Data Analytics for Chemical Process Risk Assessement: Learning Lessons from Past Events towards Accident Prediction

Il potenziale per la generazione di dati è cresciuto esponenzialmente al giorno d’oggi. In questo contesto, la disciplina di machine learning è suggerita. Questo lavoro suggerisce un approccio per analizzare dati eterogenei riguardanti incidenti passati avvenuti nelle industrie di processo ed estrarre importanti informazioni per supportare il processo decisionale relativo alla sicurezza. Lo strumento di machine learning utilizzato è la libreria open source TensorFlow. Diversi modelli vengono costruiti attraverso il suo uso: un modello lineare, un modello di deep learning basato sulle reti neurali ed una combinazione dei due. Questi, sulla base di input specifici, sarebbero in grado di fare predizioni sul numero di persone morte o ferite. Per raggiungere questo obiettivo, due fonti di dati sono state utilizzate: il database MHIDAS e un nuovo database, costruito considerando eventi indesiderati avvenuti in impianti di ammoniaca. Diverse simulazioni sono state eseguite usando MHIDAS per individuare il modello che meglio riesca a prevedere le conseguenze degli incidenti sull’uomo. Questo è stato poi usato per effettuare le simulazioni con il database di incidenti in impianti di ammoniaca. Un buon modello per la predizione degli incidenti deve essere in grado di prevedere eventi rari. Tale condizione viene raggiunta se il valore della grandezza statistica "recall" è alto. Per questo motivo, i risultati delle simulazioni sono stati analizzati considerando il valore dell’area sotto la curva precision-recall. Da questo, è possibile capire se il valore di recall può essere di interesse. I risultati ottenuti hanno dimostrato un andamento comune. Un caso rappresentativo, in cui i risultati riportavano un buon valore di area sotto la curva precision-recall ma una bassa recall, è stato considerato e il metodo per migliorare il valore di recall è stato indicato. In questo modo, il modello può essere calibrato e diventare di uso pratico.