chuong 9

© 2003, David M. Hassenzahl

Tröôøng Ñaïi hoïc KHTNKhoa Moâi tröôøng

ÑAÙNH GIAÙ RUÛI RO MOÂI TRÖÔØNG

ENVIRONMENTAL RISK ASSESSMENT

(Baøi 9)

Giaûng vieân : PGS.TS. PHUØNG CHÍ SYÕVieän Kyõ thuaät Nhieät ñôùi vaø Baûo

veä Moâi tröôøng


Caùc phöông phaùp ñaùnh giaù

ruûi ro


Caùc phöông phaùp ñaùnh giaù ruûi ro

- Thoáng keâ vaø xöû lyù soá lieäu- Ñaùnh giaù phaùt thaûi (Ñaùnh giaù

nhanh)- Moâ hình hoaù- Phaân tích caây söï kieän (Event

Tree Analysis) - Lieàu löôïng vaø ñaùp öùng (Dose

and response)


Phöông phaùp phaân tích caây söï kieän

(Event Tree Analysis)(ETA)


PHÂN TÍCH CÂY SỰ KIỆN

ETA - Kỹ thuật phân tích an toàn hệ thống theo cách suy luận từ dưới lên trên.

Ứng dụng ETA :- Các hệ thống vật lý có người điều khiển và không có người điều khiển - Hệ thống điều khiển/ra quyết định

Phương pháp ETA bổ sung cho các phương pháp khác - Phân tích chuỗi các sai sót - Phân tích ảnh hưởng - Đánh giá xác suất thành công/thất bại


PHÂN TÍCH CÂY SỰ KIỆN (tt)

• ETA- Dựa trên logic nhị phân (1 sự kiện có thể xẩy ra, có thể không xẩy ra; 1 bộ phận của một thiết bị có thể bị hỏng, có thể không bị hỏng).

• ETA- Phân tích một chuỗi các hậu quả sinh ra từ 1 sự kiện không mong muốn hoặc từ 1 sai sót.

• ETA- là một công cụ hữu hiệu nhằm đánh giá nguy hại do sự cố gây ra. ETA được sử dụng để đánh giá hậu quả có thể xây ra do thải chất độc, chất cháy và phân tích ảnh hưởng lên công trình, con người,cộng đồng và môi trường.



“Cây sự kiện” hay “Chuỗi sự kiện” (Event tree) bắt đầu từ một sự kiện ban đầu (Ví dụ : hỏng 1 bộ phận, tăng nhiệt độ, tăng áp suất hay thải chất thải nguy hại). Hậu quả của sự kiện có thể xẩy ra theo một loạt các tuyến đường . Mỗi tuyến đường có 1 xác suất xẩy ra và xác suất của sản phẩm khác nhau. Xác suất của mỗi tuyến đường có thể được tính toán.



Ví dụ : Hệ thống chống cháy bằng 1 hệ thống tưới nước- Đầu dò khói có thể phát hiện ra tăng nhiệt độ hay không ?- Nếu đầu dò phát hiện ra tăng nhiệt độ, thì hộp điều khiển có thể chính xác, có thể không chính xác.- Sẽ có 1 phương án (cành cây hay tuyến đường) chì toàn sự kiện thành công của các sự kiện


Các phương pháp kỹ thuật đánh giá rủi roCây thất bại

(Fault Trees) và Cây sự kiện (Event Trees)


Mục đích

• Đề xuất một số phương pháp công nghệ đánh giá rủi ro- Phân tích cây thất bại (Fault tree analysis)- Phân tích cây sự kiện (Event tree analysis)

• Tìm hiểu kỹ thuật thống kê - Lý thuyết xác suất (Probability theory)- Đại số học Boolean (Phép hợp/Phép tuyến” (Boolean algebra) ( “and/or”)


Cây thất bại

• Lịch sử lâu dài trong công nghệ • Xem xét các khả năng xẩy ra HỎNG

HÓC• Truy tìm những NGUYÊN NHÂN có thể • Có thể áp dụng cho rất nhiều các rủi ro

khác - Gây ung thư (Carcinogenesis)- Suy giảm giống loài (Species loss)


Cây sự kiện

• Xem xét hệ thống, bắt đầu từ một sự kiện

• Xác định tất cả các hậu quả có thể xẩy ra

• Hữu ích cho việc phân tích trước khi ra quyết định


Cây thất bại

• Khả năng gây ra hậu quả có hại

• Phép hợp (AND)/Phép tuyến (OR) của các cửa vào


Car Accident Fault TreeTai nạn ô tô

Lái xe bị xao lãng

Bàn đạp thắng được sử dụng

Có con nai trên đường

Ô tô không phanh kịp

Không con nai nào bị

tai nạn

Bàn đạp thắng bị hỏng


Sự kiện cao nhất (Top Event)

• Sự kiện bất lợi nhất được quan tâm

• Được biểu thị bằng một hình chữ nhật

Tai nạn xe cộ


Sự kiện trung gian (Intermediate Event)

• Sự kiện thất bại mà nó được tiếp tục phát triển

• Được biểu thị bằng một hình chữ nhật



Sự kiện cơ bản (Basic Event)

• Sự kiện yêu cầu không tiếp tục phát triển

• Được biểu thị bằng một hình tròn


Haimes, Page 544


Sự kiện không được phát triển (Undeveloped Event)

• Sự kiện có hậu quả thấp

• Thông tin không có sẵn

• Được biểu thị bằng một hình thoi

Không có con nai nào bị tai nạn


“Hoặc” có cửa vào

• Sự kiện đầu ra (Output event) chỉ xẩy ra nếu có một hay hay nhiều sự kiện đầu vào (input event) xẩy ra

• Các hệ thống nối tiếp trong các chuỗi sự kiện

• + , , Kết hợp


“Và” có cửa vào

• Sự kiện đầu ra (Output event) chỉ xẩy ra khi tất cả các sự kiện đầu vào (input events) xẩy ra

• Các hệ thống song song trong chuỗi , , Giao điểm


Độ tin cậy (Reliability)

• Xác suất mà hệ thống hoạt động chính xác

• Đại số học Boolean (Boolean algebra)

• Tập hợp nhỏ nhất– Sự kết hợp nhỏ nhất của các hỏng hóc

thành phần dẫn đến sự kiện cao nhấr (top event)

Haimes, Page 544 - 5


Car Accident Fault TreeTai nạn ô tô




Ô tô không phanh kịp

Không con nai nào bị

tai nạn



Đại số học

Hoạt động Xác suất Toán học Công nghệ

Kết hợp của A và B

A hoặc B A B A + B

Giao điểm của A và B

A và B A B A B

Bổ sung của A

Không có A A' A'


A B =

A B = 0

(A B) C =

Giao điểm (Intersections) và Kết hợp (Unions)_Biểu diễn dạng biểu đồ


(A)

Bàn đạp thắngsử dụng bị hỏng

(B)


(C)


Xác suất của các khả năng (Probability Possibilities)

Nếu S = F + GP(S) = P(F) + P(G) – P(FG)

= P(F) + P(G) – P(F)P(G|F)= P(F) + P(G) – P(F)P(G) nếu độc

lậpvới nhau= P(F) +P(G) nếu các sự kiện hiếm khi

xẩy ra

Nếu S = F GP(S) = P(F)P(G) nếu các sự kiện độc lập với nhau


Các phương trình tai nạn đối với con nai

• Tai nạn ô tô (S) nếu • Có con nai trên đường (C) VÀ• Lái xe bị xao lãng (A) HOẶC Bàn đạp thắng

sử dụng bị hỏng (B)• S = (A B) C• S = (A + B) C• S = (A kết hợp B) giao điểm C• S = (A giao điểm C) kết hợp (B giao điểm C)


Xác suất

Sự kiện Xác suất,

f (thời gian)

Có con nai trên đường 0.0026

Lái xe bị xao lãng 0.001

Bàn đạp thắng sử dụng 0.999

Bàn đạp thắng bị hỏng 0.0002


Xác suất con nai bị tai nạn giao thông

S = (A + B) CP(S) = [P(A) + P(B) – P(A)P(B|A)] P(C)

Lưu ý: A và B là độc lập với nhau

P(S) = [P(A) +P(B)] P(C)

P(S) = (0.001 + 0.0002 0.999) 0.0026

P(S) = 3 10-6


Cây sự kiện : Tai nạn ô tô

• Cho trước sự kiện khởi đầu có thể xẩy ra, những hậu quả (outcome) gì có thể phát sinh?

• Con nai chạy qua đường• Bàn đạp thắng sử dụng?• Bàn đạp thắng làm việc theo chức

năng? • Hiệu quả của việc đạp thắng?


Cây sự kiện “con nai trên đường” Deer in Road Event Tree

Con nai chạy ra đường

Bàn đạp thắng tốt

Bàn đạp thắng hỏng


Bàn đạp thắng không được sử dụng

Đụng xe

Thắng trượtVội vã

Thắng trượtChậm

Dừng an toànHiệu quả

Thắng trượtMột phần

Đụng xeToàn bộ


Cây sự kiện “con nai trên đường” Xác suất

Con nai chạy ra đường

Bàn đạp thắng tốt

Bàn đạp thắng hỏng


Bàn đạp thắng không được sử dụng

Đụng xe

Thắng trượt

Vội vã

Thắng trượtChậm

Dừng an toàn

Hiệu quả

Thắng trượtMột phần

Đụng xeToàn bộ(P = 1)

(P = 0.8)

(P = 0.2)

(P = 0.01)

(P = 0.99)

(P = 0.25)

(P = 0.60)

(P = 0.15)

(P = 0.60)

(P = 0.40)


Xác suất

Hậu quả Hậu quả phụ

Tính toán Xác suất

Dừng an toàn

(Không) 0.8 0.99 0.6 0.4752

Đụng xe Trượt xe 0.8 (0.99 0.15 + 0.01 0.6)

0.3216

Giữ nguyên tốc độ

0.2 + 0.8 0.01 0.4

0.2032


Phương pháp Poisson

• Phương pháp dùng để tính xác suất của những sự kiện hiếm hoi !

• Cuối những năm 1800, nhiều sĩ quan kỵ binh Phổ đã bị những con ngựa đá đến chết - Vấn đề mới ?- Sự thống kê bất thường?- Ông Poisson đã tìm ra phương pháp


Rủi ro của các chuyến bay quân sự

• 90.000 giờ bay mỗi tuần

• Khoảng 1 tai nạn trên 80.000 giờ bay

• 6 tai nạn trong 1 tuần.

• Vấn đề ở đây là gì ?


Tính toán Poisson

= tần suất dự báo

• x = tần suất liên quan

• P(6| = 1) = 0.0005, or 1:2000

• Vấn đề ở đây là gì?

x!

λexP

xλ


Cây quyết định


Cây quyết định

• Trong quản lí rủi ro, một cây quyết định là một đồ thị của các sự quyết định và các hệ quả của nó, (bao gồm hao phí và rủi ro tài nguyên) được sử dụng để xây dựng một kế hoạch nhằm đạt được mục tiêu mong muốn.

• Các cây quyết định được dùng để hỗ trợ quá trình ra quyết định.

• Cây quyết định là một dạng đặc biệt của cấu trúc dạng cây.

http://vi.wikipedia.org/w/index.php?title=Qu%E1%BA%A3n_l%C3%AD_r%E1%BB%A7i_ro&action=edit

http://vi.wikipedia.org/wiki/L%C3%83%C2%BD_thuy%C3%A1%C2%BA%C2%BFt_%C3%84%C2%91%C3%A1

http://vi.wikipedia.org/w/index.php?title=K%E1%BA%BF_ho%E1%BA%A1ch&action=edit

http://vi.wikipedia.org/w/index.php?title=M%E1%BB%A5c_ti%C3%AAu&action=edit

http://vi.wikipedia.org/w/index.php?title=C%E1%BA%A5u_tr%C3%BAc_d%E1%BA%A1ng_c%C3%A2y&action=edit


Cây quyết định (tt)

• Cây quyết định là một kiểu mô hình dự báo (predictive model); điều đó có nghĩa là, sự tương quan giữa các phần tử sẽ dẫn đến một kết luận nào đó.

• Mỗi một nút (node) bên trong tương ứng với một biến; đường nối nó với con của nó thể hiện định giá cho mối quan hệ đó.

• Nút lá thể hiện định giá dự đoán cho quãng đường từ gốc tới nút lá đó.



• Cây quyết định có thể được mô tả như là sự kết hợp của các kỹ thuật toán học và tính toán nhằm hỗ trợ việc mô tả, phân loại và tổng quát hóa một tập dữ liệu cho trước. Dữ liệu được cho dưới dạng các bản ghi có dạng:

(x, y) = (x1, x2, x3..., xk, y)• Biến phụ thuộc (dependant variable) y là biến

mà chúng ta cần tìm hiểu, phân loại hay tổng quát hóa. x1, x2, x3 ... là các biến sẽ giúp ta thực hiện công việc đó.


Các kiểu cây quyết định

Cây quyết định còn có hai tên khác:- Cây hồi quy (Regression tree) ước lượng các hàm giá có giá trị là số thực thay vì được sử dụng cho các nhiệm vụ phân loại. (ví dụ: ước tính giá một ngôi nhà hoặc khoảng thời gian một bệnh nhân nằm viện)- Cây phân loại (Classification tree), nếu y là một biến phân loại như: giới tính (nam hay nữ), kết quả của một trận đấu (thắng hay thua).



• Dùng trong thuật toán CART (Classification and Regression Trees). Nó dựa vào việc bình phương các xác suất thành viên cho mỗi thể loại đích trong nút. Giá trị của nó tiến đến cực tiểu (bằng 0) khi mọi trường hợp trong nút rơi vào một thể loại đích duy nhất.

• Giả sử y nhận các giá trị trong {1, 2, ..., m} và gọi f(i,j) là tần xuất của giá trị j trong nút i. Nghĩa là f(i,j) là tỷ lệ các bản ghi với y=j được xếp vào nhóm i.


Ưu điểm của cây quyết định

• Cây quyết định dễ hiểu. Người ta có thể hiểu mô hình cây quyết định sau khi được giải thích ngắn.

• Việc chuẩn bị dữ liệu cho một cây quyết định là cơ bản hoặc không cần thiết. Các kỹ thuật khác thường đòi hỏi chuẩn hóa dữ liệu, cần tạo các biến phụ (dummy variable) và loại bỏ các giá trị rỗng.

http://vi.wikipedia.org/w/index.php?title=Chu%E1%BA%A9n_h%C3%B3a_d%E1%BB%AF_li%E1%BB%87u&action=edit


Ưu điểm của cây quyết định (tt)

• Cây quyết định có thể xử lý cả dữ liệu có giá trị bằng số và dữ liệu có giá trị là tên thể loại. Các kỹ thuật khác thường chuyên để phân tích các bộ dữ liệu chỉ gồm một loại biến. Chẳng hạn, các luật quan hệ chỉ có thể dùng cho các biến tên, trong khi mạng nơ-ron chỉ có thể dùng cho các biến có giá trị bằng số.

• Cây quyết định là một mô hình hộp trắng. Nếu có thể quan sát một tình huống cho trước trong một mô hình, thì có thể dễ dàng giải thích điều kiện đó bằng logic Boolean. Mạng nơ-ron là một ví dụ về mô hình hộp đen, do lời giải thích cho kết quả quá phức tạp để có thể hiểu được.

http://vi.wikipedia.org/wiki/M%C3%A1%C2%BA%C2%A1ng_n%C3%86%C2%A1-ron


Ưu điểm của cây quyết định (tt)

• Có thể thẩm định một mô hình bằng các kiểm tra thống kê. Điều này làm cho ta có thể tin tưởng vào mô hình.

• Cây quyết định có thể xử lý tốt một lượng dữ liệu lớn trong thời gian ngắn. Có thể dùng máy tính cá nhân để phân tích các lượng dữ liệu lớn trong một thời gian đủ ngắn để cho phép các nhà chiến lược đưa ra quyết định dựa trên phân tích của cây quyết định.


Mở rộng cây quyết định thành đồ thị quyết định

Trong cây quyết định, mọi đường đi từ nút gốc đến nút lá được tiến hành bằng các phép hợp (AND). Trong đồ thị quyết định, có thể dùng các phép tuyển (OR) để kết nối ghép hai hay nhiều đường lại với nhau.


XIN CÁM ƠN !

chuong 9

Documents