Details

Данная работа посвящена разработке нейросетевой модели для оценки вероятности поражения человека при взрывах топливно-воздушных смесей на опасных производственных объектах, а также исследованию перспектив применения методов машинного обучения в задачах количественного анализа риска аварий. Объектом исследования является процесс оценки вероятности поражения человека при аварийных взрывах топливно-воздушных смесей на опасных производственных объектах. Предметом исследования является нейросетевая модель, реализованная на языке программирования Python, предназначенная для вычисления вероятности поражения человека при взрывах в качестве альтернативы традиционному аналитическому методу. Целью работы является разработка и апробация нейросетевой модели для оценки вероятности поражения человека при взрыве топливно-воздушной смеси. Задачи, которые решались в ходе исследования: 1. Анализ нормативных требований к оценке вероятности поражения человека при аварийных взрывах на опасных производственных объектах. 2. Обзор программных комплексов для оценки последствий аварий и вероятности поражения человека. 3. Разработка и реализация нейросетевой модели для оценки вероятности поражения человека при взрывах. 4. Апробация разработанной модели и сравнительный анализ её результатов с традиционным аналитическим методом. В результате работы была разработана и обучена нейросетевая модель с полносвязной архитектурой, реализованная на языке Python с использованием библиотеки PyTorch. Модель прошла апробацию для четырёх горючих веществ разных классов опасности. Средняя удельная ошибка предсказаний составила 11,31, а относительная погрешность в зоне практически значимых вероятностей поражения не превысила 5%. Проведённый сравнительный анализ показал, что для данной задачи нейросетевая модель уступает традиционному аналитическому методу как по точности, так и по скорости вычислений, однако демонстрирует работоспособность и перспективность применения в более сложных задачах оценки риска. Для достижения планируемых результатов в работе использовались следующие информационные технологии: официальный интернет-портал правовой информации (pravo.gov.ru), электронная библиотека СПбПУ (elib.spbstu.ru), научная электронная библиотека (elibrary.ru), язык программирования Python, интегрированная среда разработки Microsoft Visual Studio, Microsoft Excel.

This work is devoted to the development of a neural network model for assessing the probability of human injury in fuel-air mixture explosions at hazardous production facilities, as well as to the study of the prospects for applying machine learning methods in quantitative accident risk analysis. The object of the study is the process of assessing the probability of human injury in accidental fuel-air mixture explosions at hazardous production facilities. The subject of the study is a neural network model implemented in the Python programming language, designed to calculate the probability of human injury in explosions as an alternative to the traditional analytical method. The purpose of the work is to develop and validate a neural network model for assessing the probability of human injury in fuel-air mixture explosions. During the work the following tasks were solved: 1. Analysis of regulatory requirements for assessing the probability of human injury in accidental explosions at hazardous production facilities. 2. Review of software systems for assessing accident consequences and the probability of human injury. 3. Development and implementation of a neural network model for assessing the probability of human injury in explosions. 4. Validation of the developed model and comparative analysis of its results against the traditional analytical method. As a result of the work, a fully connected neural network model was developed and trained using the Python programming language and the PyTorch library. The model was validated for four flammable substances of different hazard classes. The mean specific prediction error was 11.31, and the relative error in the zone of practically significant injury probabilities did not exceed 5%. The comparative analysis showed that for this particular problem the neural network model is inferior to the traditional analytical method in terms of both accuracy and computation speed; however, it demonstrates viability and potential for application to more complex risk assessment tasks.