حکمرانی HSE هوشمند: چارچوب کاهش ریسک سیستمی VOCs با استفاده از مدل سازی و آموزش داده محور در پتروشیمی و پالایشگاه ها

این پژوهش با هدف ارزیابی و بهینه سازی مدل های یادگیری عمیق چندمتغیره برای حکمرانی هوشمند HSE در مدیریت ریسک سیستمی انتشار ترکیبات آلی فرار (VOCs) در صنایع پتروشیمی عسلویه و کنگان انجام شد. با توجه به نقش حیاتی VOCها در ایجاد بیماری های تنفسی، سرطان زایی، استرس اکسیداتیو، مخاطرات زیست محیطی و اثرات تجمعی در کارکنان، طراحی سامانه های پیش بینی و تصمیم یار مبتنی بر داده ضرورت ویژه ای دارد. در این پژوهش از رویکرد آموزش داده محور مبتنی بر واقعیت افزوده جهت ارتقای دقت، فهم و تعامل کاربران با دادههای عملیاتی استفاده شد. دادههای اندازهگیری غلظت VOCها، پارامترهای فرآیندی، شاخصهای سلامت کارکنان، شرایط محیطی و عوامل سازمانی طی یک دوره زمانی طولانی جمعآوری و پاکسازی شد. سپس سه مدل یادگیری عمیق شامل LSTM، GRU و CNNLSTM چندمتغیره توسعه و مقایسه گردید. یافتهها نشان داد مدل CNNLSTM با دقت پیشبینی ۹۴۷ درصد، RMSE پایینتر و حساسیت بیشتر نسبت به پیکهای آلایندگی، عملکرد برتری نسبت به سایر مدلها داشت. همچنین، نتایج تحلیل کمیکیفی سلامت کارکنان حاکی از وجود ارتباط معنادار بین افزایش VOCها و تشدید علائم تنفسی، سردرد، کاهش ظرفیت ریوی و افزایش سطح شاخصهای التهابی بود. ادغام واقعیت افزوده در آموزش HSE سبب بهبود ۳۸ درصدی در دقت تشخیص موقعیتهای پرخطر و افزایش ۴۴ درصدی در سرعت واکنش کارکنان شد. نتایج نشان می دهد استفاده از مدلهای عمیق چندمتغیره و ابزارهای واقعیت افزوده می تواند بنیانی موثر برای حکمرانی هوشمند HSE، کاهش ریسک سیستمی و بهبود سلامت کارکنان در صنایع پتروشیمی فراهم سازد.

کلیدواژه ها:

یادگیری عمیق ، حکمرانی هوشمند HSE ، VOCs ، واقعیت افزوده ، سلامت کارکنان ، صنایع پتروشیمی