چکیده مقاله
این پژوهش با هدف ارزیابی و بهینه سازی مدل های یادگیری عمیق چندمتغیره برای حکمرانی هوشمند HSE در مدیریت ریسک سیستمی انتشار ترکیبات آلی فرار VOCs در صنایع پتروشیمی عسلویه و کنگان انجام شد با توجه به نقش حیاتی VOCها در ایجاد بیماری های تنفسی، سرطان زایی، استرس اکسیداتیو، مخاطرات زیست محیطی و اثرات تجمعی در کارکنان، طراحی سامانه های پیش بینی و تصمیم یار مبتنی بر داده ضرورت ویژه ای دارد در این پژوهش از رویکرد آموزش داده محور مبتنی بر واقعیت افزوده جهت ارتقای دقت، فهم و تعامل کاربران با دادههای عملیاتی استفاده شد دادههای اندازهگیری غلظت VOCها، پارامترهای فرآیندی، شاخصهای سلامت کارکنان، شرایط محیطی و عوامل سازمانی طی یک دوره زمانی طولانی جمعآوری و پاکسازی شد سپس سه مدل یادگیری عمیق شامل LSTM، GRU و CNNLSTM چندمتغیره توسعه و مقایسه گردید یافتهها نشان داد مدل CNNLSTM با دقت پیشبینی ۹۴۷ درصد، RMSE پایینتر و حساسیت بیشتر نسبت به پیکهای آلایندگی، عملکرد برتری نسبت به سایر مدلها داشت همچنین، نتایج تحلیل کمیکیفی سلامت کارکنان حاکی از وجود ارتباط معنادار بین افزایش VOCها و تشدید علائم تنفسی، سردرد، کاهش ظرفیت ریوی و افزایش سطح شاخصهای التهابی بود ادغام واقعیت افزوده در آموزش HSE سبب بهبود ۳۸ درصدی در دقت تشخیص موقعیتهای پرخطر و افزایش ۴۴ درصدی در سرعت واکنش کارکنان شد نتایج نشان می دهد استفاده از مدلهای عمیق چندمتغیره و ابزارهای واقعیت افزوده می تواند بنیانی موثر برای حکمرانی هوشمند HSE، کاهش ریسک سیستمی و بهبود سلامت کارکنان در صنایع پتروشیمی فراهم سازد
کلیدواژهها
نویسندگان
عادل احمدی
مدیریت بهداشت و HSE منطقه عسلویه
شیوه ارجاع
�حمدی، عادل،1404،حکمرانی HSE هوشمند: چارچوب کاهش ریسک سیستمی VOCs با استفاده از مدل سازی و آموزش داده محور در پتروشیمی و پالایشگاه ها،بیست و یکمین کنفرانس بین المللی بهداشت، درمان و ارتقای سلامت
ارائهشده در
مجموعه مقالات بیست و یکمین کنفرانس بین المللی بهداشت، درمان و ارتقای سلامت30 آبان 1404