مدیریت کنش گرایانه ریسک شبکه انتقال گاز با داده‏کاوی و فرایند تصمیم مارکوف

هدف پژوهش، ارائه مدل پیش‏بینی ریسک‏های بحرانی و اولویت‏دار شبکه انتقال گاز و انتخاب اقدام کنترلی بهینه از نظر زمان و هزینه است. در این پژوهش، پیش‏بینی ریسک‏ها با الگوریتم‏های داده‏کاوی بر اساس متدلوژی crisp انجام شده و برای خوشه بندی از الگوریتم k-means, kohnen, two step و در ادامه، از الگوریتم‏های شبکه عصبی، درخت c.5، نزدیک‏ترین همسایگی و بردار پشتیبان برای طبقه‏بندی بهره‏گیری شده است. اقدام کنترلی بهینه با فرایند تصمیم مارکوف انتخاب و مسئله تصمیم‏گیری بر اساس استقرای بازگشتی برنامه‏ریزی پویای احتمالی زمان محدود مدل‏سازی و شبیه‏سازی شده و تحلیل حساسیت و اعتبارسنجی مدل صورت پذیرفته است. بر اساس نتایج، در 97.56 درصد از داده‏های موردتوافق، یادگیری ایجاد شده و صحت و اعتبار مدل داده‏کاوی، 86.92 درصد برآورد شده است. همچنین 13 ریسک، بحرانی تشخیص داده شده‏اند و نتایج شبیه‏سازی مدل ریاضی نیز، نرخ بهبود را 92 درصد در هزینه و 77 درصد در زمان اجرای اقدام کنترلی نشان می‏دهد.

pro-active risk management model of gastransmission network using data miningand markov decision process

the aim of the research is predicting critical risks of the gas transmision network and choosing optimal corrective action in optimal time and cost. risks were predicted with data-mining algorithms based on the crisp methodology. k-means, kohnen, two step algorithm and neural network algorithms, c.5 tree, nearest neighbor and support vector have been used for clsutering and classification. markov decision process is also used to select the optimal control action. decision making problem is based on back down induction in stochastic dynamic programming in the limited time of modeling and simulation and sensitivity analysis and model validation. based on results, in 97.56% of the agreed data, learning was created and the accuracy and validity of the data mining model was estimated at 86.92%. also, 13 risks have been identified as critical, and the simulation results show a 92% improvement rate in the cost and 77% in the control action implementation time.