بکارگیری شبکه های بیزین در مدلسازی اثرات دومینوی ناشی از حریق در محوطه مخازن ذخیره سازی بنزین

مقدمه: اثرات دومینو یک زنجیره از حوادث با احتمال رخداد کم و پیامد بالا هستند که در آن یک حادثه اولیه (حریق یا انفجار) در یک واحد باعث بروز حوادث ثانویه در واحدهای مجاور می شود. شبکه های بیزین برای مدل سازی الگوهای انتشار اثرات دومینو و برای تخمین احتمال این اثرات در سطوح مختلف بکار گرفته شده اند. ساختار انعطاف‌پذیر و تکنیک‌های مدل‌سازی منحصربه‌فرد ارائه‌شده توسط شبکه های بیزین امکان تحلیل اثرات دومینو را از طریق یک چارچوب احتمالی، با در نظر گرفتن اثرات هم‌افزایی فراهم می‌سازد.روش کار: ابتدا جمع آوری اطلاعات اولیه مرتبط با جایگاه مخازن ذخیره و تعیین سناریو حادثه انجام، سپس مقادیر بردار تشدید تابش حرارتی (میزان شار گرمایی دریافتی) توسط سایر مخازن در صورت رخداد حریق در یک مخزن با استفاده از نرم افزار aloha تعیین گردید. مقادیر شار حرارتی دریافتی با  مقدار آستانه 15 کیلووات بر متر مربع مقایسه و تخمین احتمال اثرات دومینو و گسترش سناریو اولیه به مخازن مجاور با استفاده از شبکه های بیزین صورت پذیرفت. یافته ها: یافته های حاصل از بررسی مقادیر شار حرارتی نشان داد که از میان هشت مخزن مورد مطالعه، دو مخزن با توجه به محل استقرار آن ها در محوطه مخازن دارای بیشترین پتانسیل گسترش اثرات دومینو هستند. همچنین، نتایج پیاده سازی شبکه های بیزین در نرم افزار genie، نشان داد که احتمال گسترش حریق و اثرات دومینو به سایر مخازن ذخیره با وقوع رخداد حریق اولیه در دو مخزن ذکر شده و در نظر گرفتن آن ها به عنوان واحد اولیه بیش از سایر مخازن است. نتیجه گیری: مدل‌سازی اثرات دومینو و بکارگیری اقدامات پیشگیرانه سبب کاهش احتمال تشدید اثرات دومینو می گردد. در نظر گرفتن اثرات هم‌افزایی رویدادهای مراتب مختلف از طریق در نظر گرفتن بردارهای تشدید سبب مدیریت ریسک مناسب و تعیین اقدامات پاسخ اضطراری در محوطه مخازن ذخیره می گردد. 

application of bayesian networks in fire domino effects modeling in gasoline storage tanks area

introduction: domino effects are a chain of low-probability and high-consequence accidents in which a primary event (fire or explosion) in one unit causes secondary events in adjacent units. bayesian networks have been used to model the propagation patterns of domino effects and to estimate the probability of these effects at different levels. the unique modeling and flexible structure provided by bayesian networks allow the analysis of domino effects through a probabilistic framework, taking synergistic effects into account.material and methods: firstly, collecting the basic information related to the location of the storage tanks and determining the scenario of the accidents were done. furthermore, the values of the heat radiation as escalation vectors in case of a fire in one tank were determined using aloha software. the received heat flux values were compared with the heat radiation threshold of 15  kw/m2 and the escalation probability of the primary unit and the propagation of the initial scenario to nearby storage tanks were determined using bayesian networks.results: the analysis of the heat flux values showed that among the 8 studied storage tanks, two storage tanks had the highest potential for spreading domino effects due to their location in a tank farm. also, the implementation of bayesian networks in genie revealed that, compared to other storage tanks, the probability of domino effects propagating to other nodes is higher when a primary fire accident occurs in the two mentioned tanks, while considered as primary units.conclusion: domino effect modeling and appropriate preventative measures can decrease the escalation probability in the process industries. consideration of the synergistic effects of events at different levels by taking the escalation vectors into account leads to proper risk management and the determination of emergency response measures in storage tank farms.