masterThesis
A machine learning-based methodology for automated classification of risks in an oil refinery
Autor
MACÊDO, July Bias
Institución
Resumen
Oil refineries process hazardous substances at extreme operational conditions to produce valuable products. The necessary and required risk assessment is generally rather time-consuming and involves a multidisciplinary group of experts to identify potential accidental hypotheses, and compute their frequency and severity. With respect to this context, in this work, we present a machine learning method to mine out useful knowledge and information from available data of past risk assessments. The aim is at automatically classifying possible accident scenarios that may occur in oil refinery processing units by using SVM (support vector machines). Data from a previous qualitative risk assessment of an ADU (atmospheric distillation unit) of a real oil refinery is used to demonstrate the applicability of the SVM-based approach. The test classification was made with an F1 score of 89.95%. In this way, the results obtained showed that the proposed method is promising for efficiently performing automated risk assessment of oil refineries. CAPES Refinarias de petróleo processam substâncias perigosas em condições operacionais extremas para produzir produtos valiosos. A execução da necessária e exigida avaliação de riscos é geralmente bastante demorada e envolve um grupo multidisciplinar de especialistas para identificar possíveis hipóteses acidentais e calcular suas frequências e a severidade de suas consequências. Com relação a este contexto, neste trabalho, apresenta-se um método de aprendizagem de máquina para extrair conhecimento e informações úteis a partir de avaliações anteriores de riscos. O objetivo é classificar automaticamente os possíveis cenários acidentais que possam ocorrer em unidades de processamento de refinaria de petróleo usando máquina de vetores de suporte. Os dados de uma avaliação de risco qualitativa previamente elaborada de uma ADU (unidade de destilação atmosférica) de uma refinaria de petróleo real são usados para demonstrar a aplicabilidade da abordagem baseada em SVM. A classificação dos dados de teste foi feita com um escore F1 de 89,95%. Os resultados obtidos demonstraram que o método proposto é promissor para realizar eficientemente avaliações automáticas de risco de refinarias de petróleo.