Прикладная техносферная рискология
Скачать 3.31 Mb.
|
1.6. Методологический аппарат анализа риска Анализ риска – это систематические научные исследования и практическая деятельность, направленные на выявление и количественное определение различных видов риска при осуществлении каких-либо видов деятельности и хозяйственных проектов, включая изучение размера экономического ущерба, а так же изменение рисков во времени, степень взаимосвязи между ними и изучение факторов влияющих на них. По полноте решаемых задач виды анализа риска: качественный анализ и количественный анализ. Анализ риска по решаемым задачам включает в себя: оценку риска и прогноз риска. Основные концепции анализа риска: техническая, экономическая, психологическая, социальная. Основные методы оценки риска: экспертный, феноменологический, вероятный, детерминистский. Метод экспертных оценок базируется на мнениях специалистов по интересующему объекту или системе. Должны высказывать свое мнение эксперты, досконально знающие данный объект, причем опрос должен проводиться среди специалистов разного профиля, которые будут оценивать и характеризовать объект с различных сторон. Анализируются отдельные элементы, системы, с точки зрения выходов из строя, разрушений, возможности отклонения параметров за номинальные значения, рассматривается взаимосвязь и влияние различных систем друг на друга. Градация и шкала экспертных оценок может быть различной – 5 балльная, 10 – балльная, 100 – балльная оценка безопасности. Эта экспертная оценка может быть в виде совместного обсуждения или в виде анкетного опроса с последующей обработкой данных. В этом методе не ставится вопрос о том, каким образом эксперты будут оценивать безопасность данного объекта. Здесь имеет значение их опыт, знания в смежных областях. Базируясь на этом фундаменте, эксперты должны оценить безопасность данного объекта в количественной мере. Метод экспертных оценок может проводиться на разных стадиях, начиная с обсуждения проекта, кончая оценкой состояния безопасности работающего оборудования. При использовании метода экспертных оценок для повышения достоверности результатов, необходимо, чтобы выбранные эксперты были квалифицированными специалистами в своей области, чтобы круг экспертов был достаточно репрезентативным для характеристики и оценки объекта, и выбранные эксперты были независимыми и незаинтересованными в результатах прогноза. Социологический метод, также как и метод экспертных оценок, основан на опросе, но, в отличие от первого метода, опрашиваются не специалисты, а дилетанты. Дело в том, что этот метод основан на опросе людей, заинтересованных в безопасности обсуждаемого объекта. Информацию об этом объекте, степени его надежности и безопасности, люди получают из средств массовой информации, популярных изданий, массовых газет и журналов, публичных выступлений специалистов, из различных дискуссий. Иногда этим методом оценки риска бывают охвачены группы населения, целые регионы. Результаты опроса в этом методе носят двоичный характер, в виде ответов «да» – «нет», «опасно» – «неопасно», «нужен» – «не нужен». При всей парадоксальности этого метода, основанного на мнении неспециалистов, этот метод имеет полное право на существование и является очень демократичным по отношению к людям, безопасность которых зависит от надежности данного объекта. Например, было принято правительственное решение о строительстве нефтепровода Восточная Сибирь-Тихий Океан в районе Северного Байкала. Общественность не приняла предложенный вариант проекта, всколыхнулось общественное мнение, начались митинги, обсуждения, дискуссии, сбор подписей за отмену решения Федерального правительства. В конечном итоге, проект был переработан, найдено оптимальное решение, трасса нефтепровода перенесена на значительное расстояние от Байкала. Нефтепровод построен и успешно функционирует, а аварийные риски минимизированы. Таким образом, социологический метод оценки риска, базирующийся на мнении определенной части населения, заинтересованного в решении данного вопроса, является одним из действенных факторов повышения надежности и безопасности различных технических систем и объектов. Метод модельных исследований. При оценке рисков можно моделировать риски, используя различные подходы, основанные как на индуктивном, так и дедуктивном методах. Способность моделирования является неотъемлемой частью познавательной деятельности человека. Психологические аспекты моделирования заключаются в способности сознания отражать внешний мир не во всем его многообразии и полноте внешних и внутренних связей, а огрубленно, в приближенном виде. Та неполная информация о реальном явлении, которую мы приобретаем непосредственно через каналы ощущений и восприятий или опосредованно, опираясь на ранее приобретенные знания, фиксируется в нашем сознании в неполном виде как система представлений и образов, которые по существу являются моделями. В следствие этого наши представления об окружающем мире носят модельный характер. Модель создает условия для активной мыслительной деятельности в поисках способа решения конкретной задачи. Любая модель основана на некотором упрощении и поэтому никогда не бывает тождественна рассматриваемому объекту, не передает всех его свойств и особенностей, а является его приближенным отражением. Однако, благодаря замене реального объекта соответствующей ему моделью, появляется возможность сформулировать задачу его изучения и воспользоваться для анализа его свойств набором неких приемов, которые позволят провести детальный анализ, предсказать, как поведет себя объект в различных условиях, т. е. прогнозировать результаты будущих событий. Всякая модель должна удовлетворять двум основным требованиям: – Адекватность процессу. Это значит, что модель должна отражать наиболее характерные связи между компонентами, участвующими в нем, учитывать свойства среды, в котоpoй процесс происходит, и информацию о начальном состоянии процесса. Только тогда по поведению модели можно судить о ходе самого процесса. – Разрешимость модели. Это значит, что модель должна быть не слишком сложной, чтобы из нее можно было получить интересующую нас информацию. При построении модели явления необходима его идеализация, т. е. oтделение условий, существенно влияющих на него, oт условий, не оказывающих на него существенного влияния. При оценке рисков можно использовать разные методы моделирования. Физическое моделирование. Методы физического моделирования широко применяются в областях науки и техники. Например, в двигателестроении, определения степени надежности и ресурса, проводятся огневые испытания, вплоть до полного прожога и выхода из строя двигателя и определяется ресурс. При испытаниях различных систем безопасности, используемых в автомобилях (ремни безопасности и др.), в самолетах (кресло пилота с системой катапультирования), парашютных устройств, используют манекены с множеством различных датчиков Математическое моделирование. Используют понятие математической модели в тех случаях, когда имеется математическое описание функционирования какой-либо системы или отдельных ее частей, установлены зависимости влияния одних элементов на другие. Для одного объекта может быть разработано несколько математических моделей, описывающих различные физические процессы, протекающие в различных системах объекта. Например, для автомобиля существуют термодинамические и тепловые модели для описания процессов в двигателе, прочностные модели, базирующиеся на положениях механики и сопромата, гидравлические модели топливной и масляных систем, модель функционирования электрических систем, аэродинамическая модель сопротивления воздуха, кинематические и динамические модели движения отдельных частей и всего автомобиля в целом. Разрабатываемые модели с определенной степенью соответствия описывают реальный физический процесс и позволяют проводить различные расчеты и осуществлять проектирование. Все эти математические модели, в рамках принятых допущений, являются строго детерминированными. Они позволяют проводить инженерное проектирование и прогнозировать работу и поведение объекта в условиях расчетного, определенного изменения параметров и факторов. В реальных случаях, объект функционирует в условиях воздействия многих случайных факторов, не входящих в детерминированные модели. Например, воздействие вибраций от неровностей дорожного полотна, пульсации топлива в магистралях и т. п. Из этих детерминированных моделей не вытекают различные отказы, поломки. Еще большее число случайных факторов будет влиять на систему, когда функционирование зависит от действий человека. Поэтому оценка безопасности, надежности, риска должна базироваться на других моделях, которые позволяли бы прогнозировать будущие события в условиях значительной неопределенности при действии многих случайных факторов. Существует, и за последние годы интенсивно развивается целый раздел математики, называемый «исследование операций» – это наука о выборе разумных научно обоснованных решений в условиях действия случайных факторов при недостатке информации. Задача исследования операций состоит в том, что, используя математические модели для описания каких-то явлений, процессов, приводят расчеты для различных вариантов действий и из некоторых выбирают наилучшее. Выбор наилучшего, т. е. оптимального решения проводится для достижения конкретной цели, следовательно, мы должны выбрать определенную целевую функцию. Целевой функцией при решении задач безопасности могут быть, например, минимизация выбросов от работы предприятия в окружающую среду, увеличение надежности, оптимизация функции «риск–затраты» и другие. Математические модели, разрабатываемые на базе исследования операций, позволяют обосновано производить оценку возможных вариантов и производить решение, Использование таких прогностических моделей позволяет избежать серьезных ошибок, особенно в тех случаях, когда проводится очень сложное масштабное дорогостоящее мероприятие или действие с возможными опасными или катастрофическими последствиями. Разрабатывая математическую модель изучаемого объекта, необходимо выбрать разумную степень соответствия математического описания модели натурному объекту. Здесь могут быть две крайние позиции – или слишком большое огрубление процессов и явлений, при котором могут быть потеряны существенные факторы, либо слишком подробный учет несущественных, второстепенных деталей, которые значительно усложняют математический анализ и затрудняют осмысление полученных результатов. Создание математических моделей требует глубоких знаний изучаемого объекта, опыта и творческого подхода, граничащего с искусством. После того как модель разработана, можно использовать математические методы количественной оценки риска различных альтернативных вариантов, что позволит проводить обоснованное решение по показателям наибольшей безопасности. Для увеличения достоверности полученных результатов целесообразно разрабатывать не одну модель, а несколько разных моделей с различными допущениями, упрощениями разным аппаратом. Если полученные результаты на различных моделях не противоречат друг другу, то это свидетельствует о том, что модель, в главном, достаточно адекватно характеризует изучаемый объект. Процесс математического моделирования, т. е. технологию изучения явлений с помощью математических моделей, можно разделить на четыре этапа: Первый этап – формулирование законов, связывающих основные объекты модели. Этот этап требует широкого знания фактов, относящихся к изучаемым явлениям и глубокого проникновения в их взаимосвязи. Завершается он записью в математических терминах сформулированных качественных представлений о связях между объектами модели. Основным вопросом на втором этапе является получение в результате анализа модели теоретических результатов (теоретические следствия модели) для дальнейшего их сопоставления с экспериментальными данными. На этом этапе важную роль приобретает математический аппарат, необходимый для анализа математической модели, и вычислительная техника. Третий этап – определение того, удовлетворяет ли принятая модель критерию практики. Четвертый этап – последующий анализ модели в связи с накоплением данных об изучаемых явлениях и ее модернизация. При изучении безопасности и оценке риска большое значение имеет разработка имитационных моделей, являющихся разновидностью математического моделирования. Имитационное моделирование включает в себя вмешательство человека в зависимости от получаемой текущей информации принимать те или иные решения и вносить коррективы. Имитационные модели более близко отражают реальный объект, так как в большинстве случаев объекты представляют собой «человек – машина», где человек выступает как элемент общей системы и может оперативно вмешиваться в ход процесса. За последнее время широкое распространение получают имитационные модели в виде деловых игр. Деловые игры позволяют за счет многократного повторения различных ситуаций, проводить обучение и тренировку играющего, выбирать и прогнозировать варианты, обеспечивающие наибольшую безопасность. Большинство математических моделей, в том числе и имитационные модели, прогнозирующие риск, должны быть стохастическими, так как отклонения параметров, отказы, выходы из строя, а также действия человека носят вероятностный характер. Однако, если есть возможность достаточно полного описания объекта алгебраическими или дифференциальными уравнениями. Но создание подобных моделей не всегда возможно или из-за чрезвычайной сложности объекта, или из-за значительной неопределенности, обусловленной большим количеством случайных факторов. В этом случае используют методы статистического моделирования. Статистическое моделирование (Метод Монте-Карло) Методы создания математических моделей объектов и систем, а также имитационных моделей предполагают или детерминированные задачи или задачи, решаемые в условиях неопределенности. Для второго класса объектов разрабатываются стохастические модели, причем имеется в виду, что ряд параметров объекта носит характер «доброкачественной» или стохастической неопределенности. Термин «доброкачественная» или стохастическая неопределенность предполагает, что неопределенные факторы или параметры, входящие в задачу, являются случайными величинами, вероятностные характеристики которых или известны или могут быть определены из опыта. В реальных случаях приходиться анализировать безопасность сложных объектов и систем, в которых взаимосвязаны большое количество элементов и процессов (машина, агрегаты, организации, люди). В подобных ситуациях много случайных факторов, которые очень сложно взаимно влияют друг на друга, причем процессы не марковские. В таких ситуациях единственным методом решения задачи является использование универсального метода статистического моделирования, называемого методом Монте-Карло. Суть метода моделирования Монте-Карло состоит в том, что вместо того, чтобы пытаться описывать процесс с помощью аналитического аппарата (каких-либо уравнений), которые могут быть чрезвычайно сложными и описывать процесс очень приближенно, производиться модельное появление случайного события с помощью специально организованной процедуры. Процедура предполагает получение случайных чисел, которые отождествляются с каким-либо событием. Говоря о безопасности, случайные числа могут связываться с вероятностью наступления неблагоприятного события (авария, взрыв, травма, выброс токсичных веществ и др.). По процедуре формирования случайного сигнала (цифры) происходит формирование переменной по ее распределению. Однако реализация, т. е. одно выпадение случайного числа не может служить характеристикой поведения системы, но при достаточно большом количестве реализаций этот выбор случайных чисел может быть обработан методами математической статистики, что дает вероятностные характеристики состояния и развития исходного объекта. Для использования метода Монте-Карло необходимо представлять, хотя бы примерно, закон распределения. На практике в большинстве случаев описывают процессы и явления, имеющие нормальный закон распределения. Для получения случайных реализаций используют или готовые таблицы случайных чисел, или с помощью ЭВМ, используя генераторы (датчики) случайных чисел. При другом законе распределения (биноминальное, экспоненциальное) вводят специальную программу формирования случайного сигнала по этому закону. Метод статистического моделирования (метод Монте-Карло) имеет свои достоинства и недостатки. Достоинства: – возможность моделирования сложных систем, где действует много взаимодействующих случайных факторов; – возможность проверки правильности других аналитических моделей; – не требует серьезных упрощений и допущений, так как в статистическую модель можно заложить любые законы распределения, любой сложности системы. Недостатки: – громоздкость и трудоемкость в разработке, потребность в большом количестве расчетов для получения статистически достоверных данных; – результаты статистического моделирования труднее воспринимать и осмыслить, чем аналитические модели и, кроме того, значительно труднее решать задачу оптимизации. Самым рациональным является умелое сочетание аналитических и статистических методов моделирования, которые, взаимно дополняя друг друга, могут дать положительные результаты в решении задач безопасности. При статистических модельных исследованиях и разработке моделей с использованием метода Монте-Карло, базируясь на имеющейся статистике и предыдущем опыте, предполагается, что закон распределения в определенной мере известен. По этому закону производится генерирование случайных сигналов. Это производится в тех случаях, когда случайные явления обладают статистической устойчивостью, когда при достаточном повторении опытов, частота появления случайных событий стабилизируется и приближается к ее вероятности. Такие случайные параметры или факторы можно назвать доброкачественной статистической неопределенностью. Примером доброкачественной неопределенности являются отказы различных устройств, выходы из строя агрегатов, разрушение элементов конструкций за счет износа или усталости материалов. Эти примеры находятся в компетенции теории надежности. Но в системах «человек–машина–среда» (ЧМС) могут быть неопределенности нестохастического вида, когда мы не можем хоть как-то прогнозировать закон распределения случайных величин. |
Похожие:
 | Тимофеева С. С. Прикладная техносферная рискология. Биоиндикация и биотестирование : учеб пособие. – Иркутск : Изд–во Иргту, 2014.... |  | ... |
| Настоящие «Задания» к контрольным работам являются приложением к части 1 Методических указаний к курсу «Прикладная геодезия» и составлены... | | Предметной (Цикловой) комиссией специальностей Информационные системы (по отраслям) и Прикладная информатика (по отраслям) |
| Методические указания предназначены для студентов направления «Прикладная информатика» профиля «Прикладная информатика в экономике»,... | | Содержание отчета о преддипломной практике для специальности 351400 «Прикладная информатика (по областям)» 15 |
| Государственная итоговая аттестация выпускника по направлению подготовки бакалавров 01. 03. 02 Прикладная математика и информатика... | | Специальность 080801. 65 «Прикладная информатика (по областям)» Форма подготовки (очная) |
| Ефремов С. В., Струйков г в. Оформление учебных документов для направления подготовки высшего образования «Техносферная безопасность».... | | П. П. Рабочая программа производственной практики для студентов, обучающихся по направлению подготовки 230700. 62 «Прикладная информатика»,... |