scholarly journals Ανάπτυξη και εφαρμογή μεθοδολογίας εκτίμησης διακινδύνευσης σε ναυπηγεία

2015 ◽  
Author(s):  
Νικόλαος Φραγκιαδάκης
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Fault Tree Analysis ◽  
Quantitative Risk Assessment ◽  
Event Tree ◽  
Event Tree Analysis ◽  
Inference System ◽  
Tree Analysis ◽  
Neuro Fuzzy ◽  
Bow Tie

Στόχος αυτής της διατριβής είναι η δημιουργία μοντέλου που θα οδηγεί σε μια Ποσοτική Εκτίμηση Επαγγελματικής Διακινδύνευσης (Quantitative Risk Assessment, QRA) εργαζομένων στην ναυπηγική και ναυπηγοεπισκευαστική βιομηχανία με γνώμονα το εργατικό ατύχημα, επιχειρώντας να συμβάλλει στην αντιμετώπιση ενός προβλήματος που έχει σημαντικές κοινωνικές αλλά και οικονομικές διαστάσεις. Ακολουθήθηκαν δύο ανεξάρτητοι οδοί που συμπληρώνουν η μία την άλλη.Η πρώτη οδός οδήγησε στην ανάπτυξη ενός Αναλυτικού Μοντέλου, ικανό να περιγράφει τους μηχανισμούς σύνδεσης μεταξύ αιτίου- αιτιατού - συνεπειών εργατικών ατυχημάτων σε ναυπηγικές εργασίες και να οδηγεί υπό προϋποθέσεις σε μια ολοκληρωμένη QRA. Το μοντέλο στηρίχθηκε στον εντοπισμό και στην αξιολόγηση των πηγών κινδύνου, καθώς και άλλων επιβαρυντικών παραγόντων μέσα στο εργασιακό περιβάλλον ενός ναυπηγείου. Τεχνικές χρήσης επαγωγικών μοντέλων όπως τα δέντρα γεγονότων (Event Tree Analysis, ETA) και τα δέντρα σφαλμάτων (Fault Tree Analysis, FTA) χρησιμοποιήθηκαν. Τα επαγωγικά μοντέλα συνδέθηκαν τελικά σε μια ολοκληρωμένη δομή “BOW TIE”, στην οποία απεικονίζεται σαφώς η σχέση των γενεσιουργών αιτιών και των επιβαρυντικών παραγόντων που δύναται να οδηγήσουν στη δημιουργία ενός συμβάντος, καθώς και η πορεία από το συμβάν στις πιθανές συνέπειες μέσω των αμβλυντικών παραγόντων που συνθέτουν τα ανεξάρτητα επίπεδα προστασίας (Independent Layers of Protection, ILPs). Έτσι παρίστανται οι παράγοντες που συγκροτούν τη διακινδύνευση, δηλαδή η πιθανότητα ενός συμβάντος αφενός και οι πιθανές συνέπειες αφετέρου. Για την καλύτερη κατανόηση και τεκμηρίωση του μοντέλου διενεργήθηκαν τεχνικές ανάλυσης και αναγνώρισης κινδύνου για συγκεκριμένες χαρακτηριστικές περιπτώσεις (HAZID), κατασκευάστηκαν διαγράμματα ροής για αυτές τις περιπτώσεις και αριθμητικό παράδειγμα υπολογισμού της διακινδύνευσης για μια εκ των περιπτώσεων.Η δεύτερη οδός οδήγησε στην δόμηση ενός έμπειρου συστήματος, στηριζόμενου σε κανόνες ασαφούς λογικής και ασαφούς συμπερασμού, που χρησιμοποιεί την παρεχόμενη πληροφορία από δεδομένα εργατικών ατυχημάτων στη ναυπηγική βιομηχανία, τα οποία έχουν συγκεντρωθεί από ναυπηγοεπισκευαστικές μονάδες, μέσω της χρήσης στατιστικής ανάλυσης και με τη χρήση υπολογιστικών τεχνικών soft computing. Επιλέχθηκε η δημιουργία ενός «Ασαφούς Συστήματος Συμπερασμού» (Fuzzy Inference System, FIS) που στηρίζεται στα προσαρμοζόμενα νευρωνικά δίκτυα (Adaptive Neural Networks, AN). Τα καταγεγραμμένα δεδομένα στοιχεία υπέστησαν στατιστική επεξεργασία και καθορίστηκαν οι παράμετροι και τα δεδομένα για την τροφοδότηση, την εκπαίδευση και τον έλεγχο των αποτελεσμάτων του Προσαρμοζόμενου Νευρωνικού Ασαφούς Συστήματος Συμπερασμού (Adaptive Neuro-Fuzzy Inference System ANFIS).Το μοντέλο “BOW TIE” αποδείχθηκε ικανό να οδηγήσει σε ποιοτικά συμπεράσματα όπως ο εντοπισμός των πηγών κινδύνου, των επιβαρυντικών αλλά και των αμβλυντικών παραγόντων αλλά και να τεκμηριώσει ποσοτικά κάθε μέτρο βελτίωσης της ασφάλειας με στόχο τη μείωση της διακινδύνευσης.Το μοντέλο ANFIS αποδεδείχθηκε μια εφικτή μέθοδος προσομοίωσης της πολύπλοκης σχέσης μεταξύ των παραμέτρων που εμπλέκονται σε ένα εργατικό ατύχημα στη ναυπηγική βιομηχανία, εκμεταλλευόμενο ήδη υπάρχοντα και κατάλληλα στατιστικά επεξεργασμένα ιστορικά στοιχεία εργατικών ατυχημάτων, αποτελώντας ένα εργαλείο ικανό να κάνει προβλέψεις και να οδηγεί σε ασφαλή συμπεράσματα, σε μικρό υπολογιστικό χρόνο.

scholarly journals Quantitative Risk Assessment of Biogas Plant – Determination of Assumptions and Estimation of Selected Top Event

2019 ◽  
Author(s):  
Petr Trávníček ◽  
Luboš Kotek ◽  
Tomáš Koutný ◽  
Tomáš Vítěz
Keyword(s):  
Risk Assessment ◽  
Chemical Industry ◽  
Fault Tree Analysis ◽  
Quantitative Risk Assessment ◽  
Event Tree ◽  
Event Tree Analysis ◽  
Tree Analysis ◽  
Hazardous Chemical ◽  
Biogas Plants

Biogas plants are a specific facility from the QRA (Quantitative Risk Assessment) methodologies' point of view, especially in the case of the determination of the event frequency of accident scenarios for biogas leakage from a gas holder and subsequent initiation. QRA methodologies determine event frequencies for different types of accident events related to vessels made of steel. Gas holders installed at biogas plants are predominantly made of other materials and are often integrated with the fermenter. It is therefore a specific type of gas holder, differing from that which is commonly used in the chemical industry. In addition, long-term experience is not available for the operation of biogas plants, unlike in the chemical industry. The event frequencies listed in the QRA methodologies are not relevant for the risk assessment of biogas plants. This work is focused on setting the prerequisites for QRA of biogas storage, including for example: information on hazardous chemical substances occurring at biogas plants, their classification, and information on the construction of integrated gas holders. For the purpose of the work, a scenario was applied where the greatest damage (to life or property) is expected. This scenario is the leakage of the total volume of hazardous gas substance from the gas holder and subsequent initiation. Based on this information, a "tree" was processed for "Fault Tree Analysis" (FTA), and frequencies were estimated for each event. Thereafter, an "Event Tree Analysis" was carried out. This work follows up on a discussion by experts on the determination of scenario frequencies for biogas plants that was conducted in the past.

scholarly journals A Risk Assessment Framework Proposal Based on Bow-Tie Analysis for Medical Image Diagnosis Sharing within Telemedicine

Sensors ◽  
2021 ◽  
Vol 21 (7) ◽  
pp. 2426
Author(s):  
Thiago Poleto ◽  
Maisa Mendonça Silva ◽  
Thárcylla Rebecca Negreiros Clemente ◽  
Ana Paula Henriques de Gusmão ◽  
Ana Paula de Barros Araújo ◽  
...  
Keyword(s):  
Medical Image ◽  
Methodological Approach ◽  
Fault Tree Analysis ◽  
Event Tree ◽  
Event Tree Analysis ◽  
Tree Analysis ◽  
Medical Image Diagnosis ◽  
Image Diagnosis ◽  
Identification Analysis ◽  
Bow Tie

The purpose of this paper is to propose a framework for cybersecurity risk management in telemedicine. The framework, which uses a bow-tie approach for medical image diagnosis sharing, allows the identification, analysis, and assessment of risks, considering the ISO/TS 13131:2014 recommendations. The bow-tie method combines fault tree analysis (FTA) and event tree analysis (ETA). The literature review supported the identification of the main causes and forms of control associated with cybersecurity risks in telemedicine. The main finding of this paper is that it is possible, through a structured model, to manage risks and avoid losses for everyone involved in the process of exchanging medical image information through telemedicine services. Through the framework, those responsible for the telemedicine services can identify potential risks in cybersecurity and act preventively, recognizing the causes even as, in a mitigating way, identifying viable controls and prioritizing investments. Despite the existence of many studies on cybersecurity, the paper provides theoretical contributions to studies on cybersecurity risks and features a new methodological approach, which incorporates both causes and consequences of the incident scenario.

scholarly journals Risk Assessment of Oxygen Lance Burning Loss Using Bow-Tie Analysis Based on Fuzzy Theory

2020 ◽  
Vol 2020 ◽  
pp. 1-12 ◽  
Author(s):  
Jishuoli Li ◽  
Kaili Xu ◽  
Bingjie Fan ◽  
Liyan Geng
Keyword(s):  
Fuzzy Theory ◽  
Fault Tree Analysis ◽  
Converter Steel ◽  
Event Tree ◽  
Occurrence Probability ◽  
Event Tree Analysis ◽  
Tree Analysis ◽  
Failure Data ◽  
Importance Analysis ◽  
Bow Tie

Oxygen lances (OLs) are important devices used in converter steel making. However, the occurrence of OL burning loss (OLBL) failure may lead to explosion accidents. To better prevent OLBL failure, it is necessary to perform a probabilistic assessment. Bow-tie analysis based on fuzzy theory was proposed to assess OLBL, which represents a hazardous event. In this paper, fuzzy theory based on triangular fuzzy numbers (TFNs) was applied to calculate the failure data. Fuzzy fault tree analysis (FFTA) in combination with the improved similarity aggregation method (ISAM) was employed to reduce the error generated due to the subjective judgement of experts. Furthermore, a comprehensive importance analysis method was developed to rank the importance of basic events (BEs), facilitating the adoption of the corresponding safety decisions. When performing fuzzy event tree analysis (FETA), the occurrence probability of outcome events (OEs) was determined by conducting a layer of protection analysis (LOPA). Finally, safety measures were proposed based on the assessment results to achieve safe production. The results indicated that the use of bow-tie analysis is appropriate to perform qualitative and quantitative assessment. Through bow-tie analysis based on fuzzy theory, the occurrence probability of OLBL was determined to be in the interval (5.34E − 02, 2.69E − 01). By adding independent protective layers (IPLs), the occurrence probability of OEs caused by OLBL can be effectively reduced.

Investigation of Risk Based Decision Making for Mobile Mooring System

2016 ◽  
Vol 836 ◽  
pp. 233-238
Author(s):  
Silvianita ◽  
Mohd. Faris Khamidi ◽  
Kriyo Sambodho ◽  
Nur Syahroni ◽  
Yeyes Mulyadi ◽  
...  
Keyword(s):  
Decision Making ◽  
Fault Tree Analysis ◽  
Mooring System ◽  
System Failure ◽  
Event Tree ◽  
Paper Briefly ◽  
Event Tree Analysis ◽  
Tree Analysis ◽  
The Right ◽  
Bow Tie

This paper briefly presents the investigation of risk based decision making for mobile mooring system. This paper used bow tie analysis to analyze the risk of mobile mooring failure. Bow tie analysis consists of FTA (Fault Tree Analysis) on left part and ETA (Event Tree Analysis) on the right part. FTA is useful to determine the potential causes from critical top event until the undesired events are obtained. ETA (Event Tree Analysis) is helpful to define the possible consequence by relating an initiating event to various consequence models. The investigation consists of determining the critical hazards of mooring system failure through investigating the root causes, the consequences, and the frequency index.

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

scholarly journals Global Image Thresholding Adaptive Neuro-Fuzzy Inference System Trained with Fuzzy Inclusion and Entropy Measures

Symmetry ◽  
2019 ◽  
Vol 11 (2) ◽  
pp. 286 ◽  
Author(s):  
Athanasios Bogiatzis ◽  
Basil Papadopoulos
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Initial Step ◽  
Local Area ◽  
Mathematical Functions ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Entropy Measures ◽  
Complex Procedure ◽  
Artificial Neural Network Ann

Thresholding algorithms segment an image into two parts (foreground and background) by producing a binary version of our initial input. It is a complex procedure (due to the distinctive characteristics of each image) which often constitutes the initial step of other image processing or computer vision applications. Global techniques calculate a single threshold for the whole image while local techniques calculate a different threshold for each pixel based on specific attributes of its local area. In some of our previous work, we introduced some specific fuzzy inclusion and entropy measures which we efficiently managed to use on both global and local thresholding. The general method which we presented was an open and adaptable procedure, it was free of sensitivity or bias parameters and it involved image classification, mathematical functions, a fuzzy symmetrical triangular number and some criteria of choosing between two possible thresholds. Here, we continue this research and try to avoid all these by automatically connecting our measures with the wanted threshold using some Artificial Neural Network (ANN). Using an ANN in image segmentation is not uncommon especially in the domain of medical images. However, our proposition involves the use of an Adaptive Neuro-Fuzzy Inference System (ANFIS) which means that all we need is a proper database. It is a simple and immediate method which could provide researchers with an alternative approach to the thresholding problem considering that they probably have at their disposal some appropriate and specialized data.

Sign in / Sign up

Export Citation Format

Share Document