مدلسازی ریسک انفجار و آتش سوزی در واحدهای تولید کک و گازرسانی ذوب آهن اصفهان با استفاده از تکنیکهای هوش مصنوعی (AI)

صنعت فولاد و به ویژه مجتمع های بزرگ مانند ذوب آهن اصفهان به دلیل وجود واحدهای تولید کک و شبکه های گازرسانی گسترده به طور ذاتی با ریسکهای بالای انفجار و آتش سوزی مواجه هستند. کنترل و پیش بینی این حوادث، که می توانند منجر به خسارات جانی، مالی و توقف تولید شوند، امری حیاتی است. روش های سنتی ارزیابی ریسک (مانند HAZOP، FTA) اغلب ایستا بوده و قادر به مدل سازی رفتار دینامیکی و غیرخطی متغیرهای عملیاتی در زمان واقعی نیستند. این پژوهش با هدف توسعه یک مدل هوشمند برای ارزیابی و پیش بینی ریسک دینامیکی انفجار و آتش سوزی در واحدهای تولید کک و گازرسانی ذوب آهن اصفهان انجام شده است. در این راستا از تکنیک های یادگیری ماشینی (Machine Learning)، به ویژه الگوریتم های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM)، استفاده خواهد شد. داده های ورودی مدل شامل متغیرهای عملیاتی کلیدی نظیر دما، فشار، غلظت گازهای قابل اشتعال (مانند CO و CH۴) و داده های نگهداری و بازرسی گذشته است. با استفاده از داده های تاریخی حوادث و وقایع ناخواسته (Near Misses)، مدل های AI آموزش داده می شوند تا یک شاخص ریسک لحظه ای (Real-time Risk Index) تولید کنند. نتایج مورد انتظار این مطالعه نشان دهنده برتری عملکردی مدل های AI نسبت به روش های سنتی در تشخیص و هشدار زودهنگام شرایط پرخطر خواهد بود. این مدل می تواند به عنوان یک ابزار پشتیبان تصمیم گیری (Decision Support Tool) در سیستم های مدیریت ایمنی (SMS) ذوب آهن به کار گرفته شود و گامی موثر در جهت ارتقاء ایمنی فرآیند (Process Safety) و حرکت به سمت پیش بینی مبتنی بر ریسک (Risk-Based Prediction) باشد. این پژوهش نه تنها ایمنی عملیات را افزایش می دهد بلکه با کاهش زمان توقف اضطراری به پایداری اقتصادی مجتمع نیز کمک خواهد کرد.

کلیدواژه ها:

مدل سازی ریسک انفجار و آتش سوزی ، تولید کک ، هوش مصنوعی (AI) ، یادگیری ماشینی (ML) ، ایمنی فرآیند (PSM)