随着加拿大朝着2050年实现净零温室气体排放的目标迈进，氢能已成为国家脱碳路径的核心组成部分。联邦政府的相关计划（如2030年减排计划和加拿大氢能战略）强调将氢能及其与天然气的混合物作为难以电气化的领域（包括住宅和商业供暖）的短期脱碳方案[1,2]。同时，多个省份正在开展试点项目和监管试验，探索将氢能整合到现有的天然气分配网络和终端设备中，充分利用加拿大庞大的天然气基础设施和不断增长的低碳氢能生产能力[3]。在冬季需求较高的国家，氢能作为一种可调度热能的补充选项，能够有效利用现有资源。
然而，氢能的部署也带来了独特的技术和安全挑战。如果管理不当，氢的高扩散性、宽燃爆范围和低点火能量会增加泄漏和点火事件的发生概率及其后果[4]。与天然气相比，氢在材料兼容性、储存行为和燃烧特性上的差异要求进行有针对性的基础设施升级和严格的安全规划，尤其是在人口密集的住宅和商业环境中[5]。因此，在公共场所大规模采用氢能需要严格的风险评估和缓解策略[6]。定量风险评估（QRA）是氢能安全评估的基石，能够提供与储存、分配和终端使用系统相关的事故可能性和后果的概率估计[7,8]。设施和组件级别的QRA已被广泛用于支持工程设计、代码制定和监管决策，以评估管道故障、设备故障和意外释放等风险[9]。
然而，针对氢能的特定终端使用分区仍然有限。例如，英国的H21 Leeds City Gate项目利用工程模拟和QRA评估了将城市燃气网络完全转换为氢能的可能性[10]。研究团队扩展了CONIFER模型，以评估电子控制比例阀（ECV）下游的泄漏、扩散、点火、爆炸后果、热辐射以及相对于天然气的社会风险，为他们的测试计划提供了依据[11,12]。HyDeploy项目则获得了《燃气安全（管理）法规》（GS(M)R）的豁免权限，在选定的试验区域混合使用最高20%的氢能，并通过QRA证据证明其安全性与天然气相当[13,14]，支持了Keele等地区的试验[15]。不过，这两个项目都集中在同质的试验区域内，没有开发出适用于多样化城乡环境的预测性、区域性的风险分区方法。
传统QRA框架（基于特定场景的事件树分析、确定性后果建模、固定缓冲区土地利用规划方法）的局限性在于它们基于假设的情景且缺乏空间维度。这些方法通常假设暴露条件均匀，并按站点单独配置，无法反映建筑类型、人口密度、应急响应能力和温度、风速等环境条件的地理差异[16,17]。即使结合了地理信息系统（GIS），传统方法也往往依赖线性加权或基于规则的分类，无法捕捉区域风险驱动因素之间的非线性相互作用。这限制了它们在政策相关问题（如应优先在何处部署氢能设备、哪些社区需要改造以及社会脆弱性如何在不同地区变化）中的应用。
监督机器学习（ML）提供了一种补充方法，它可以直接从大型、异构的数据集中学习复杂的非线性关系，从而在包括氢能系统在内的不同城乡环境中实现一致且可扩展的风险等级分类[18]。结合事后可解释工具（如SHapley Additive Explanations，SHAP），ML模型可以通过量化单个特征对预测结果的贡献来保持透明度[19]。在这种背景下，ML可以作为高级筛选和分区工具，帮助制定基于风险的氢能设备部署策略。
在住宅和商业环境中，这种需求尤为突出，因为这些地方的基础设施特征、居住人数和防火系统在城乡之间存在显著差异。国家火灾信息数据库（NFID）的数据显示，住宅物业在加拿大结构性火灾事件中占多数，占比约为60%，并在2005年至2013年间上升至69-75%[20]。加拿大统计局的最新统计数据显示，截至2021年，住宅建筑仍然是报告的结构性火灾事件的主要来源[21]。先前的研究表明，包括随机森林（RF）在内的监督ML方法在火灾风险分区方面优于传统的统计和基于规则的GIS方法，因为它们能够捕捉到不同地区的异质性、非线性风险驱动因素[22,23]。梯度提升和集成机器学习模型（如XGBoost（XGB）和Light Gradient Boosting Machine（LGBM）在复杂能源系统和氢能处理单元的事故可能性和后果评估中也表现出色[24]。在组件和系统层面，基于数据的集成机器学习框架已成功应用于整合多源数据和增强特征（如材料属性、环境参数和操作条件），以预测火灾情景下氢储罐的关键安全指标（如爆裂压力）[25]。这些发现表明，ML非常适合将历史火灾脆弱性和区域特征转化为与氢能设备部署相关的空间社会风险分类。
据作者所知，目前尚无现有框架能够将监督ML与区域人口统计、基础设施和历史火灾数据结合起来，根据社会风险优先考虑氢能设备的部署区域。这种优先级划分至关重要，因为这些因素不仅影响事故的可能性和后果严重性，还直接影响公众对氢能作为新兴能源的认知。在没有基于风险的分区方法的情况下，部署策略可能会使脆弱社区面临过度风险，同时对低风险地区造成不必要的限制。
为解决这一难题，本研究开发了一个基于监督ML的框架，用于根据氢能设备部署相关的社会风险对住宅区域进行空间分类。通过选择阿尔伯塔省作为案例研究，该框架展示了其有效性——该省具有多样化的城乡基础设施和活跃的氢能试点项目。通过整合十年的NFID火灾事故数据（2005-2015年）[26]以及区域人口统计、环境和基础设施特征，模型生成了明确的空间社会风险地图，识别出需要优先改造或加强安全措施的社区。这一基于数据、可解释的框架支持基于风险的氢能推广规划、政策分区和明智的监管决策，同时也可适用于具有类似数据集的其他地区。
