基于改進支持向量機的海上油性危化品事故預警技術研究

中圖分類號：TP181 文獻標志碼：B 文章編碼：1672-7274（2025）05-0059-03

Abstract： Effective early warning of ofshore oil hazardous chemical accidents can identify potential risks in advance，take emergency measures，reduce the probabilityof accidents，minimize the damage caused by accidents， protectthe marine environment，reduce economic losses，and ensure public safety.The article improves the support vector machine model by combining different kernel functions in a weighted manner and using the AdaBoost algorithm to improve its prediction performance.Through empirical testing，ithas been proven to effectively improve the performance of accident warning.

Keywords： offshore oily hazardous chemicals; fault warning; improving support vector machine

1 研究背景

海上石油開采和運輸過程中涉及大量油性危化品，極易因操作失誤、設備故障或外界環境因素引發爆炸、泄漏等安全事故。這些危化品具有高度易燃易爆、揮發性強的特點，一旦發生事故，后果往往十分嚴重，不僅威脅操作人員的生命安全，還可能對海洋生態環境造成難以估量的破壞。隨著對油性危化品在海上石油開采和運輸過程中的監測需求不斷增加，如何高效處理大量監測數據并進行精準預警，已成為研究熱點。在各類預警模型中，基于機器學習的支持向量機因其在小樣本、高維數據及非線性問題處理中的優勢，被廣泛應用于油性危化品的風險預警中。支持向量機可以通過構建高維決策超平面來有效分類正常和異常數據，識別潛在風險，實現對危化品泄漏、爆炸等事故的快速預警。為此，本文基于該模型對海上油性危化品事故進行預警[1]。

2 支持向量機模型的改進

在采集海上油性危化品相關信息的基礎上，本文對支持向量機模型進行改進，以提高預警能力。首先，支持向量機的分類性能依賴于核函數的選擇。在油性危化品預警中，可以通過核函數優化來增強模型對非線性數據的處理能力。一般常用的核函數有線性核、徑向基函數（RBF）核、多項式核等。可以考慮使用自適應核或組合核函數，以適應復雜的數據模式，如式（1）所示：

（1）式中， K_liner ， 以及 分別表示線性、徑向基、多項式核函數； α 、 β 以及Y分別代表不同核函數的權重。

其次，引入AdaBoost模型，以增強分類器的準確性和魯棒性。AdaBoost（AdaptiveBoosting）通過迭代訓練多個弱分類器（在此處為支持向量機）并組合它們的輸出，以構建一個強分類器。其基本思想是在每一輪迭代中，增加對前一輪分類錯誤樣本的關注度，從而使模型逐漸聚焦于難以分類的樣本，提高整體預測效果。假設樣本集為 ， x_i 代表危化品預警信息采集的各項數據指標， y_i∈Y ， Y=（-1，1） ，代表危化品的狀態，當取值為1時表示發生危險事件，0代表正常狀態。AdaBoost首先為每個訓練樣本分配一個初始權重，通常初始化為相等的權重分布。如果訓練集共有 個樣本，則每個樣本的初始權重為式（2）：

在每一輪迭代中，訓練一個支持向量機 h_t（x） ，計算在當前樣本權重分布下的加權錯誤率 ε_t 。

式中， I（x） 是指示函數，當分類錯誤時值為1，正確時為 0 根據 ε_t 計算該支持向量機的權重，權重用于表示該分類器在最終組合中的重要性。若支持向量機的誤差率越小，權重 a_t 就越大，即該分類器在最終模型中的貢獻越大。

更新樣本權重，使得分類錯誤的樣本在下一輪中受到更高的關注度。權重更新公式為：

之后，對所有權重進行歸一化處理，使得新的權重之和為1。

經過T輪迭代后，對各分類器進行加權匯總，得到最終的預警模型。

式中，sign表示符號函數，結果為0或1，以作為最終分類結果； h_t（x） 代表每一輪訓練得到的支持向量機。

為得到 α 、 β 以及Y等支持向量機模型參數，本文采用遺傳算法對模型參數進行優化。遺傳算法隨機生成一組解，每個解（個體）表示支持向量機參數組合的一種可能配置。每個個體通過適應度函數（支持向量機模型在驗證集上的分類準確率或均方誤差）來衡量其優劣，適應度越高的個體在后續選擇中保留的概率越高[2]。

3 基于改進支持向量機的海上油性危化品預警流程

基于改進的支持向量機模型，本文構建海上油性危化品預警流程如圖1所示。

進行優化。第四，通過測試樣本集合，對參數優化后的AdaBoost-SVM模型進行評價。最后，將該模型用于海上油性危化品的預警[3]

1 實證檢驗

本文收集某海上石油危化品監測與預警數據集，共76萬條數據，其中包括7372條報警數據，占比為0.97% ，樣本比例嚴重失衡。為處理不平衡樣本，采用SMOTE算法進行處理。通過SMOTE，可以有效生成新的少數類樣本，平衡兩類樣本的數量，從而改善模型的分類性能，主要步驟如下：

（1）從少數類樣本集中隨機選取一個樣本 x_i ，使用歐氏距離）計算它與其他少數類樣本的距離，得到x_i 的 k 個最近鄰。

（2）從 的k個最近鄰中隨機選取一個樣本 x_nn 然后在x和 |x_nn 之間生成一個新的合成樣本。

（3）使用以下公式生成新樣本，該樣本位于 ??x 和x_nn 之間。

x_new=x+δ?（x_nn-x）

式中， δ 為隨機數，取值范圍在[0，1]之間。

（4）重復上述步驟，直到少數類樣本達到與多數類樣本相對平衡的數量。

采用SMOTE平衡樣本以后，在訓練集上，采用

如圖1所示，第一，對海上危化品相關數據進行搜集。第二，在處理不平衡數據基礎上，將樣本拆分為訓練樣本集合以及測試樣本集合。第三，在訓練樣本集合上，對AdaBoost-SVM模型的參數采用遺傳算法

遺傳算法得到AdaBoost-SVM模型的最優參數。其中遺傳算法的種群大小設為50，以確保有足夠的解空間進行搜索；最大迭代次數為100，保證算法有足夠的迭代次數來收斂到最優解；選擇率為0.4，通過

保留優秀個體加速收斂；交叉率設置為0.8，以較高的重組概率增加解的多樣性；變異率為0.05，通過適當的隨機擾動防止算法陷入局部最優，得到算法收斂圖，如圖2所示。

通過遺傳算法，得到AdaBoost-SVM模型的主要參數如表1所示。

基于表1的各項參數，建立AdaBoost-SVM模型，并在測試集上進行預測，同時，將AdaBoost-SVM與其他模型進行對比，得到表2。

如表2所示，總體而言，AdaBoost-SVM在各個指標上都表現出了明顯的優勢，尤其在準確率、精確率、召回率和真負率上提升較為顯著，相較于其他模型展現出更強的預警能力。

5 結束語

本文對支持向量機模型進行改進，采用加權方式聯合不同核函數，并且采用AdaBoost算法改進其預測效果。與普通SVM相比，AdaBoost-SVM在各項指標上均有顯著提升，準確率提高了約 14.6% ，精確率提升了 14.6% ，召回率和真負率分別提高了 10.7% 和 15% .AUC值也提升了 14.4% 。

參考文獻

[1]張廣毓.危化品運輸中的安全與事故防范探究[J].石油石化物資采購，2023，1（20）：137-139.

[2]黃守斌.關于危化品重大危險源漏判的辨識和探討[J].內蒙古石油化工，2024，50（1）：43-48.

[3]孫振民.石油化工企業加強危化品安全管理的策略研究[J].石化技術，2022，29（10）：169-171.