You are on page 1of 46

Tröôøng Ñaïi hoïc KHTN

Khoa Moâi tröôøng

ÑAÙNH GIAÙ RUÛI RO MOÂI


TRÖÔØNG
ENVIRONMENTAL RISK
ASSESSMENT
(Baøi 9)
Giaûng vieân : PGS.TS. PHUØNG CHÍ SYÕ
Vieän Kyõ thuaät Nhieät ñôùi vaø Baûo
veä
Moâi tröôøng
© 2003, David M. Hassenzahl
Caùc phöông phaùp
ñaùnh giaù
ruûi ro

© 2003, David M. Hassenzahl


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)
© 2003, David M. Hassenzahl
Phöông phaùp phaân tích
caây söï kieän
(Event Tree Analysis)
(ETA)

© 2003, David M. Hassenzahl


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
© 2003, David M. Hassenzahl
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.

© 2003, David M. Hassenzahl


PHÂN TÍCH CÂY SỰ KIỆN (tt)
“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.

© 2003, David M. Hassenzahl


PHÂN TÍCH CÂY SỰ KIỆN (tt)
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

© 2003, David M. Hassenzahl


Các phương pháp kỹ thuật đánh
giá rủi ro
Cây thất bại
(Fault Trees)
và Cây sự kiện
(Event Trees)

© 2003, David M. Hassenzahl


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”)

© 2003, David M. Hassenzahl


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)

© 2003, David M. Hassenzahl


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

© 2003, David M. Hassenzahl


Cây thất bại
• Khả năng gây ra hậu quả có hại
• Phép hợp (AND)/Phép tuyến (OR) của
các cửa vào

© 2003, David M. Hassenzahl


Car Accident Fault Tree
Tai nạn ô tô

Không con
nai nào bị
tai nạn
Có con nai Ô tô không
trên đường phanh kịp

Bàn đạp thắng


Lái xe bị bị hỏng
xao lãng

Bàn đạp thắng


được sử dụng

© 2003, David M. Hassenzahl


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

© 2003, David M. Hassenzahl


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

Bàn đạp thắng


bị hỏng

© 2003, David M. Hassenzahl


Sự kiện cơ bản (Basic Event)
• Sự kiện yêu cầu không tiếp tục phát
triển
• Được biểu thị bằng một hình tròn

Có con nai
trên đường

© 2003, David M. Hassenzahl 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

© 2003, David M. Hassenzahl


“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

© 2003, David M. Hassenzahl


“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

© 2003, David M. Hassenzahl


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)

© 2003, David M. Hassenzahl Haimes, Page 544 - 5


Car Accident Fault Tree
Tai nạn ô tô

Không con
nai nào bị
tai nạn
Có con nai Ô tô không
trên đường phanh kịp

Bàn đạp thắng


Lái xe bị bị hỏng
xao lãng

Bàn đạp thắng


được sử dụng

© 2003, David M. Hassenzahl


Đại số học
Hoạt động Xác suất Toán học Công nghệ

Kết hợp của A hoặc B A∪B A+B


A và B
Giao điểm A và B A∩B A•B
của A và B
Bổ sung của Không có A A' A'
A

© 2003, David M. Hassenzahl


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

A∪B=
Lái xe bị
xao lãng
(A)
A∩B=0
Có con nai
trên đường
(A ∪ B) ∩ C = Bàn đạp thắng
(C)
sử dụng bị hỏng
(B)

© 2003, David M. Hassenzahl


Xác suất của các khả năng
(Probability Possibilities)
Nếu S = F + G
P(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 • G
P(S) = P(F)P(G) nếu các sự kiện độc lập với
nhau
© 2003, David M. Hassenzahl
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)

© 2003, David M. Hassenzahl


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

© 2003, David M. Hassenzahl


Xác suất con nai bị tai nạn
giao thông
S = (A + B) • C
P(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

© 2003, David M. Hassenzahl


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?

© 2003, David M. Hassenzahl


Cây sự kiện “con nai trên đường”
Deer in Road Event Tree
Vội vã Thắng trượt

Bàn đạp Hiệu quả


thắng tốt Dừng an toàn

Bàn đạp thắng Chậm


Thắng trượt
được sử dụng

Bàn đạp Một phần Thắng trượt


Con nai chạy
thắng hỏng
ra đường
Toàn bộ Đụng xe

Bàn đạp thắng


không được Đụng xe
sử dụng
© 2003, David M. Hassenzahl
Cây sự kiện “con nai trên đường”
Xác suất (P = 0.25) Thắng trượt
Vội vã
(P = 0.99) Hiệu quả Dừng an
Bàn đạp toàn
(P = 0.60)
(P = 0.8) thắng tốt
Thắng trượt
Chậm (P = 0.15)
Bàn đạp thắng
được sử dụng
(P = 0.01)
Một phần (P = 0.60) Thắng trượt
Con nai chạy Bàn đạp
ra đường thắng hỏng
Đụng xe
(P = 1) Toàn bộ (P = 0.40)
(P = 0.2)
Bàn đạp thắng
không được Đụng xe
sử dụng
© 2003, David M. Hassenzahl
Xác suất
Hậu quả Hậu quả Tính toán Xác
phụ suất
Dừng an (Không) 0.8 × 0.99 × 0.6 0.4752
toàn
Đụng xe Trượt xe 0.8 × (0.99 × 0.15 + 0.3216
0.01 × 0.6)
Giữ 0.2 + 0.8 × 0.01 × 0.4 0.2032
nguyên
tốc độ
© 2003, David M. Hassenzahl
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

© 2003, David M. Hassenzahl


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 ?

© 2003, David M. Hassenzahl


Tính toán Poisson
−λ
e ⋅λ x
P( x ) =
x!
∀ λ = tần suất dự báo
• x = tần suất liên quan
• P(6| λ = 1) = 0.0005, or 1:2000
• Vấn đề ở đây là gì?

© 2003, David M. Hassenzahl


Cây quyết định

© 2003, David M. Hassenzahl


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.
© 2003, David M. Hassenzahl
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.

© 2003, David M. Hassenzahl


Cây quyết định (tt)
• 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.

© 2003, David M. Hassenzahl


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).

© 2003, David M. Hassenzahl


Cây quyết định (tt)
• 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.

© 2003, David M. Hassenzahl


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.

© 2003, David M. Hassenzahl


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.

© 2003, David M. Hassenzahl


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.

© 2003, David M. Hassenzahl


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.

© 2003, David M. Hassenzahl


XIN CÁM ƠN !

© 2003, David M. Hassenzahl

You might also like