Гибридная методика поддержки принятия решений для управления рисками в сложных социотехнических системах

Аннотация

Приведены гибридная методика анализа рисков в сложных системах прогнозирования развития возможных аварий, связанных с социальными системами, и выработанные рекомендации по их предотвращению. Для определения эксплуатационного состояния сложной системы и наделения ее дополнительной возможностью противостоять отказам в предлагаемой методике объединены модели системной динамики (помогающие уловить взаимодействия элементов исследуемой системы в динамике), модели деревьев событий и отказов (используются для моделирования эволюции сценариев риска) и искусственных нейронных сетей. Гибридная методика управления рисками в социотехнических системах основана на объединении возможностей разных технологий искусственного интеллекта и позволяет реализовать преимущества нескольких технологий путем их интеграции. Приведены шесть этапов исследований, выполненных в рамках применения гибридной методики, а также математическое описание модели нейронной сети. Проверена эффективность предлагаемой методики с помощью трех реализованных программных продуктов. На примере строительной компании с помощью разработанного оригинального программного комплекса смоделированы сценарии аварий и построена нейронная сеть прогнозирования рисков и определения операционного статуса компании. Приведены результаты моделирования

Работа выполнена в рамках программы "Приоритет 2030" проекта Bauman Deep Analytics

Просьба ссылаться на эту статью следующим образом:

Киван М., Березкин Д.В., Смирнова Е.В. Гибридная методика поддержки принятия решений для управления рисками в сложных социотехнических системах. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2023, № 2 (143), с. 90--110. DOI: https://doi.org/10.18698/0236-3933-2023-2-90-110

Литература

[1] Киван М., Березкин Д.В., Раад М. и др. Анализ основных подходов к моделированию аварийных ситуаций для управления рисками в социотехнических системах. Динамика сложных систем --- XXI век, 2021, № 1, c. 22--37. DOI: https://doi.org/10.18127/j19997493-202101-03

[2] Киван М., Березкин Д.В., Хамед А. Гибридные методы и подходы к моделированию аварийных ситуаций для управления рисками в социотехнических системах. Динамика сложных систем --- XXI век, 2021, № 2, с. 14--27. DOI: https://doi.org/10.18127/j19997493-202102-02

[3] Heinrich H.W. Industrial accident prevention. A scientific approach. New York, McGraw-Hill, 1931.

[4] Leveson N.G. Safeware. System safety and computers. Washington, Addison-Wesley, 1995.

[5] Hollnagel E. Barriers and accident prevention. Farnham, Ashgate Publishing, 2004.

[6] Rasmussen J. Risk management in a dynamic society: a modelling problem. Saf. Sc., 1997, vol. 27, no. 2-3, pp. 183--213. DOI: https://doi.org/10.1016/S0925-7535(97)00052-0

[7] Leveson N.G. A new accident model for engineering safer systems. Saf. Sc., 2004, vol. 42, no. 4, pp. 237--270. DOI: https://doi.org/10.1016/S0925-7535(03)00047-X

[8] Hollnagel E. Cognitive reliability and error analysis method (CREAM). New York, Elsevier, 1998.

[9] Hollnagel E., Goteman O. The functional resonance accident model. Proc. Cognitive System Engineering in Process Plant, 2004, pp. 155--161.

[10] Gao J., Tian J., Zhao T. An improved system safety Analysis Method based on Accimap. Proc. IEEE IEEM, 2015, pp. 1142--1146. DOI: https://doi.org/10.1109/IEEM.2015.7385827

[11] Clemens P.L. Event tree analysis. JE Jacobs Sverdrup, 2002.

[12] Newhall C., Hoblitt R. Constructing event trees for volcanic crises. Bull. Volcanol, 2002, vol. 64, no. 1, pp. 3--20. DOI: https://doi.org/10.1007/s004450100173

[13] Gharahasanlou A.N., Mokhtarei A., Khodayarei A., et al. Fault tree analysis of failure cause of crushing plant and mixing bed hall at Khoy cement factory in Iran. Case Stud. Eng. Fail. Anal., 2014, vol. 2, no. 1, pp. 33--38. DOI: https://doi.org/10.1016/j.csefa.2013.12.006

[14] Huang W., Liu Y., Zhang Y., et al. Fault Tree and Fuzzy DS Evidential Reasoning combined approach: an application in railway dangerous goods transportation system accident analysis. Inf. Sc., 2020, vol. 520, pp. 117--129. DOI: https://doi.org/10.1016/j.ins.2019.12.089

[15] Winch G. Dynamic visioning for dynamic environments. J. Oper. Res. Soc., 1999, vol. 50, no. 4, pp. 354--361. DOI: https://doi.org/10.1057/palgrave.jors.2600648

[16] Morecroft J.D.W. Management attitudes, learning and scale in successful diversification: a dynamic and behavioural resource system view. In: System dynamics. Cham, Springer-Nature, 2018, pp. 69--106. DOI: https://doi.org/10.1057/palgrave.jors.2600648

[17] Chitsazan N., Nadiri A.A., Tsai F.T.-C. Prediction and structural uncertainty analyses of artificial neural networks using hierarchical Bayesian model averaging. J. Hydrol., 2015, vol. 528, pp. 52--62. DOI: https://doi.org/10.1016/j.jhydrol.2015.06.007

[18] Ashtiani H.R.R., Shahsavari P. A comparative study on the phenomenological and artificial neural network models to predict hot deformation behavior of AlCuMgPb alloy. J. Alloys Compd., 2016, vol. 687, pp. 263--273. DOI: https://doi.org/10.1016/j.jallcom.2016.04.300

[19] Baybutt P. A critique of the Hazard and Operability (HAZOP) study. J. Loss Prev. Process Ind., 2015, vol. 33, pp. 52--58. DOI: https://doi.org/10.1016/j.jlp.2014.11.010

[20] Sterman J. Business dynamics. New York, McGraw-Hill, 2000.

[21] Aburawi I., Hafeez K. Managing dynamics of human resource and knowledge management in organizations through system dynamics modelling. Int. J. Sc. Tech. Autom. Control Eng., 2009, vol. 3, no. 2, pp. 1108--1125.

[22] Ciaburro G., Venkateswaran B. Neural networks with R. Mumbai, Packt Publ., 2017.

[23] PyTorch. pytorch.org: веб-сайт. URL: https://pytorch.org (дата обращения: 03.02.2023).

[24] NumPy. numpy.org: веб-сайт. URL: https://numpy.org (дата обращения: 03.02.2023).

[25] Machine learning in Python. scikit-learn.org: веб-сайт. URL: http://scikit-learn.org/stable/index.html (дата обращения: 03.02.2023).

[26] The Sequential class. keras.io: веб-сайт. URL: https://keras.io/models/sequential (дата обращения: 03.02.2023).

[27] TensorFlow. tensorflow.org: веб-сайт. URL: http://tensorflow.org (дата обращения: 03.02.2023).

[28] Probabilistic risk analysis tool. github.com: веб-сайт. URL: https://github.com/rakhimov/scram/tree/gh-source (дата обращения: 03.02.2023).

[29] Shampine L.F. Numerical solution of ordinary differential equations. Milton Park, Abingdon, Routledge, 2018.