تحليل پويا حوادث صنايع فرآيندي: مقايسه مدل پاپيوني و شبکه بيزين
ارتقای ایمنی و پیشگیری از مصدومیت ها,
دوره 5 شماره 4 (2017),
13 March 2018
,
صفحه 212 - 201
https://doi.org/10.22037/meipm.v5i4.20727
چکیده
سابقه و هدف: حوادث صنايع فرايندي ساليانه خسارات جبرانناپذيري از ابعاد انساني، اقتصادي، اجتماعي، زيستمحيطي و حتي سياسي بر کشور تحميل ميکند. براي پيشگيري از بروز اينگونه حادثه شناسايي، ارزيابي و تحليل علل به وجود آورنده آنها با رويکردهاي نوين جهت طراحي استراتژيهاي پيشگيرانه يک ضرورت محسوب ميشود. اين مطالعه باهدف تحليل پويا حوادث فرآيندي با مقايسه مدل سنتي پاپيوني و روش نوين شبکه بيزين طراحي و اجرا گرديد.
روش بررسي: سناريو حوادث موردنظر ابتدا با مدل پايپوني بهطور کيفي و کمي مورد مدلسازي قرار گرفت و سپس با استفاده از الگوريتم ارائهشده، مدل علت – پيامد سناريو حادثه در شبکه بيزين مدلسازي شد. از تواناييهاي شبکه بيزين: استدلال قياسي، استدلال استقرايي و بهروزرساني احتمال جهت تحليل پويا سناريو حادثه استفاده گرديد.
يافتهها: نتايج استدلال استقرايي جهت تخمين احتمال وقوع سناريو و پيامدهاي نهايي آن در شبکه بيزين نسبت به مدل پاپيوني دقيقتر است. شبکه بيزين قادر به انجام استدلال قياسي جهت بهروزرساني احتمال وقوع رويدادهاي ريشهاي از طريق بهرهگيري از داده-هاي پيشدرآمد حوادث، در نظر گرفتن وابستگي شرطي بين رويدادهاي ريشهاي، بين موانع ايمني و مدلسازي نقصهاي شرطي با علل مشترک بود، درحاليکه مدل پايپوني قادر به انجام آنها نبود.
نتيجهگيري: در اين مطالعه براي اولين بار روشي جهت ساخت مدلي پويا و کمي معرفي شد که اين امکان را فراهم ميسازد که خطرات ايمني اينگونه صنايع بهطور مداوم و پويا شناسايي، ارزيابي و پايش گردد. پيادهسازي اين مدل در صنايع فرايندي ميتواند ريسک بروز حوادث صنعتي را بهطور قابلملاحظهاي بکاهد و سطح ايمني را ارتقاء دهد.
How to cite this article:
Zarei E, Mohammadfam I, Azadeh A, Mirzaei-Aliabadi M. Dynamic Process Accident Analysis: Comparison of Bow tie and Bayesian Network Models. J Saf Promot Inj Prev. 2017; 5(4):201-12 .
- تحليل پويا حوادث، مدلسازي حوادث فرآيندي، شبکه بيزين، مدل پايپوني، صنايع فرآيندي
ارجاع به مقاله
مراجع
Khan FI, Abbasi SA. Techniques and methodologies for risk analysis in chemical process industries. J Loss Prev Process Ind. 1998;11(4):261–77[Scopus].
Jahangiri M, Nourozi M sarebanzadeh k. Risk Managment, Part 2. Tehran: Fanavaran Press; 2013.
Zarei E. Dynamic quantitative risk modeling using fuzzy logic and Bayesian network on process industries. Ph.D Thesis,Hamadan University of Medical Sciences; 2017.
Jafari MJ, Zarei E, Dormohammadi A. Presentation of a method for consequence modeling and quantitative risk assessment of fire and explosion in process industry (Case study: Hydrogen Production Process). J Heal Saf Work. 2013;3(1):55–68.
Gowland R. The accidental risk assessment methodology for industries (ARAMIS)/layer of protection analysis (LOPA) methodology: A step forward towards convergent practices in risk assessment? J Hazard Mater. 2006;130(3):307–10[Pub Med].
Delvosalle C, Fievez C, Pipart A, Debray B. ARAMIS project: a comprehensive methodology for the identification of reference accident scenarios in process industries. J Hazard Mater. 2006;130(3):200–19[Pub Med].
De Dianous V, Fiévez C. ARAMIS project: A more explicit demonstration of risk control through the use of bow–tie diagrams and the evaluation of safety barrier performance. J Hazard Mater. 2006;130(3):220–33[Pub Med].
Khakzad N, Khan F, Amyotte P. Dynamic risk analysis using bow-tie approach. Reliab Eng Syst Saf. 2012;104:36–44.
Khakzad N, Khan F, Amyotte P. Dynamic safety analysis of process systems by mapping bow-tie into Bayesian network. Process Saf Environ Prot. 2013;91(1–2):46–53[Scopus].
Zarei E, Azadeh A, Aliabadi MM, Mohammadfam I. Dynamic Safety Risk Modeling of Process Systems Using Bayesian Network. Process Saf Prog. 2017;36(4):399–407[Scopus].
Badreddine A, Ben Amor N, editors. A dynamic barriers implementation in Bayesian-based bow tie diagrams for risk analysis. 2010 ACS/IEEE International Conference on Computer Systems and Applications, AICCSA; 2010[Scopus].
Zarei E, Azadeh A, Khakzad N, Mirzaei Aliabadi M, Mohammadfam I. Dynamic safety assessment of natural gas stations using Bayesian network. J Hazard Mater. 2017;321:830–40[Pub Med].
Khakzad N, Khan F, Amyotte P. Quantitative risk analysis of offshore drilling operations: A Bayesian approach. Saf Sci. 2013;57:108–17[Scopus].
Ferdous R, Khan F, Sadiq R, Amyotte P, Veitch B. Fault and event tree analyses for process systems risk analysis: uncertainty handling formulations. Risk Anal. 2011;31(1):86–107[Pub Med].
Khakzad N, Khan F, Amyotte P. Safety analysis in process facilities: Comparison of fault tree and Bayesian network approaches. Reliab Eng Syst Saf. 2011;96(8):925–32[Scopus].
Kalantarnia M, Khan F, Hawboldt K. Dynamic risk assessment using failure assessment and Bayesian theory. J Loss Prev Process Ind. 2009;22(5):600–6[Scopus].
Abimbola M, Khan F, Khakzad N. Dynamic safety risk analysis of offshore drilling. J Loss Prev Process Ind. 2014;30:74–85[Scopus].
Abbassi R, Khan F, Garaniya V, Chai S, Chin C, Hossain KA. An integrated method for human error probability assessment during the maintenance of offshore facilities. Process Saf Environ Prot. 2015;94:172–9[Scopus].
Nielsen TD, Jensen FV. Bayesian networks and decision graphs. Second. New York, USA: Springer Science & Business Media; 2009.
Kjaerulff UB, Madsen AL. Bayesian networks and influence diagrams. Springer Sci Bus Media. 2008;200:114.
Ozog H. Hazard identification, analysis and control. Chem. Eng. (NY);( United States). 1985; 92(4).
OREDA Offshore reliability data handbook. DNV, Trondheim, Norway. 2002.
Freeman RA. CCPS guidelines for chemical process quantitative risk analysis. Process Safety Progress. 1990; 9(4):231-5.
Zarei E, Mohammadfam I, Aliabadi MM, Jamshidi A, Ghasemi F. Efficiency prediction of control room operators based on human reliability analysis and dynamic decision-making style in the process industry. Process Saf Prog. 2016;35(2):192-9[Scopus].
- چکیده مشاهده شده: 502 بار
- PDF دانلود شده: 295 بار