ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ ΓΙΑ ΤΗ ΔΙΑΧΕΙΡΙΣΗ ΒΙΟΜΗΧΑΝΙΚΩΝ ΑΤΥΧΗΜΑΤΩΝ ΜΕΓΑΛΗΣ ΕΚΤΑΣΗΣ ΓΕΩΡΓΙΑΔΟΥ ΠΑΡΑΣΚΕΥΗ Υποψ.Δρ., Σχολή Χημικών Μηχ/κών ΕΜΠ Επιβλέπων IΠΤΑ: Ι.Α.Παπάζογλου Εργαστήριο Αξιοπιστίας Συστημάτων & Βιομηχανικής Ασφάλειας Ν.Χ.Μαρκάτος, Αργ.Λυγερός, Χρ.Κυρανούδης Σχολή Χημικών Μηχανικών ΕΜΠ
Βιομηχανικά Ατυχήματα Μεγάλης Έκτασης (ΒΑΜΕ) Αστοχία συστήματος σε εγκαταστάσεις που διαχειρίζονται μεγάλες ποσότητες επικίνδυνων ουσιών έκθεση σε τοξικές ουσίες θερμική ακτινοβολία υπερπίεση Ανεπιθύμητη Συνέπεια από ΒΑΜΕ ΠΕΡΙΒΑΛΛΟΝ ΥΓΕΙΑ ΟΙΚΟΝΟΜΙΑ Γη Αέρας Νερά Θάνατοι Ασθένειες Επενδύσεις Περιουσία Κοινού Άμεσοι Καθυστερημένοι Μόνιμες Παροδικές
Οδηγία Seveso II (ΚΥΑ 5697/59/2,, KYA 1244/613/27) Μελέτη Ασφάλειας (εκτίμηση επικινδυνότητας, σχέδιο έκτακτης ανάγκης κλπ) Σχεδιασμός Χρήσεων Γης Φαινόμενο Domino Σ.Α.Τ.Α.Μ.Ε.:.: Σχέδιο Αντιμετώπισης Τεχνολογικού Ατυχήματος Μεγάλης Έκτασης ΣΤΟΧΟΣ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΧΕΔΙΑΣΜΟΥ ΕΚΤΑΚΤΗΣ ΑΝΑΓΚΗΣ ΓΥΡΩ ΑΠΟ ΕΓΚΑΤΑΣΕΙΣ ΠΟΥ ΔΙΑΧΕΙΡΙΖΟΝΤΑΙ ΕΠΙΚΙΝΔΥΝΕΣ ΟΥΣΙΕΣ
Βελτιστοποίηση Σχεδιασμού Έκτακτης Ανάγκης (ΣΕΑ) Χώρος αποφάσεων Νυποπεριοχές(cells) Κ Ν εναλλακτικά ΣΕΑ Σχέδιο έκτακτης ανάγκης (ΣΕΑ) k i (i=1,..,k) Συνέχιση κανονικής δραστηριότητας Εκκένωση Προστασία σε μεγάλα κτίρια Προστασία σε σπίτια Σενάρια ατυχημάτων
Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov Εναλλακτικό ΣΕΑ Πληθυσμός που θα εκκενωθεί x ( t 1) = x ( t ) P ( t ) + x i (t) : πιθανότητα να βρίσκεται στην περιοχή (i) τη χρονική στιγμή (t) P: Πίνακας μετάβασης με στοιχεία πιθανότητες p ij (t) i p ij σύνδεση περιοχών χωρητικότητες δρόμων είδος οχημάτων Σενάριο ατυχήματος j «Αντίσταση» περιοχών Δόση D = xi ( n) Di( n) in
Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov Επίδραση πληθυσμού Επίδραση χωρητικότητας δρόμων Επίδραση ταχύτητας οχημάτων
Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov Βέλτιστη πολιτική (ΣΕΑ) (ελαχιστοποίηση επιπτώσεων στην υγεία) Περιοχή εκκένωσης Χρόνος πριν το ατύχημα Πυκνότητα πληθυσμού Βαθμός συνωστισμού 42 Αριθμός θανάτων 39 36 33 3 6 9 12 15 18 21 Χρόνος πριν την έκρηξη BLEVE (min) ΣΕΑ 1 Αποστ.εκκέν:.5 km ΣΕΑ 2 Αποστ.εκκέν : 1 km ΣΕΑ 3 Αποστ.εκκέν :2 km
1 1.2 1 Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov case study: BLEVE, δεξαμενή προπανίου Zone Δόση Πιθανότητα θανάτου Απόσταση από την πηγή I 15 1.2 x 1-1 161 II 45 1 x 1-5 2525 III 17 7.3 x 1-12 3635
Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov.1 < g( C / D) <.9 Πιθανές διαδρομές εκκένωσης g ( C / D ) <.1.9 < g ( C / D ) 1 Monte Carlo pdf λαμβανόμενης δόσης Επικινδυνότητα 1.9.8.7.6.5.4.3.2.1 Δόση Κλασσική λύση Μέση τιμή δόσης p( C ) = D g( C / D Λύση Monte Carlo Κατανομή δόσης p ( C ) ) = f ( D ) g( C / D dd )
Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov case study: αστοχία σε δεξαμενή αποθήκευσης αμμωνίας pdf PD pdf PD,9 1,9 1 Dose Distribution f(d),8,7,6,5,4,3,2,1,e+ 4,E+5 6,4E+6 1,E+8 1,6E+9 2,6E+1,8,6,4,2 Fatality Probability (PD) Dose Distribution f(d),8,7,6,5,4,3,2,1,e+ 4,E+5 6,4E+6 1,E+8 1,6E+9 2,6E+1,8,6,4,2 Fatality Probability (PD) Dose (D) Dose (D) ΜΤ δόσης 1.6 1 7 Επικινδυνότητα (ΜΤ δόσης) p(p D ) 5 = 12. 1 ΜΤ δόσης 1.4 1 1 Επικινδυνότητα (ΜΤ δόσης) p(p D ) 1 = 9. 94 1 Monte Carlo: Επικινδυνότητα (κατανομή δόσης) p( P ( M. C.) ) D = 1.29 1 5 Monte Carlo: Επικινδυνότητα (κατανομή δόσης) p( P ( M. C.) ) D = 9.87 1 1
Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov case study: αστοχία σε δεξαμενή αποθήκευσης αμμωνίας pdf PD pdf PD,9 1,2 1 Dose Distribution f(d),8,7,6,5,4,3,2,1,8,6,4,2 Fatality Probability (PD) Dose Distribution f(d),15,1,5,8,6,4,2 Fatality Probability (PD),E+ 4,E+5 6,4E+6 1,E+8 1,6E+9 2,6E+1,E+ 4,E+5 6,4E+6 1,E+8 1,6E+9 2,6E+1 Dose (D) Dose (D) ΜΤ δόσης 6 5 1 Επικινδυνότητα (ΜΤ δόσης) p(p D ) 8 = 4. 4 1 ΜΤ δόσης 4.3 1 7 Επικινδυνότητα (ΜΤ δόσης) p(p D ) 4 = 6.26 1 Monte Carlo: Επικινδυνότητα (κατανομή δόσης) p( P ( M. C.) ) D = 1.82 1 3 Monte Carlo: Επικινδυνότητα (κατανομή δόσης) p( P ( M. C.) ) D = 1.2 1 2
Προσομοίωση μετακίνησης πληθυσμού - Στοχαστικό μοντέλο Μarkov case study: αστοχία σε δεξαμενή αποθήκευσης αμμωνίας pdf PD pdf PD,15 1,2 1 Dose Distribution f(d),1,5,8,6,4,2 Fatality Probability (PD) Dose Distribution f(d),15,1,5,8,6,4,2 Fatality Probability (PD),E+ 4,E+5 6,4E+6 1,E+8 1,6E+9 2,6E+1,E+ 4,E+5 6,4E+6 1,E+8 1,6E+9 2,6E+1 Dose (D) Dose (D) ΜΤ δόσης 2.5 1 9 Επικινδυνότητα (ΜΤ δόσης) p(p D ) 1 = 8. 1 1 ΜΤ δόσης 6.3 1 8 Επικινδυνότητα (ΜΤ δόσης) p(p D ) 1 = 2.93 1 Monte Carlo: Επικινδυνότητα (κατανομή δόσης) p( P ( M. C.) ) D = 1.36 1 1 Monte Carlo: Επικινδυνότητα (κατανομή δόσης) p( P ( M. C.) ) D = 6.83 1 2
Βελτιστοποίηση ΣΕΑ Κριτήρια Αξιολόγησης Εναλλακτικό Σχέδιο Έκτακτης Ανάγκης (ΣΕΑ) (συνδυασμός πολιτικών που εφαρμόζονται στις υποπεριοχές) Ελαχιστοποίηση επιπτώσεων στην υγεία του πληθυσμού από ΒΑΜΕ (πιθανός αριθμός θανάτων, τραυματισμών κλπ) Ελαχιστοποίηση κοινωνικοοικονομικού κόστους ΣΕΑ (συναισθηματική δοκιμασία πληθυσμού, οικονομικό κόστος από διακοπή δραστηριοτήτων λόγω ΣΕΑ κλπ) Πρόβλημα Λήψης Αποφάσεων Αλληλοσυγκρουόμενων Στόχων
Πρόβλημα Βελτιστοποίησης με Πολλαπλά Κριτήρια f 1 min y = f(x) = (y 1 =f 1 (x),,y k =f k (x)) y = (y 1,,y k ) Y περιορισμοί: e(x) = (e 1 (x),,e m (x)) k αντικειμενικές συναρτήσεις Υ χώρος των κριτηρίων Όπου x = (x 1,,x n ) X n μεταβλητές απόφασης x 1 κυριαρχεί επί της x 2 Χ χώρος των αποφάσεων Αν f i (x 1 )< f i (x 2 ) για τουλάχιστον ένα i (i =1,..k) και f j (x 1 ) f j (x 2 ) για όλα τα j i x 2 x 1 Μη-κυριαρχούμενη λύση x : όταν δεν υπάρχει άλλη λύση που να κυριαρχεί επί αυτής f 2
Βελτιστοποίηση Σχεδιασμού Έκτακτης Ανάγκης (ΣΕΑ) Σύνολο μη-κυριαρχούμενων λύσεων Δεδομένα (γεωγραφικά, πληθυσμιακά, εγκατάσταση, ατύχημα κλπ) Εκτίμηση επικινδυνότητας Εναλλακτικά ΣΕΑ Μοντέλο εκκένωσης Εξελικτικός αλγόριθμος Πολλαπλά κριτήρια Επιπτώσεις στην υγεία (δόση) Κοινωνικοοικονομικό κόστος (αριθμός ατόμων)
Εξελικτικοί Αλγόριθμοι Στοχαστικές μέθοδοι βελτιστοποίησης που προσομοιάζουν τη διαδικασία της φυσικής εξέλιξης Πληθυσμός Επιλογή Αντικατάσταση Γονείς Ανασυνδυασμός Μετάλλαξη Απόγονοι
Γενετικοί Αλγόριθμοι Λύσεις x = (x 1,,x n ) Κωδικοποίηση «Άτομα» (Individuals) Χρωμόσωμα 1 1 1 1 2 2 5 4 1 7
Γενετικοί Αλγόριθμοι ΓΕΝΕΑ Αρχικός πληθυσμός (λύσεις χρωμοσώματα) Ανασυνδυασμός γονιδίων Απόδοση «Ποιότητας» (fitness) Επιλογή ατόμων Μετάλλαξη Απόγονοι (δημιουργία νέου πληθυσμού)
Γενετικός αλγόριθμος βελτιστοποίησης ΣΕΑ Παραμονή στα σπίτια Συγκέντρωση σε μεγάλα κτίρια Λύση: Εναλλακτικό ΣΕΑ Συνέχιση κανονικής δραστηριότητας Εκκένωση 1 2 4 3 2 4 2 Χρωμόσωμα «Ποιότητα» λύσεων: κυριαρχία διασπορά «εξωτερικό σύνολο» απόρριψη λύσεων (truncation operation)
Γενετικός αλγόριθμος βελτιστοποίησης ΣΕΑ 1 η γενεά 2 η γενεά 5 η γενεά 18 η γενεά Αριθμός θανάτων Κοινωνικ.κόστος
Ατύχημα BLEVE (Θριάσιο) Χρόνος έναρξης εκκένωσης πριν την έκρηξη (.5 h) Αριθμός ατόμων που συμμετέχουν στην εκκένωση (% επί του συνόλου) 1% 9% 8% 7% 6% 5% 4% 3% 2% 1% Σύνολο μη κυριαρχούμενων λύσεων case study: BLEVE, δεξαμενή προπανίου % 1η γενεά 3η γενεά 5η γενεά 7η γενεά 9η γενεά 2η γενεά 4η γενεά 6η γενεά 8η γενεά non-dominated front 25% 3% 35% 4% 45% 5% 55% Αριθμός θανάτων (% επί του συνόλου του πληθυσμού)
Σύνολο μη κυριαρχούμενων λύσεων (case study: αστοχία σε δεξαμενή αποθήκευσης αμμωνίας) 1% 9% 8% 7% 6% 5% 4% 3% 2% 1% % % 1% 2% 3% 4% 5% 6% 7% 8% Εγκατάταση Συνέχιση κανονικής δραστηριότητας Εκκένωση
Σχετικές Δημοσιεύσεις Γεωργιάδου Π., Παπάζογλου ΙΑ, Κυρανούδης Χρ., Μαρκάτος Ν.Χ. Βελτιστοποίηση σχεδιασμού έκτακτης ανάγκης γύρω από εγκαταστάσεις που διαχειρίζονται επικίνδυνες ουσίες. Πρακτικά 4ου Πανελλήνιου Συνεδρίου Χημικής Μηχανικής, Πάτρα, 29-31 Μαΐου 23, σελ. 1133-1336. Georgiadou PS, Papazoglou IA, Kiranoudis CT, Markatos NC. Emergency response optimization for major hazard industrial sites. In: Spitzer C, Schmocker U, Dang VN, editors. Proceedings of International Conference of Probabilistic Safety Assessment and Management (PSAM7 - ESREL 4). Berlin, Germany, 24, p. 128-133. Georgiadou PS, Papazoglou IA, Kiranoudis CT, Markatos NC. Modeling emergency evacuation for major hazard industrial sites. Reliability Engineering & System Safety. In Press, Corrected Proof, Available onlile 28 November 26.