|
" ارزیابی ریسک یک واحد فرایندی با استفاده از تکنیک یادگیری ماشین و روش دیمتل فازی "
الهام کیقبادی
صابر مرادی
حسین ابراهیمی
| عنوان اصلي
|
:
|
ارزیابی ریسک یک واحد فرایندی با استفاده از تکنیک یادگیری ماشین و روش دیمتل فازی
|
| نام نخستين پديدآور
|
:
|
الهام کیقبادی
|
| استاد راهنما
|
:
|
صابر مرادی
|
| استاد مشاور
|
:
|
حسین ابراهیمی
|
| نام مرکز
|
:
|
دانشکده بهداشت
|
| نوع مدرک
|
:
|
پایان نامه فارسی
|
| شماره رکورد
|
:
|
717108
|
| شماره مدرک
|
:
|
۱۱۲۳۰۰۰۲پ
|
| زبان مدرک
|
:
|
فارسی
|
| زبان اثر اصلي
|
:
|
فارسی
|
| سرشناسه
|
:
|
پایان نامه نویس کیقبادی، الهام
|
| صفحه شمار
|
:
|
۱۷۷ص.
|
| مقطع تحصیلی
|
:
|
کارشناسی ارشد
|
| رشته تحصیلی
|
:
|
مدیریت سلامت، ایمنی و محیط زیست
|
| تاریخ دفاع
|
:
|
۱۴۰۳
|
| دانشگاه/ دانشکده
|
:
|
علوم پزشکی ایران
|
| موضوع
|
:
|
عوامل خطر
|
|
|
:
|
Risk Factors
|
|
|
:
|
یادگیری
|
|
|
:
|
Learning
|
| شناسه افزوده
|
:
|
استاد راهنمامرادی حنیفی، صابر
|
|
|
:
|
، استاد مشاورابراهیمی، حسین
|
| چکيده
|
:
|
زمینه و هدف: واحدهای جانبی و فرایندی، مانند واحد جداسازی هوا، با خطرات متعددی از جمله وجود گازهای آتش‌زا و شرایط عملیاتی با دما و فشار بالا مواجه هستند که می‌تواند تهدیدی جدی برای ایمنی و بهره‌وری آن‌ها باشد. ارزیابی و تجزیه‌وتحلیل خطرات در این واحدها به‌منظور پیشگیری از خرابی‌ها و تصمیم‌گیری‌های تعمیر و نگهداری ضروری است. بااین‌حال، به دلیل عدم قطعیت‌های موجود در فرایند تحلیل ریسک، استفاده از مدل‌های یادگیری ماشینی (ML) می‌تواند به بهبود دقت پیش‌بینی‌ها و کاهش عدم قطعیت کمک کند. مطالعه حاضر باهدف ارزیابی ریسک واحد جداسازی هوا با استفاده از روش تجزیه‌وتحلیل حالت و اثرات شکست و یادگیری ماشینی و اولویت‌بندی عوامل مؤثر بر مدیریت ریسک ایمنی با روش دیمتل فازی – تحلیل شبکه‌ای فازی انجام گردیده است.روش اجرا: مطالعه حاضر از نوع کاربردی – تجربی است. در مرحله اول، خطرات با استفاده از روش تحلیل حالت و اثرات خرابی شناسایی شدند و پس از آن داده‌ها توسط الگوریتم‌های یادگیری ماشین تحلیل شدند. در مرحله دوم، عوامل مؤثر بر مدیریت ریسک از طریق بررسی متون و روش دلفی شناسایی شده و روابط میان آن‌ها با استفاده از رویکرد دیمتل فازی – تحلیل شبکه‌ای فازی (دنپ) تعیین و کمی‌سازی شد.یافته‌ها: مدل درخت تصمیم در ارزیابی داده‌ها با معیارهایی مانند فراخوانی و مساحت زیر منحنی عملکرد بهتری نسبت به سایر مدل‌ها داشت و توانایی بالایی در تفکیک کلاس‌ها و شناسایی موارد مثبت از خود نشان داد. همچنین مدل‌های کا - نزدیک‌ترین همسایه، جنگل تصادفی و ایکس جی بوست نیز عملکرد خوبی داشتند؛ اما درخت تصمیم برای کاربردهایی مانند طبقه‌بندی ریسک‌ها مناسب‌تر شناخته شد. در تحلیل عوامل مؤثر بر مدیریت ریسک با روش دیمتل فازی، "آموزش و تربیت" و "تعهد مدیریت" تأثیرگذارترین و "مشارکت پیمانکاران" و "تعمیر و نگهداری" تأثیرپذیرترین عوامل بودند. همچنین، روش تحلیل شبکه‌ای نشان داد که "فرهنگ و جو ایمنی" با وزن 058/0 مهم‌ترین عامل در بحث مدیریت ریسک شناسایی شده است.نتیجه‌گیری: مطالعه حاضر نشان داد ارائه آموزش‌های کاربردی و مستمر متناسب با شرایط عملیاتی، بهره‌گیری از فناوری‌های پیشرفته مانند حسگرهای هوشمند و سیستم‌های هشداردهنده خودکار و تدوین استانداردهای داخلی متناسب با شرایط کاری از اقدامات کلیدی در بهبود مدیریت ریسک‌های ایمنی است. نظارت مداوم بر اجرای استانداردها، برگزاری جلسات بازنگری و تحلیل سیستم‌ها، و تشویق کارکنان به مشارکت فعال نیز در ارتقای فرهنگ ایمنی و دستیابی به محیط کاری ایمن و پایدار مؤثر است.کلمات کلیدی: ارزیابی ریسک، دنپ فازی، یادگیری ماشینی، مدیریت ایمنی، واحد جداسازی هوا
|
| چکيده
|
:
|
Background and Objectives: Utility and process units, such as air separation units, face multiple hazards, including flammable gases and high-temperature and high-pressure operational conditions, which pose significant threats to their safety and productivity. Risk assessment and analysis in these units are essential for preventing failures and making maintenance decisions. However, due to the uncertainties inherent in risk analysis processes, employing machine learning (ML) models can enhance prediction accuracy and reduce uncertainty. The present study aims to evaluate the risk of air separation units using Failure Mode and Effects Analysis (FMEA) combined with machine learning and prioritize factors influencing risk management through the fuzzy DEMATEL–fuzzy Analytic Network Process (FDANP)method. Method: This applied-experimental study was conducted in two main stages. In the first stage, hazards were identified using the FMEA method, and data were analyzed using machine learning algorithms. In the second stage, factors influencing risk management were identified through literature review and the Delphi method, and their interrelationships were determined and quantified using the fuzzy DEMATEL–FANP approach. Findings: Among the machine learning models evaluated, the decision tree model demonstrated superior performance in terms of metrics such as recall and the area under the curve (AUC), showing high capability in class separation and identifying positive cases. Additionally, models such as k-Nearest Neighbors (k-NN), Random Forest, and XGBoost also performed well, but the decision tree was deemed more suitable for applications such as risk classification. In the analysis of factors influencing risk management using the fuzzy DEMATEL method, "training and education" and "management commitment" were identified as the most influential factors, while "contractor participation" and "maintenance" were the most affected factors. Furthermore, the Analytic Network Process revealed that "safety culture and climate" with a weight of 0.058 was the most critical factor in risk management. Conclusion: The study highlighted that providing practical and continuous training tailored to operational conditions, leveraging advanced technologies such as smart sensors and automated warning systems, and developing internal standards aligned with working conditions are key actions for improving safety risk management. Continuous monitoring of standard implementation, conducting system review and analysis meetings, and encouraging active employee participation also play pivotal roles in enhancing HSE culture and achieving a safe and sustainable work environment. Keywords: Risk Assessment, Fuzzy DEMATEL, Machine Learning, Safety Management, Air Separation Unit
|
| |