استفاده از منطق فازی در برآورد احتمال شکست در آنالیز ریسک به روش درخت خطا
ارتقای ایمنی و پیشگیری از مصدومیت ها,
دوره 2 شماره 2 (2014),
20 December 2014
,
صفحه 113-123
https://doi.org/10.22037/meipm.v2i2.7052
چکیده
سابقه و هدف: روش تجزیهوتحلیل درخت خطا یک ابزار مناسب برای تجزیهوتحلیل شکست و تعیین نرخ آن میباشد. در برخی موارد به دلیل نبود اطلاعات در خصوص فرایند و رویدادهای اصلی، برآورد دقیق احتمال شکست مشکل است. در اینگونه موارد، استفاده از ابزار فازی میتواند مفید باشد. در مطالعه حاضر بهمنظور برآورد احتمال شکست در آنالیز ریسک واحد تقطیر یک پالایشگاه نفت با روش درخت خطا از منطق فازی استفاده شد. در این مقاله ضمن بیان روش بکار رفته، نتایج حاصل از آنالیز ریسک رآکتور واحد تقطیر ارائهشده است.
روش بررسی: در این مطالعه توصیفی با اعمال HAZOP مخاطرات فرآیند موردبررسی تهیه و درخت خطای آن رسم شد. در صورت وجود نرخ احتمال ورودی به درخت خطا مقدار نرخ شکست از روابط مربوطه محاسبه شد. در غیر این صورت از منطق فازی استفاده شد. مراحل منطق فازی با انتخاب تیمی متشکل از خبرگان آغاز و به برآورد نرخ احتمال رویدادهای ریشهای ختم شد. برای برآورد احتمال از فرمول توصیهشده توسط Onisawa استفاده شد. پسازآن نرخ رویداد اصلی از رابطه مربوطه محاسبه شد. سپس با استفاده از رابطه فاسل-وسلی بحرانیترین MCS مشخص شد. در خاتمه اثربخشی حذف سه شکست ریشهای مهم بهصورت انفرادی و توأم موردبررسی قرار گرفت.
يافتهها: استفاده از HAZOP برای شناسایی مخاطرات رآکتور واحد تقطیر منجر به شناسایی 4 علت اصلی و 13 علت ریشهای شد. از مجموع 13 رویداد انتهایی، 7 رویداد فازی و 6 رویداد احتمالاتی بودند. نتايج نشان داد كه حذف بحرانیترین MCS يعني A.3.2 ميزان قابليت اطمينان رويداد اصلي را ممکن است به ميزان 9/5 درصد افزايش داده و از 0/914 به 0/968 ارتقاء بخشد. همچنین حذف توأم سه MCS بحراني يعني A2.2, A3.1, A3.2 نيز ميزان قابليت اطمينان رويداد اصلي را به ميزان 4/8 درصد از 0/914 به 0/991 افزايش داد.
نتيجهگيري: در هنگامیکه اطلاعات کافی در خصوص فرایند و رویدادهای اصلی وجود ندارد، با استفاده از ابزار فازی میتوان احتمال شکست را تعیین کرد.
- منطق فازی، نرخ شکست، درخت خطا
ارجاع به مقاله
مراجع
Clemen RT, Winkler RL. Combining probability distributions from experts in risk analysis. Risk analysis. 1999;19(2):187-203.
Amrozowicz MD, Brown A, Golay M. A probabilistic analysis of tanker groundings. 7th international offshore and polar engineering conference; Honolulu, Hawaii;1997. 1-19.
Zadeh LA. Fuzzy sets. Information and control. 1965;8(3):338-53.
Zimmermann HJ. Fuzzy Set Theory and its Applications. 2nd ed. Boston: Kluwer Academic Publisher; 1991. 36-43.
Tyagi SK, Pandey D, Tyagi R. Fuzzy set theoretic approach to fault tree analysis. International Journal of Engineering, Science and Technology. 2010;2(5):276-83.
Vose D. Risk analysis: a quantitative guide. 2nd ed. New York: John Wiley & Sons; 2000.
Andrews JD, Ridley LM. Application of the cause–consequence diagram method to static systems. Reliability Engineering & System Safety. 2002;75(1):47-58.
Renjith V, Madhu G, Nayagam V, Bhasi A. Two-dimensional fuzzy fault tree analysis for chlorine release from a chlor-alkali industry using expert elicitation. Journal of hazardous materials. 2010;183(1):103-10.
Onisawa T. An application of fuzzy concepts to modelling of reliability analysis. Fuzzy sets and Systems. 1990;37(3):267-86.
Onisawa T. Subjective analysis of system reliability and its analyzer. Fuzzy Sets and Systems. 1996;83(2):249-69.
Zhao R, Govind R. Defuzzification of fuzzy intervals. Fuzzy Sets and Systems. 1991;43(1):45-55.
Miller GA. The magical number seven, plus or minus two: some limits on our capacity for processing information. Psychological review. 1956;63(2):81-97.
Cornelissen A, Van Den Berg J, Koops W, Kaymak U. Elicitation of expert knowledge for fuzzy evaluation of agricultural production systems. Agriculture, ecosystems & environment. 2003;95(1):1-18.
Nurmi H. Approaches to collective decision making with fuzzy preference relations. Fuzzy sets and systems. 1981;6(3):249-59.
Ishikawa A, Amagasa M, Shiga T, Tomizawa G, Tatsuta R, Mieno H. The max-min Delphi method and fuzzy Delphi method via fuzzy integration. Fuzzy sets and systems. 1993;55(3):241-53.
Miri Lavasani S, Yang Z, Finlay J, Wang J. Fuzzy risk assessment of oil and gas offshore wells. Process Safety and Environmental Protection. 2011;89(5):277-94.
Chen SJ, Hwang CL, Hwang FP. Fuzzy Multiple Attribute Decision Making: Methods and Applications. 1st ed. New York: Springer-Verlag; 1992.
Onisawa T. An approach to human reliability in man-machine systems using error possibility. Fuzzy Sets and Systems. 1988;27(2):87-103.
Hauge S, Onshus T. Reliability Data for Safety Instrumented Systems: PDS Data Handbook. 1st ed. New York: SINTEF Technology and Society; 2010.
Pinto A, Nunes IL, Ribeiro RA. Qualitative model for risk assessment in construction industry: a fuzzy logic approach. Emerging Trends in Technological Innovation: Springer; 2010. p. 105-11.
Celik M, Lavasani SM, Wang J. A risk-based modelling approach to enhance shipping accident investigation. Safety Science. 2010;48(1):18-27.
- چکیده مشاهده شده: 2309 بار
- PDF (English) دانلود شده: 2110 بار