Method of estimation for the reliability of quantitative risk analysis on objects of oil and gas industry

Despite the existing arsenal of various methods of quantitative risk analysis both in Russian and international practice, problems arise related to the assessment of the reliability of the results obtained during their practical application, including at oil and gas facilities. The question remains to what extent the decision-maker can trust the results. The article considers the problem of assessing the reliability of quantitative risk analysis at oil and gas facilities. Existing methods for estimating reliability are investigated. It is proposed to use an approach based on ensuring the quality of the process of risk analysis itself. To increase the objectivity in assessing the reliability of the results of a risk analysis, a formal quantitative method was proposed. The article introduces 5 criteria that ensure the quality of the process of risk analysis at oil and gas facilities. A system of rules for coding the values of each of the basic criteria into three discrete qualitative levels was developed. The solution of the task was accomplished by constructing a classifier in which the reliability index of a quantitative risk analysis of oil and gas industry objects is a function of the values of the basic criteria. The reliability of the risk analysis was evaluated on the basis of a naive Bayesian classifier that takes into account the values of the five basic criteria in the evaluation framework. The results of the classifier work are based on a variety of training data that were previously evaluated by experts. The article suggests an approach to the assessment of the quality of the classifier itself, based on a cross-checking with successive exclusion of one copy of the training data. The merits of using the naive Bayesian classifier for assessing the reliability of quantitative risk analysis in oil and gas industry objects include the fact that the classification is carried out quite easily and quickly, surpasses many other algorithms, and requires a smaller amount of training data. A naive Bayesian classifier works very well with categorical features, which is exactly what is reflected in this article.

количественный анализ риска, достоверность, надежность, наивный байесовский классификатор, данные обучения, риск, quantitative risk analysis, reliability, trustworthiness, naive Bayesian classifier, training data, risk

1. Грановский Э. А. Техническое регулирование безопасности промышленных объектов: анализ и количественная оценка риска // Безопасность в техносфере. - 2016. - Т. 5, № 5. - С. 54-63. DOI: 10.12737/24152.

2. Можаев А. С., Демидов Ю. Ф. Алгоритмические основы технологии автоматизированного структурно-логического моделирования в задачах системного анализа надежности, безопасности и риска // Моделирование и анализ безопасности и риска в сложных системах : труды Международной научной школы, 2002.-СПб. : Бизнес-пресса, 2002. -12 с.

3. Белов П. Г. Стратегическое планирование развития и обеспечения национальной безопасности России: прогнозирование и снижение риска чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. -2015. -№ 1(9). -C. 47-58.

4. Егоров А. Ф., Савицкая Т. В., Михайлова П. Г., Курбатова М. Г. Модели оценки риска возникновения аварий на технологическом оборудовании с опасными химическими веществами. Ч. 1. Теоретические основы // Безопасность в техносфере. -2008. -№ 5. -С. 4-13.

5. Острейковский В. А., Смолин Д. И. Количественная оценка вероятностей исходных событий при анализе риска от эксплуатации атомных станций // Вестник кибернетики. - 2013. - № 12. - С. 130-137.

6. Матвеев А. В., Иванов М. В., Шевченко А. Б. Аналитическая модель системы управления пожарной безопасностью АЭС // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление.-2010. -Т. 6. -№ 113. -С. 91-95.

7. Серенков П. С., Воронин А. Н., Липский В. К. Анализ отечественных и зарубежных методик оценки риска в магистральном трубопроводном транспорте // Вестник Полоцкого государственного университета. Серия F: Строительство. Прикладные науки. -2013. -№ 8. -С. 83-88.

8. Абдрахманов Н. Х., Абдрахманова К. Н., Ворохобко В. В., Абдрахманов Р. Н., Басырова А. Р. Моделирование сценариев развития аварийных ситуаций для нестационарных опасных производственных объектов нефтегазового комплекса // Нефтегазовое дело : электронный научный журнал. -2015. -№ 5. -С. 516-531. DOI: 10.17122/ogbus-2015-5-516-531.

9. Малиев Е. М., Шиянов А. В. Исследование достоверности количественного метода анализа рисков для оценки состояния уровня промышленной безопасности объектов нефтеперерабатывающей промышленности // Актуальные вопросы современной науки : материалы II Международной научно-практической конференции. -Чистополь : Бриг, 2015. -С. 34-39.

10. Сидорова М. Н., Хасбутдинова Е. В. Современные методы качественного и количественного анализа рисков в нефтегазовой отрасли // Фундаментальная математика и ее приложения в естествознании : тезисы докладов IX Международной школы-конференции для студентов, аспирантов и молодых ученых (3-7 октября 2016 г., г. Уфа) / Отв. ред. Б. Н. Хабибуллин, Е. Г. Екомасов, Р. М. Ахметханов. -Уфа : РИЦ БашГУ, 2016. -С. 350-352.

11. Лесных В. В., Алексеева В. А., Литвин Ю. В. Современное состояние проблемы анализа организационных рисков: терминология, классификация, методы качественной и количественной оценки // Управление риском. -2015. -№ 1(73).-С. 14-25.

12. Абдрахманов Н. Х., Шайбаков Р. А., Марков А. Г. Анализ современного уровня развития методологии системных рисков при проектировании и эксплуатации опасных производственных объектов // Горный информационно-аналитический бюллетень (научно-технический журнал). - 2015. -№ 57. -С. 789-795.

13. Aven T. Risk assessment and risk management: Review of recent advances on their foundation // European Journal of Operational Research. - 2016. - Vol. 253, Issue 1. - P. 1-13. DOI: 10.1016/j.ejor.2015.12.023.

14. Aven T., Heide B. Reliability and validity of risk analysis // Reliability Engineering and System Safety. -2009. -Vol. 94, Issue 11. -P. 1862-1868. DOI: 10.1016/j.ress.2009.06.003.

15. Lauridsen K., Christou M., Amendola A., Markert F., Kozine I., Fiori M. Assessing the uncertainties in the process of risk analysis of chemical establishments: Part 1 and 2 // Proceedings of European Conference on Safety and Reliability (ESREL).-Torino, Italy : Politecnico di Torino, 2001.-P. 592-606.

16. Sornette D., Maillart T., Krцger W. Exploring the limits of safety analysis in complex technological systems // International Journal of Disaster Risk Reduction. - 2013. - Vol. 6. - P. 59-66. DOI: 10.1016/j.ijdrr.2013.04.002.

17. Rouhiainen V.QUASA:Amethod for assessing the quality of safety analysis // Safety Science.-1992. -Vol. 15, Issue 3. -P. 155-172. DOI: 10.1016/0925-7535(92)90002-h.

18. Kirchsteiger C. On the use of probabilistic and deterministic methods in risk analysis // Journal of Loss Prevention in the Process Industries. - 1999. - Vol. 12, Issue 5. - P. 399-419. DOI: 10.1016/s0950-4230(99)00012-1.

19. Pinto A., Ribeiro R. A., Nunes I. L. Ensuring the quality of occupational safety risk assessment // Risk Analysis. -2013.-Vol. 33, Issue 3. -P. 409-419. DOI: 10.1111/j.1539-6924.2012.01898.x.

20. Горелик А. Л., Скрипкин В. А. Методы распознавания. - 4-е изд. - М. : Высшая школа, 2004. -262 с.

21. Асминг В. Э., Кременецкая Е. О., Виноградов Ю. А., Федоров А. В. О применении наивных байесовских классификаторов в сейсмологии // Сейсмические приборы. - 2015. - Т. 51, № 4. - С. 29-40.

22. Гулин В. В. Cравнительный анализ методов классификации текстовых документов // Вестник Московского энергетического института. -2011. -№ 6. -С. 100-108.

23. Матвеев А. В. Системное моделирование управления риском возникновения чрезвычайных ситуаций : дис. …канд. техн. наук. -СПб. : СПб УГПС МЧС России, 2007. -150 c.

24. Попова О. А. Анализ новых подходов к представлению неопределенности в данных для крупномасштабных систем // Управление развитием крупномасштабных систем : материалы Восьмой международной конференции (29 сентября - 1 октября 2015 г., г. Москва) : в 2 т. / Под общ. ред. С. Н. Васильева, А. Д. Цвиркуна.-М. : Институт проблем управления им. В. А. Трапезникова РАН, 2015.-Т. 2. -С. 385-387.

25. Ferson S. RAMAS Risk Calc 4.0 Software: Risk assessment with uncertain numbers.-Boca Raton, Florida : Lewis Publishers, 2002.

26. Rish I. An empirical study of the naive Bayes classifier // Workshop on empirical methods in artificial intelligence, IJCAI.-2001.-Vol. 3.-P. 41-46. URL: https://www.cc.gatech.edu/~isbell/reading/ papers/Rish.pdf (дата обращения: 10.11.2017).

27. Narayanan V., Arora I., Bhatia A. Fast and accurate sentiment classification using an enhanced Naive Bayes model // Intelligent Data Engineering and Automated Learning - IDEAL 2013. - Berlin, Heidelberg : Springer, 2013.-P. 194-201. DOI: 10.1007/978-3-642-41278-3_24.

28. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. - Тольятти, Лондон, 2017. - 351 с. URL: http://www.ievbras.ru/ecostat/ Kiril/R/DM/DM R.pdf (дата обращения: 10.11.2017).

29. Krstajic D., Buturovic L., Leahy D., Thomas S. Cross-validation pitfalls when selecting and assessing regression and classification methods // Journal of Cheminformatics. - 2014. - Vol. 6, Issue 1. - 15 p. DOI: 10.1186/1758-2946-6-10.

30. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. Data Mining, Inference, and Prediction. -2nd ed. -New York : Springer, 2009. -745 p. DOI: 10.1007/978-0-387-84858-7.

31. Алгоритмы и программы восстановления зависимостей / Под ред. В. Н. Вапника.-М. : Наука, 1984. -816 с.

32. Raghuraj R., Lakshminarayanan S. Variable predictive models-Anew multivariate classification approach for pattern recognition applications // Pattern Recognition. - 2009. - Vol. 42, No. 1. - P. 7-16. DOI: 10.1016/j.patcog.2008.07.005.