تحليل پويا حوادث صنايع فرآيندي: مقايسه مدل پاپيوني و شبكه بيزين

Dynamic Process Accident Analysis: Comparison of Bow tie and Bayesian Network Models

سابقه و هدف: حوادث صنايع فرايندي ساليانه خسارات جبران ناپذيري از ابعاد انساني، اقتصادي، اجتماعي، زيست محيطي و حتي سياسي بر كشور تحميل مي كند. براي پيشگيري از بروز اين گونه حادثه شناسايي، ارزيابي و تحليل علل به وجود آورنده آن ها با رويكردهاي نوين جهت طراحي استراتژي هاي پيشگيرانه يك ضرورت محسوب مي شود. اين مطالعه باهدف تحليل پويا حوادث فرآيندي با مقايسه مدل سنتي پاپيوني و روش نوين شبكه بيزين طراحي و اجرا گرديد. روش بررسي: سناريو حوادث موردنظر ابتدا با مدل پايپوني به طور كيفي و كمي مورد مدل سازي قرار گرفت و سپس با استفاده از الگوريتم ارائه شده، مدل علت – پيامد سناريو حادثه در شبكه بيزين مدل سازي شد. از توانايي هاي شبكه بيزين: استدلال قياسي، استدلال استقرايي و به روزرساني احتمال جهت تحليل پويا سناريو حادثه استفاده گرديد. يافته ها: نتايج استدلال استقرايي جهت تخمين احتمال وقوع سناريو و پيامدهاي نهايي آن در شبكه بيزين نسبت به مدل پاپيوني دقيق تر است. شبكه بيزين قادر به انجام استدلال قياسي جهت به روز رساني احتمال وقوع رويدادهاي ريشه اي از طريق بهره گيري از داده-هاي پيش درآمد حوادث، در نظر گرفتن وابستگي شرطي بين رويدادهاي ريشه اي، بين موانع ايمني و مدل سازي نقص هاي شرطي با علل مشترك بود، درحالي كه مدل پايپوني قادر به انجام آن ها نبود. نتيجه گيري: در اين مطالعه براي اولين بار روشي جهت ساخت مدلي پويا و كمي معرفي شد كه اين امكان را فراهم مي سازد كه خطرات ايمني اين گونه صنايع به طور مداوم و پويا شناسايي، ارزيابي و پايش گردد. پياده سازي اين مدل در صنايع فرايندي مي تواند ريسك بروز حوادث صنعتي را به طور قابل ملاحظه اي بكاهد و سطح ايمني را ارتقاء دهد

Background and Objectives: Accidents of the industrial processes have caused irreparable economic, social, environmental and even political loses in the country. To prevent such accidents, identifying, evaluating and analyzing the causes of these incidents with new approaches are required for designing preventive strategies is a necessity. Therefore, the objective of the present study was directed toward the identifying and dynamic analyzing of the root causes of the process accidents. The Bowtie (BT) model and Bayesian Network (BN) were implemented for analyzing the accidents. Materials and Methods: First, the accidents' scenarios were modelled quantitatively and quantitatively using the BT model, and then, the cause-consequence model of the accident scenarios was modelled in the BN using the proposed algorithm. Capabilities of the BN including, deductive, abductive reasoning and updated probability was used for dynamic analysis of the accident scenarios. Results: The results showed that deductive reasoning for estimating the occurrence probabilities of a scenario and its consequences is more accurate by BN than BT. BN model is capable of doing probability updating of root events using the precursor accident data through abductive reasoning, taking into account conditional dependency among root events, safety barriers and modelling of common cause’s failures. However, BT model does not have such capabilities. Conclusion: In the present study, a novel, dynamic and quantitative model was introduced that allows the continuous identification and monitoring of the safety risks in the process industries. Implementing the proposed model in the process industries can significantly reduce the risk of the industrial accidents and improve the level of safety.