классификатора необходимо учитывать, что алгоритм классификации должен быть оптимизирован для обработки большого объема входных и выходных данных.

  • 7.2 Вновь разрабатываемые методы байесовского анализа перед применением в ПАМ-РНН должны пройти процедуру подтверждения их достоверности.

  • 7.3 Формирование гипотез и соответствующих им параметров (ответов)

    • 7.3.1 Вероятностной оценке — статистической обработке данных с использованием выбранного байесовского классификатора — подлежат гипотезы моделей ПАМ-РНН.

    • 7.3.2 Гипотезы моделей должны отражать данные о состоянии оцениваемых событий на момент наблюдения, подлежащих в дальнейшем оценке с применением байесовского классификатора. Состояния оцениваемых событий [параметры (ответы) гипотез] на этапе обучения должны быть бинарными, с заранее заданными ответами.

    • 7.3.3 Гипотезы МКП и соответствующие им параметры (ответы)

• В МКП вероятностной оценке с использованием байесовского классификатора подлежат гипотезы, приведенные в таблице 2.

Таблица 2 — Перечень гипотез МКП

Гипотезы № 1—3, указанные в таблице 2, характеризующие радиус разлития НН, массу вылившихся НН из резервуара и площадь загрязнения НН местности, преобразуются в набор гипотез, приведенный в таблице 3 для каждого вышеприведенного параметра.

На этапе обучения МКП ПАМ-РНН параметры (ответы) гипотез, приведенных в таблице 3, определяют путем сравнения:

• а) для радиуса разлития НН — параметра «радиус разлития НН на участке местности, по состоянию за 3 ч до даты и времени наблюдения РНН», приведенного в 6.4.2, с расчетным параметром «радиус разлития НН на КТ», приведенного в 6.5.3;

• б) для массы НН, вылившейся из резервуара, — параметра «масса НН, вылившаяся на участок местности, по состоянию за 3 ч до даты и времени наблюдения РНН», приведенного в 6.4.2, с расчетным параметром «масса НН, вылившаяся на местность КТ», приведенным в 6.5.3;

• в) для площади загрязнения НН местности — параметра «площадь территории, загрязненная НН, по состоянию за 3 ч до даты и времени наблюдения РНН», приведенного в 6.4.2, с расчетным параметром «площадь территории, загрязненная НН», приведенного в 6.5.3.

При сравнении применяются значения соответствующих параметров без их обработки с использованием соответствующих справочников.

Непосредственное определение параметров (ответов) гипотез осуществляется по аналогии с примером, приведенным в 7.3.4.

Таблица 3 — Перечень гипотез МКП, подлежащих проверке для каждого параметра гипотез МКП № 1—3

Окончание таблицы 3

Сведения о необходимом количестве обучающих примеров МКП для обеспечения минимальных требований ее функционирования приведены в 6.5.5.3.

На этапе обучения ПАМ-РНН параметры (ответы) гипотез № 4—6, приведенных в таблице 2, определяются на основе входных данных, характеризующих события за наблюдаемый период времени, согласно 6.4.2, с указанием параметров (ответов) гипотез, принимаемых в обучаемых примерах, согласно значениям параметров, приведенных в таблице 4.

Таблица 4 — Перечень гипотез МКП № 4—6 и их соответствие значениям

Параметры (ответы) гипотез для МКП (гипотезы № 4—6) определяются по аналогии с параметрами (ответами) гипотезы МСП, пример подготовки которой приведен в 7.3.6.

• 7.3.4 Подготовка параметров (ответов) гипотез МКП на этапе обучения

Для МКП ПАМ-РНН параметры (ответы) гипотез должны быть рассчитаны на основе сравнения фактических значений наблюдаемых параметров, например площади территории, загрязненной НН, или массы вылившихся НН из резервуара, с расчетными значениями указанных параметров.

По каждому наблюдаемому параметру гипотез МКП № 1—3, подлежащему в дальнейшем оценке с применением байесовского классификатора, необходимо сформировать гипотезы, в которых параметры (ответы):

• - по первой гипотезе отражают результаты сравнения фактических значений параметра в наблюдаемые дату и время с расчетными значениями данного параметра;

• - по остальным гипотезам отражают результаты сравнения отклонений фактических значений параметра в наблюдаемые дату и время от расчетных значений данного параметра на 5 %, 10 %, 15 %, 20 %, 25 %, 30 %, 35 %, 40 %, 45 %, 50 %, 55 %, 60 %, 65 %, 70 %, 75 %, 80 %, 85 %, 90 %, 95 % в меньшую и большую стороны.

Для этого при подготовке каждого обучающего примера предварительно должно быть рассчитано отклонение фактического значения параметра в наблюдаемые дату и время от расчетного значения данного параметра в процентах. После этого значение полученного отклонения должно быть округлено до ближайшего числа, кратного 5.

Пример — Фактическое значение наблюдаемой площади РНН составляет 1000 м²; расчетное значение площади РНН составляет 744 м².

Отклонение фактического значения площади РНН от расчетного значения данного показателя составляет 25,6 % в большую сторону. Округлив указанное значение до ближайшего числа, кратного 5, получим отклонение 25 % в большую сторону.

С учетом входных данных и рассчитанного отклонения должны быть подготовлены гипотезы со следующими параметрами (ответами):

• гипотеза № 1 «Фактическое значение площади РНН соответствует расчетному значению данного показателя», (1000 м² 744 м²) — «ЛОЖЬ»;

гипотеза № 2 «Отклонение фактического значения площади РНН от расчетного значения данного показателя составляет 5 % в меньшую сторону» (-5 % $25 %) — «ЛОЖЬ»;

гипотеза № 3 «Отклонение фактического значения площади РНН от расчетного значения данного показателя составляет 10 % в меньшую сторону» (-10 % $ 25 %) — «ЛОЖЬ»;

гипотеза № 24 «Отклонение фактического значения площади РНН от расчетного значения данного показателя составляет 20 % в большую сторону» (20 % $25 %) — «ЛОЖЬ»;

гипотеза № 25 «Отклонение фактического значения площади РНН от расчетного значения данного показателя составляет 25% в большую сторону» 25 % = 25 % — «ИСТИНА»;

гипотеза № 26 «Отклонение фактического значения площади РНН от расчетного значения данного показателя составляет 30% в большую сторону» 30 % $25 % — «ЛОЖЬ» и т. д.

• 7.3.5 Гипотеза МСП и соответствующие ей параметры (ответы)

В МСП вероятностной оценке с использованием байесовского классификатора подлежит гипотеза «В течение суток периода наблюдения возник (возникнет) РНН». Содержание гипотезы в прошедшем времени используется на этапе обучения ПАМ-РНН, а содержание гипотезы в будущем времени — при прогнозировании соответствующих событий на новых значениях наблюдаемых параметров.

На этапе обучения ПАМ-РНН параметры (ответы) гипотезы МСП определяются на основе входных данных, характеризующих возникновение или отсутствие РНН по состоянию на дату наблюдения, приведенных в 6.4.2.

Пример определения параметров (ответов) гипотезы МСП приведен в 7.3.6. Сведения о необходимом количестве обучающих примеров МСП для обеспечения минимальных требований ее функционирования приведены в 6.5.5.3.

• 7.3.6 Подготовка параметров (ответов) гипотез МСП

Для модели МСП ПАМ-РНН параметры (ответы) гипотезы должны определяться следующим образом:

• «ИСТИ НА» — если событие, соответствующее гипотезе, произошло при наблюдаемых входных данных за соответствующий период;

«ЛОЖЬ» — в противном случае.

Примеры

• 1 При наблюдаемых значениях входных данных по состоянию на дату наблюдения, за сутки (1—10) периода наблюдения произошел РНН из резервуара.

В этом случае необходимо подготовить гипотезы со следующим параметрами (ответами): гипотеза 1 «В течение суток (1—10) периода наблюдения возник РНН» — «ИСТИНА».

• 2 При наблюдаемых значениях входных данных по состоянию на дату наблюдения, за сутки (1—10) периода наблюдения РНН из резервуара не наблюдалось.

В этом случае необходимо подготовить гипотезу со следующим параметром (ответом): гипотеза 1 «В течение суток (1—10) периода наблюдения возник РНН» — «ЛОЖЬ».

• 7 .4 Полученные обработанные данные, объем которых значительно меньше относительно объема входных данных, а также гипотезы с подготовленными параметрами (ответами) предназначены для дальнейшей обработки байесовским классификатором.

• 8 Прогнозирование событий с использованием байесовского классификатора, анализ и интерпретация результатов статистической обработки в ПАМ-РНН

  • 8.1 После обучения ПАМ-РНН следует процесс прогнозирования событий, соответствующих гипотезам МСП и МКП, на новых значениях наблюдаемых параметров — формирование прогнозов наблюдений.

Порядок сбора новых значений, наблюдаемых входных данных и их обработки при формировании каждого прогноза наблюдения, должен в обязательном порядке соответствовать аналогичным процессам при обучении моделей ПАМ-РНН, за исключением следующих особенностей:

• а) параметры (ответы) гипотез (оценка апостериорных вероятностей гипотез) определяются байесовским классификатором;

• б) в качестве начала наблюдения следует принимать:

• - для МКП — дату и время, на которые составляется прогноз развития РНН;

• - для МСП — крайнюю дату периода (десятые сутки), на который прогнозируется возможность возникновения РНН.

Отдельные наборы данных, характеризующих метеорологическую обстановку, при прогнозировании событий следует подготавливать на основе соответствующих прогнозов.

• 8.2 Шаг и глубина прогнозов наблюдений в ПАМ-РНН должны соответствовать следующим требованиям:

• - МКП: шаг прогнозирования — не более 3 ч; период (глубина) прогнозирования — не менее 24 ч;

• - МСП: шаг прогнозирования — 1 сут; период прогнозирования — не менее 10 сут.

• 8.3 Особенности прогнозирования событий в МКП

  • 8.3.1 В МКП вероятностную оценку развития зарегистрированных РНН на КТ, в течение ближайших 24 ч следует осуществлять поэтапно:

• 1) на первом этапе осуществляется вероятностная оценка развития РНН через 3 ч;

• 2) на последующих этапах по аналогии осуществляется оценка развития РНН через 6, 9, 12, 15, 18, 21,24 ч с учетом результатов, полученных на предыдущих этапах.

• 8.3.2 Определение прогнозируемой площади РНН через время, соответствующее шагу прогноза

В МКП прогнозируемую площадь РНН на КТ следует определять на основе результатов статистической обработки в зависимости от гипотез, приведенных в таблице 3, имеющей максимальную апостериорную вероятность:

• а) если максимальную вероятность имеет гипотеза № 1 таблицы 3, то прогнозируемая площадь РНН будет соответствовать расчетному значению данного показателя;

• б) если максимальную вероятность имеет одна из гипотез № 2—20 таблицы 3, то прогнозируемую площадь РНН S_PH, м², вычисляют по формуле

100Spu^C4

*” = -(1оо75Г <¹⁾

где $рн^СЧ — расчетное значение площади РНН, м²;

D — отклонение, %, соответствующее гипотезам № 2—20 таблицы 3, имеющим максимальную вероятность;

• в) если максимальную вероятность имеет одна из гипотез № 21—39 таблицы 3, то прогнозируемую площадь РНН S_PH, м², вычисляют по формуле

100Spu^C4

<²⁾

• 8.3.3 Определение массы НН, вылившейся через время, соответствующее шагу прогноза

В МКП прогнозируемую массу НН, вылившуюся на КТ через обвалование через время, соответствующее шагу прогноза, следует определять на основе результатов статистической обработки в зависимости от гипотез, приведенных в таблице 3, имеющих максимальную апостериорную вероятность:

• а) если максимальную вероятность имеет гипотеза № 1 таблицы 3, то прогнозируемая масса РНН будет соответствовать расчетному значению данного показателя;

• б) если максимальную вероятность имеет одна из гипотез № 2—20 таблицы 3, то прогнозируемую массу РНН М_РН, кг, вычисляют по формуле

М_РН = 100 М^^сч/(100 + D), (3)

где Мрн°^Ч — расчетное значение массы РНН, кг;

D — отклонение, %, соответствующее одной из гипотез № 2—20 таблицы 3, имеющих максимальную вероятность;

• в) если максимальную вероятность имеет одна из гипотез № 21—39 таблицы 3, то прогнозируемую массу РНН Л4р_Н, кг, вычисляют по формуле

М_РН = 100 Mgp^C4/(100-D). (4)

• 8.3.4 Определение радиуса разлития НН через время, соответствующее шагу прогноза, осуществляется по аналогии с 8.3.2.

• 8.3.5 Прогнозирование загрязнения ВО, возникновения пожара, взрыва при РНН

Уровни угроз, подлежащие вероятностной оценке соответствующими гипотезами № 4—6 МКП и МСП, при подготовке параметров (ответов)_; для которых применялись бинарные значения, в результате обработки соответствующих гипотез специальным программным обеспечением с использованием байесовского классификатора в прогнозах представляют результат их обработки — апостериорную вероятность, представленную в численном диапазоне значений от 0 до 1.

Указанные значения гипотез подлежат их логическому преобразованию в моделях ПАМ-РНН для реализации дальнейших мер и управленческих решений.

Диапазоны принимаемых максимальных значений вероятностной апостериорной оценки гипотезы:

• - от 0 до 0,5 включ. — уровень реализации угрозы (возникновения события и т. п.), характеризуемый как «низкий», может не отображаться в выходных параметрах соответствующих моделей;

• - св. 0,5 до 0,75 включ. — уровень реализации угрозы (возникновения события и т. п.), характеризуемый как «средний», с указанием данной вероятностной оценки в выходных параметрах соответствующих моделей;

• - св. 0,75 до 1 — уровень реализации угрозы (возникновения события и т. п.), характеризуемый как «высокий», с указанием данной вероятностной оценки в выходных параметрах соответствующих моделей.

• 9 Программная реализация и проверка ПАМ-РНН

  • 9.1 Этапы и содержание работ по программной реализации и проверке ПАМ-РНН, перечень наименований разрабатываемых документов на ПАМ-РНН и их комплектность, а также требования к содержанию указанных документов должны быть определены в техническом задании на разработку ПАМ-РНН. При разработке программного обеспечения и РКД ПАМ-РНН рекомендуется применять национальные стандарты серии «Комплекс стандартов на автоматизированные системы» и серии «Единая система программной документации» соответственно.

  • 9.2 Проверку работоспособности и соответствия ПАМ-РНН функциональным требованиям необходимо осуществлять в ходе проведения опытной эксплуатации. Предусматриваются следующие стадии проверки ПАМ-РНН:

• - опытная эксплуатация на тестовых данных;

• - промышленная эксплуатация на данных объективного контроля территорий, поступающих с технических систем мониторинга в режиме времени, близком к реальному.

• 10 Опытная эксплуатация ПАМ-РНН

На этапе опытной эксплуатации ПАМ-РНН осуществляется:

• а) определение источников получения требуемых входных данных ПАМ-РНН в пилотных регионах, в качестве которых могут выступать:

• - организации наблюдательной сети Росгидромета, региональных (муниципальных) наблюдательных сетей мониторинга состояния окружающей среды, а также наблюдательных сетей других участников деятельности в области добычи, переработки и хранения НН и метеорологии;

• - производители информационной продукции о состоянии окружающей среды;

• - зарубежные источники данных о состоянии окружающей среды, информация от которых поступает в рамках международного сотрудничества участников деятельности в области метеорологии и обеспечения экологической безопасности;

• - непосредственно стационарные и подвижные пункты (комплексы) наблюдений за состоянием окружающей среды в местах размещения резервуаров хранения НН;

• - информационные ресурсы региональных и муниципальных органов, уполномоченных в области мониторинга состояния окружающей среды и т. д.;

• б) сбор и обработка входных данных ПАМ-РНН

Сбор данных реализуется применительно к пилотным регионам через ранее установленные источники получения данных о КТ.

При обработке данных при наличии частично недостающих и/или некачественных (неточных, противоречивых и т. п.) входных данных они подлежат замене на синтетические данные, рассчитываемые с использованием методов статистической обработки данных или других методов;

• в) формирование обучающего множества моделей на базе наблюдаемых параметров пилотных регионов, переобучение ПАМ-РНН

По мере накопления достоверных сведений в необходимом объеме и формирования на их базе обучающих примеров, обучающие примеры, содержащие синтетические данные, исключаются из обучающего множества и ПАМ-РНН подлежит переобучению;

• г) оценка качества прогнозов, при необходимости — наращивание обучающего множества и дообучение ПАМ-РНН

Для оценки качества прогнозов 80 % собранных и обработанных достоверных данных пилотного региона (выбранных случайным образом) отводятся для формирования обучающего множества, 20 % — для подготовки тестового набора данных прогнозов наблюдений.

Если качество прогнозов, подготовленных с использованием байесовского классификатора на тестовом наборе данных, составляет не менее 60 %, процесс опытной эксплуатации ПАМ-РНН на тестовых данных считается завершенным. В противном случае продолжается процесс наращивания обучающего множества на достоверных данных пилотного региона, дообучение ПАМ-РНН и оценка качества прогнозов. Указанный процесс повторяется до достижения требуемого качества прогнозов;

• д) проверка соответствия ПАМ-РНН предъявляемым в техническом задании требованиям, доработка по результатам проведения опытной эксплуатации программного обеспечения и РКД ПАМ-РНН.

• 11 Промышленная эксплуатация ПАМ-РНН

  • 11.1 На этапе промышленной эксплуатации осуществляется сопряжение (организуется автоматизированный информационный обмен) ПАМ-РНН с источниками получения требуемых входных данных, определенных на этапе опытной эксплуатации, через АПК «Безопасный город».

  • 11.2 В процессе применения ПАМ-РНН по назначению следует осуществлять ежедневный сбор и статистическую обработку наблюдаемых параметров на КТ в режиме времени, близком к реальному.

  • 11.3 ПАМ-РНН должна автоматически архивировать данные наблюдений.

  • 11.4 В процессе промышленной эксплуатации ПАМ-РНН подлежит постоянному дообучению с интервалом времени не более месяца.

  • 11.5 Для модели МСП ПАМ-РНН должны быть предусмотрены автоматические диагностические сообщения (сигналы) при выявлении высокого и среднего уровней угрозы возникновения РНН.

  • 11.6 Непосредственные действия пользователей по применению ПАМ-РНН, в том числе при выявлении высокого и среднего уровней угроз РНН, должны определяться отдельными регламентами и/или должностными инструкциями.

Приложение А (справочное)

Справочники отдельных наблюдаемых параметров

Таблица А.1 — Справочник градаций параметра «Тип НН»

Характеристика параметра

Нефть

Бензин

Керосин

Дизельное топливо

Битум

Мазут

Авиационное топливо

Авиационный керосин

Прочее

Таблица А.2 — Справочник градаций параметра «Тип резервуара»

Характеристика параметра

Надземные резервуары, днище которых расположено выше планировочной высотной отметки

Наземные резервуары, днище которых находится на поверхности естественного основания

Прочее

Таблица А.З — Справочник градаций температуры НН в резервуаре

Диапазон значений, °C

Минус 70 — минус 60

Минус 60 — минус 50

Минус 50 — минус 40

Минус 40 — минус 30

Минус 30 — минус 20

Минус 20 — минус 10

Минус 10 — 0

0 — плюс 10

Плюс 10 — плюс 20

Плюс 20 — плюс 30

Плюс 30 — плюс 40

Плюс 40 — плюс 50

Плюс 50 — плюс 60

Плюс 60 — плюс 70

Таблица А.4 — Справочник градаций параметра «Конструктивные особенности резервуаров»

Характеристика параметра

Резервуар со стационарной крышей без понтона (РВС) Резервуар со стационарной крышей с понтоном (РВСП) Резервуар с плавающей крышей (РВСПК) Прочее

Таблица А.5 — Справочник градаций параметра «Тип покрытия обвалования резервуара»

Характеристика параметра

Песок

Щебень Бетон

Прочее

Таблица А.6 — Справочник градаций параметра «Производительность приема-раздачи НН»

Характеристика параметра

Систематический прием и отпуск хранимого продукта потребителю Длительное хранение продукта при заполнении резервуара свыше 80 % Длительное хранение продукта при заполнении резервуара ниже 30 % Длительный простой с объемом менее 10 % продукта Прочее

Таблица А.7 — Справочник градаций параметра «Срок службы резервуара»

Диапазон значений, лет

1—10 10—20 20—30 30—40 40—50 50—60 60—70 70—80 80—90 90—100

Таблица А.8 — Справочник градаций параметра «Тип проводимого крайнего ремонта»

Характеристика параметра Осмотровый ремонт (ОР) Текущий ремонт (ТР) Средний ремонт (СР) Капитальный ремонт (КР) Объект не проходил ремонт (HP) Прочее (П)

Таблица А.9 — Справочник градаций параметра «Сведения, характеризующие общее техническое состояние резервуара на момент освидетельствования»

Характеристика параметра

Объект технически исправен (ТИ)

Объект имел незначительные замечания, не влияющие на его техническую эксплуатацию (НЗ)

Объект имеет ряд конструктивных и технических проблем (КТП)

Объект технически не исправен (НИ)

Объект не эксплуатируется (НЭ)

Прочее

Таблица А. 10 — Справочник градаций параметра «Систематичность проведения технических освидетельствований»

Характеристика параметра

Объект длительное время не проходил технических освидетельствований (пропущены не менее трех регламентных периодов с даты ввода в эксплуатацию)

Объект периодически не проходил технических освидетельствований (пропущены не более двух регламентных периодов с даты ввода в эксплуатацию)

Объект систематически проходил технические освидетельствования в период эксплуатации

Прочее

Таблица А. 11 — Скорость коррозии в резервуарах

Диапазон значений, мм/год

0—0,02

0,02—0,04

0,04—0,06

0,06—0,2

>0,2

Таблица А.12 — Справочник градаций параметров: «Температура воздуха», «Преобладающая температура воздуха ночью (днем)», «Максимальная температура воздуха ночью (днем)», «Температура поверхности грунта»

Таблица А. 13 — Справочник градаций параметра «Атмосферное давление»

Таблица А. 14 — Справочник градаций параметра «Относительная влажность воздуха»

Таблица А. 15 — Справочник градаций параметра «Направление ветра»

Таблица А. 16 — Справочник градаций параметра «Скорость ветра»

Таблица А.17 — Справочник градаций параметра «Количество осадков»

Таблица А. 18 — Справочник градаций параметра «Атмосферная видимость»

Диапазон значений, км До 0,013 включ. Св. 0,13 до 0,05 включ. Св. 0,05 до 0,13 включ. Св. 0,13 до 0,26 включ. Св. 0,26 до 0,53 включ. Св. 0,53 до 1,06 включ. Св. 1,06 до 2,65 включ. Св. 2,65 до 5,3 включ. Св. 5,3 до 13,3 включ.

Таблица А. 19 — Справочник градаций параметров «Направление естественного уклона местности относительно точки расположения резервуара», «Направление расположения ВО относительно точки расположения резервуара» и «Направление РНН на местности»

Значение параметра, град

0—10

10—20

20—30

30—40

40—50

50—60

60—70

70—80

80—90

90—100

100—110

110—120

120—130

130—140

140—150

150—160

160—170

170—180

180—190

190—200

200—210

210—220

220—230

230—240

240—250

250—260

260—270

270—280

280—290

290—300

300—310

310—320

320—330

330—340

340—350

350—360

Таблица А.20 — Справочник градаций параметра «Тип грунта местности» Характеристика параметра

Гравий Песок

Кварцевый песок Супесь, суглинок Суглинок легкий Глинистый грунт Торфяной грунт Горная порода

Прочее

Таблица А. 21 — Справочник состояний поверхности почвы

Характеристика показателя

Снег отсутствует

Свежевыпавший снег

Слой сухого рассыпчатого снега покрывает поверхность почвы частично Ровный слой сухого рассыпчатого снега покрывает поверхность почвы полностью

Плотный снег

Слежавшийся или мокрый снег (со льдом или без него), покрывающий всю поверхность почвы

Слежавшийся или мокрый снег (со льдом или без него), покрывающий, по крайней мере, половину поверхности почвы, но почва не покрыта полностью

Снег, насыщенный водой

Прочее

Приложение Б (рекомендуемое)

Порядок группировки значений входных данных с использованием формулы Стерджесса

Определение количества градаций значений случайной величины с использованием формулы Стерджесса осуществляют по следующей зависимости:

п = 1 + 3,322 • lg N, (Б.1)

где п — количество групп;

N — число единиц совокупности.

Ширину значения варьирующего признака (интервал) случайной величины h вычисляют по формуле

_ *тах ~ *min (Б 2)

где х_тах — максимальное значение признака в совокупности;

x_mjn — минимальное значение признака в совокупности.

Если х_тах или x_mjn сильно отличаются от смежных с ними значений вариантов в упорядоченном ряду значений группировочного признака, то для определения величины интервала следует использовать значения, несколько превышающие минимум и несколько меньше, чем максимум.

Если размах вариации признака в совокупности велик и значения признака варьируют неравномерно, то применяется группировка с неравными интервалами, получаемыми путем объединения интервалов, содержащих небольшое количество показателей или не содержащие вообще ни одного показателя. Также объединение интервалов осуществляется в тех случаях, когда на основе исторических данных для показателей, соответствующих данным интервалам, не зафиксировано ни одного РНН.

Таким образом, учитывая, что процесс наращивания обучающего множества предполагается осуществлять до достижения требуемого качества прогнозов, при компьютерной реализации ПАМ-РНН должны быть обеспечены следующие возможности:

• - получение первичных градаций значений наблюдаемого параметра с использованием формул (Б.1) и (Б.2) и формирование на их базе соответствующего справочника;

• - изменение полученного справочника градаций значений наблюдаемого параметра пользователем ПАМ-РНН.

Приложение В (рекомендуемое)

Методика расчета параметров разливов нефти и нефтепродуктов

В.1 Определение массы НН, вылившейся из резервуара хранения при РНН

В.1.1 Массу нефти, вылившейся из резервуара, М_р, кг, вычисляют по формуле хр 2 _д2

^мр-^в(1)‘--T_R--■ ^(В1)

где — массовый расход НН, проходящий через аварийное отверстие в момент времени t, кг/с, вычисляемый по формуле

/■> _Рнн У И hol * /о о\

^G(f)-^Go----'> (В.2)

G_o — массовый расход НН через аварийное отверстие в начальный момент времени, кг/с; t — период времени истечения, с.

Рнн — плотность НН при температуре хранения в резервуаре, кг/м³, определяемая по таблице В.1.

д — ускорение свободного падения, равное 9,81 м/с²;

р — коэффициент истечения, равный 0,61;

A_hoi — площадь аварийного отверстия, м²;

A_R — площадь основания резервуара, м².

Таблица В.1—Плотность р^н НН

Продолжение таблицы В. 1

Продолжение таблицы В. 1

Окончание таблицы В. 1

• В. 1.2 Массовый расход НН в начальный момент времени G_o, кг/с, вычисляют по формуле

^G0 ⁼ Н ’ Рнн ’ ^hol ' ' 9 ' (Ь₀ ~ ^hol)’ (В-3)

где h₀ — начальная высота столба жидкости в резервуаре, м;

• — высота расположения аварийного отверстия, м.

В. 1.3 Начальную высоту столба НН в резервуаре h₀, м, вычисляют по формуле

'’0 = ^', (В.4)

где A_R — площадь основания резервуара, м²;

У_нн — объем хранимой в резервуаре НН, м³.

В. 1.4 Для цилиндрических резервуаров площадь основания резервуара A_R< м², вычисляют по формуле (d\²

^Дк ^{= 71}Ы ’ ^(в,5)

где d — диаметр резервуара, м, определяемый по таблице В.2.

Таблица В.2 — Характеристики цилиндрических резервуаров

Окончание таблицы В. 2

В.1.5 Полное время истечения /_полн, с, НН через аварийное отверстие резервуара вычисляют по формуле

_f _ 2Д« (fio - >]h_hoi) "°™⁼

• В.2 Определение массы разлившейся НН за пределы обвалования

  • В.2.1 Массу НН М_об, кг, перелившуюся за пределы обвалования за период времени, вычисляют по формуле

^об~^р ЧэбвРнН’ (В-7)

где V_o6b — объем площадки обвалования, м³.

• В.З Определение размера зеркала РНН при разгерметизации резервуара, расположенного на КТ

  • В.3.1 Радиус зеркала РНН L_p^, м, в период времени истечения t, представленного в виде приведенного круга, вычисляют по формуле

/ ч0,06

g т²

<У Рнн >

где — массовый расход НН, проходящий через аварийное отверстие в резервуаре, кг/с, вычисляемый по формуле (В.2);

Рн_Н — плотность НН при температуре грунта за пределами обвалования, кг/м³;

т — продолжительность истечения (принимается равным шагу прогнозирования), с;

д — ускорение свободного падения, равное 9,81 м/с²;

v — кинематическая вязкость жидкости, при температуре грунта за пределами обвалования м²/с;

• В.3.2 Форму площади растекания НН S_PHH, м², вычисляют площадью приведенного круга с радиусом L_p^ по формуле

^sphh ^{= л} ' ^L2p(tY (^в-⁹)

Форма растекания НН в виде приведенного круга с радиусом L_p^ актуальна для неограниченных территорий с уклоном рельефа местности КТ до 1 %.

• В.3.3 Для неограниченных территорий с уклоном от 1 % и более площадь растекания НН соответствует площади эллипса.

Значения осей эллипса РНН следует вычислять по формулам:

Ьрнн = ]^Р^; (в.ю)

у Л

где Ь_рнн — большая полуось эллипса РНН, м;

а_рнн — малая полуось эллипса РНН, м;

К_ук — коэффициент, характеризующий уклон местности, принимается равным: 8 — для площадки КТ с уклоном 1 % — 3 %;

16 — для площадки КТ с уклоном более 3 %.

Приложение Г (рекомендуемое)

Определение плотности и вязкости нефти и нефтепродуктов при заданной температуре

Г.1 Определение плотности НН при заданной температуре

Плотность НН при заданной температуре р^_н, кг/м³, грунта за обвалованием вычисляют по формуле Д.И. Менделеева:

pSh = P2</(1 ⁺ ₽р ■ (Л_Р-2О)). (Г.1)

где р₂₀ — плотность НН при 20 °C, кг/м³;

Т_гр — температура поверхности грунта за обвалованием резервуара, °C;

З_р — коэффициент объемного расширения, принимаемый в зависимости от плотности НН при температуре 20 °C, 1/°С, определяемый по таблице Г.1.

Таблица Г.1 — Коэффициенты объемного расширения НН при заданной плотности НН

Г.2 Определение вязкости НН при заданной температуре

Кинематическую вязкость НН v^_H, м²/с, при заданной температуре грунта за обвалованием резервуара Т_гр, вычисляют по формуле Рейнольдса-Филонова:

^vhh ^=vxo '^e “(^Тг₽ (Г.2)

где v_xp — кинематическая вязкость при температуре хранения НН в резервуаре Т_хр, м²/с;

и — показатель крутизны вискограммы, 1 /К, вычисляемый по формуле

u = 1/(7-_rp-T_xp) (Г.З)

^VHH

Т_уп — температура хранения НН в резервуаре на момент РНН, К. лр

Библиография

• [1] Федеральный закон от 30 июня 2006 г. № 74-ФЗ «Водный кодекс Российской Федерации»

• [2] Федеральный закон от 10 января 2002 г. № 7-ФЗ «Об охране окружающей среды»

• [3] ТУ 0253-053-00151911-2008 Масла индустриальные ИГП. Технические условия

УДК 614.894:006.354

Ключевые слова: безопасный город, прогнозная аналитическая модель, метод Байеса, вероятностная оценка угроз, нефть, нефтепродукты, разлив нефти (нефтепродуктов), прогнозирование последствий РНН

Редактор Н.В. Таланова

Технический редактор В.Н. Прусакова

Корректор М.И. Першина

Компьютерная верстка Е.О. Астатина

Сдано в набор 30.11.2022. Подписано в печать 14.12.2022. Формат 60x84%. Гарнитура Ариал.

Усл. печ. л. 4,65. Уч.-изд. л. 3,70.

Подготовлено на основе электронной версии, предоставленной разработчиком стандарта

Создано в единичном исполнении в ФГБУ «Институт стандартизации» , 117418 Москва, Нахимовский пр-т, д. 31, к. 2.