Proses Tehlike Analizlerindeki Belirsizliklerin Bulanık Mantık İle Kantitatifleştirilmesi

Oğuzcan Taşdemir

Mehmet Dilaver

Yusuf Mert Sönmez

ProSCon Mühendislik Sanayi ve Ticaret A.Ş.

oguzcan.tasdemir@proscon.com.tr

Kısa Özgeçmiş

Oğuzcan Taşdemir lisans eğitimini Gazi Üniversitesi Kimya Mühendisliği Bölümü’nde tamamlamıştır. 2008 yılında ODTÜ’de düzenlenen programlama kampı yarışmasında ekibi ile birincilik ödülü kazandı. 2015 yılında Sanayi ve Teknoloji Bakanlığı’nın desteği ile kurulan ShamanSoft yazılım şirketinin kurucu ortaklarındandır. ShamanSoft bünyesinde sanal gerçeklik, yapay zekâ ve 3 boyutlu matematiksel modelleme projelerini yürütmüştür. Kimya mühendisliği ve bilgisayar tabanlı modelleme yetkinlikleri ile kantitatif risk değerlendirme ve tesis tasarımı projelerinde görev alan Oğuzcan Taşdemir, bünyesinde bulunduğu ProSCon Mühendislik Sanayi ve Ticaret A.Ş.’de Proses Güvenliği Mühendisi olarak görev almaktadır.

Özet

Tehlikeli kimyasalların kullanıldığı, depolandığı ve üretimlerinin gerçekleştiği endüstriyel tesisler proses güvenliği kazalarının meydana gelmesinde etkili ve içerisinde belirsizlikler bulunan farklı faktörler barındırmaktadır. Tüm bu faktörleri değerlendirebilecek bir tehlike analiz metodunun tasarlanması ve modellenmesi bu belirsizlikler sebebi ile mümkün olmamaktadır. Tehlikelerin tespit edilebilmesi ve proses güvenliğinin sağlanabilmesi için geliştirilmiş birçok analiz metodu bulunmaktadır. Yapılan proses tehlike analizlerinde lider yetkinliği ve takım tecrübesi önemli rol oynamaktadır. Tehlike ve İşletilebilirlik (HAZOP) ve benzeri çalışmalar kalitatif tehlike analizleri prensibinde tasarlanmış doğası gereği aleatorik ve epistemik belirsizliklere sahiptir. Bu belirsizlikler yapılan tehlike analizinde analist tecrübesi ve yorumlarının değişkenliği ile çalışmanın niteliğini doğrudan etkilemektedir. Bu çalışmalarda tehlikelerin frekans veya şiddetinin tanımlanması esnasında alınan verilerin doğruluğu ve kesinliği üzerindeki linguistik etki çalışmanın kalitesini etkileyecek boyutta önemlidir. Ayrıca konvansiyonel matris metotları ile kullanılan frekans-şiddet veri setleri keskin sınırlara sahip olduğundan belirsizliklerden kaynaklı hataların etkisi artmaktadır. Bu çalışmada yapay zeka teknolojisinde belirsizlikleri kantitatifleştirmek için kullanılan matematiksel bir teori olan bulanık mantık teorisi ile proses tehlike analizlerindeki analiz belirsizlikleri kantitatifleştirilmiştir. Bu çalışmada, linguistik değişkenlerin epistemik belirsizliğini ele alarak, bulanık küme çıkarım prensipleri ile aleatorik belirsizlikler modellenmiştir. Örnek bir tesiste gerçekleştirilen HAZOP çalışması klasik veri setleri ve modellenen bulanık mantık veri setleri kullanılarak ayrı ayrı değerlendirilmiş ve kıyaslanmıştır.

Anahtar Sözcükler: Proses tehlike analizleri, HAZOP, Bulanık mantık, fuzzy logic, modelleme, aleatorik ve epistemik veri, linguistik etki

Abstract

Industrial facilities where hazardous chemicals are used, stored and produced contain different factors which are effectively lead in the process safety accidents and contains uncertainties. The design and modeling of a hazard analysis method that can assess all these factors are not possible due to these uncertainties. There are many analysis methods developed for determine hazards and improve process safety. PHA leader competency and team experience have important role in process hazard analysis. Hazard and Operability (HAZOP) studies and similar methodologies designed with the principle of qualitative hazard analysis which have inherent aleatoric and epistemic uncertainties. These uncertainties at the analysis stage of the hazard, analysts experience and the variability of their interpretations with uncertainties directly affect the quality of assessment. The linguistic effect is important on the accuracy and precision of data received during the identification of the frequency or severity of the hazards in these studies. This effect is important at the size that will affect the quality of the study. Also, since the frequency-severity data sets used with conventional matrix methods have sharp boundaries, the effect of uncertainty-induced errors increases. In this study, analytical uncertainties in the process hazard analysis are quantified by fuzzy logic theory, which is a mathematical theory used to quantify uncertainties in artificial intelligence technology. In this study, epistemic uncertainty of the linguistic variables and aleatoric uncertainties are modeled with fuzzy set-inference principles. A sample HAZOP study is compared with the results of classical data sets and modeled fuzzy logic data sets evaluated.

Keywords: Process hazard analysis, HazOp, Fuzzy logic, modelling, aleatoric and epistemic data, linguistic effect

Giriş

Güvenlik özgürlüktür. Hem istenmeyen zararlar hem de insan haklarının sağlanması için gereklidir. Risk değerlendirmeleri, bu hakkın endüstriyel sistemlerin tasarımı ve işleyişinde sağlanabilmesi için baskın bir paradigma oluşturmuştur. Risk değerlendirmesi ise olgunlaşmış bir disiplindir [1].

Bir risk değerlendirmesinin yapısal performansı, analistlerin olası tehlikeleri tespit etmelerine, sebeplerini ve sonuçlarını analiz etmelerine ve tipik olarak niceliksel belirsizliklerin doğru bir şekilde temsil edilmesiyle riski tanımlamalarına yardımcı olur. Değerlendirmede, analistler varsayımlar ve basitleştirmeler yapar, verileri toplar, analiz eder ve çalışılan olguyu ispat etmek için belirli modeller geliştirir ve kullanırlar. Bir sistemin risk değerlendirmesi, bileşenlerinin çoklu başarısızlıklarına sahip çok fazla sayıda senaryoyu göz önünde bulundurmayı gerektirir [1]. Risklerin doğru tanımlanması ise risk değerlendirme metotlarının yapısal özelliklerine ve özellikle riskin doğasında bulunan belirsizliklere bağlıdır.

Risk analizi için yaygın olarak kullanılan birçok metot bulunmaktadır. HAZOP tekniği (International Standard Organization (ISO), 2016), varsayım yoluyla tehlikeleri tanımlamak ve belgelemek için yapılandırılmış sistematik bir metodolojidir [2]. HAZOP çalışması ilk olarak 1960’lı yıllarda kimya endüstrisinde kullanılmak üzere Birleşik Krallık’ta geliştirilmiştir. Imperial Chemical Industries Ltd. (ICI) kendi tesislerindeki temel çalışma koşullarında meydana gelebilecek proses tehlikelerinin analizi için standartlaştırma yaklaşımları üzerine çalışmaktadır. İlerleyen süreçte kullanımı ve geliştirilmesi ise Chemical Industries Association tarafından 1977 yılında bir kılavuz ile desteklenmiştir. Zamanla, bu analiz yöntemi, önce ICI’da ve daha sonra kimya endüstrisinde standart bir uygulamaya dönüşmüştür [3]. Günümüzde ise IEC 61882:2016 ile standart haline gelmiş durumdadır.

HAZOP kılavuz kelimeleri temel alarak planlı operasyonlarda prosese ait sapmaları varsayarak ilerler [4]. HAZOP çalışmasında, proses dokümanları, enstrüman diyagramları ve boru ve enstrümantasyon diyagramları, sebep ve sonuç matrisleri, vb. tasarım belgeleri HAZOP ekibi tarafından sistematik olarak incelenir. Olası tüm sapmalara ait sebeplerin tesisin tamamında olumsuz sonuçlar doğurabileceği öngörülerek potansiyel problemler tanımlanmaktadır [2].

HAZOP ekibi üyeleri, proseslerde tehlikelerin ve işletim sorunlarının ortaya çıkabileceği yolları hayal etmeye çalışırlar [2]. Çalışmayı sürdüren uzmanlar mevcut güvenlik önlemlerinin yeterli olup olmadığını gözden geçirmeli ve bu önlemler yeterli değil ise gerekli ek önermeleri yapmalıdırlar [5].

Bulanık mantık (fuzzy logic), belirsizlik ve anlamsızlıkla çalışabilen ve keskin sınırların (veya problem tanımlarının) mümkün olmadığı uygulamalar için etkili bir araçtır. Bulanık mantık “bulanık set analizi” ve “‘olasılık teorisi” nin genel adıdır [6]. Bulanık Küme Teorisi (FST), 1965 yılında Kaliforniya Üniversitesi’nde Prof. Lotfi Zadeh tarafından resmileştirildi [7].

Durumların net kümelerle tanımlanması matematiksel olarak doğru olsa da çoğu durumda, kaçınılmaz ölçüm hataları karşısında ortaya çıkan tanımlar gerçekçi değildir. Bulanık mantık değişkenlerinin önemi, durumlar arasındaki aşamalı geçişi kolaylaştırmaları ve sonuç olarak gözlem ve ölçüm belirsizliklerini ifade etme ve ele almada doğal bir kapasiteye sahip olmalarıdır. Net değişkenler (crisp variables) olarak adlandırılabilecek geleneksel değişkenler bu kapasiteye sahip değildirler [7].

Bulanık kural tabanlı sistemler ve bulanık aritmetik, son yıllarda güvenilirlik ve güvenlik analizindeki belirsizlikle baş etmek için uygun bir araç olarak ortaya çıkmıştır [6]. Önemli sayıda çalışma, riskleri belirlemek, güvenliği arttırmak ve aynı zamanda bakım işlevlerini tanımlamak için bulanık mantık uygulamaktadır.

Risk analizlerinin kendi içerisinde doğal belirsizlikler içerdiği bilinmektedir. HAZOP çalışmaları ise teorik olarak kendi içerisinde başlıca belirsizliklere sahiptir. Bu belirsizlikler, kesin sonuçların elde edilmesinde zorluklara neden olan parametreler veya sonuçlarla ilgili şüphe dereceleri (degrees of doubt) olarak tanımlanmaktadır [4]. Belirsizlik her bir karakteristik için aleatorik veya epistemik olarak sınıflandırılmıştır [8]. Aleatorik belirsizlik olayın rastgele gerçekleşen doğası kaynaklı iken, epistemik belirsizlik ise eksiklikten veya ortak bilginin olmamasından kaynaklanır.

HAZOP çalışmalarında çeşitli sapmaların sonuçları ile belirlenmeye çalışılan olaylar nadiren görülür ve çeşitli şekillerde gerçekleşirler. Tehlikeli olayların gerçekleşme olasılıklarının kesin değerlerini tahmin etmek ise oldukça zordur. Standart HAZOP çalışmalarında lider sistemin sözlü ifadesi ile risk analizini gerçekleştirir.

Kullanılan ifadeler tahmin edilmeye çalışılan olaya ait verilere yaklaşmak veya gerçekçi şekilde ifade edebilmek için oldukça basit ve açıklayıcı olmalıdır. Ancak kullanılan kelimelerin ilgili olayı ifade etme özgürlüğü veya kapsamı ne kadar kısıtlı olursa, gerçekçi sonuçlardan o kadar uzaklaşılır. Senaryo riskleri belirlenirken güvenli-tehlikeli, doğru-yanlış veya 0–1 gibi yönlü kararlar verildiği bilinmektedir. Ancak gerçek hayatta var olan belirsizlikler sebebi ile mutlak ayrım üzerine kurulu bir yaşam mümkün değildir. Bu durum sözlü ifadelerin aleatorik belirsizliğe sahip olduğunu gösterir. Diğer yandan HAZOP lideri kendi deneyimleri ve öznel yargıları ile ilgili çalışmayı yürütmektedir. Liderin senaryo ile ilgili yaklaşımının doğru veya yanlış olması mümkündür ancak bu durum öznel seçimlere bağlıdır. Bu durum ise çalışmalardaki karar mekanizmasının epistemik belirsizlikler içerdiğini gösterir.

Karar vericiler hangi şartlarda ve boyutlarda karar verirlerse versinler, bir belirsizlik ortamı içinde bu işlevlerini yerine getirmek zorundadırlar. Verilen kararların doğruluğu ise, söz konusu belirsizliğin riske dönüştürülebildiği ölçüde sağlanacaktır [9]. HAZOP çalışmalarında karar vericiler lider veya ekip üyeleri olabilir. Lingustik değişkenler, senaryonun olasılık veya şiddet büyüklüklerini ifade etmek için kullanılır. HAZOP ekibinin senaryonun frekans ve şiddeti için karar verdiği aşamada kullandığı lingustik değişkenler çalışmanın niteliksel yaklaşımında önemli rol oynamaktadır. Bu çalışmada, örnek bir ünitede gerçekleştirilen HAZOP çalışmasındaki lingustik değişkenlerin etkisi incelenmiştir.

Bulanık Mantık Teorisi

Bulanık mantık teorisi, belirsizlikleri ifade etmeye yarayan kural tabanlı bir metodolojidir. Yaklaşımları veya öznel sayıları göz önünde bulundurur, şüpheli ve belirsiz lingustik tanımlamaları nicelleştirir [8]. Sayıların komşuluğu felsefesine dayanan bu matematiksel teori belirsizliklerin açıklanabilmesi için faydalı bir araç olarak ortaya çıkmıştır. Bulanık mantık teorisinin belirsizlikleri değerlendirebilmesi ise standart küme teorisinde yer alan dışlanmış ortanca prensibinin bulanık mantık teorisinde herhangi bir ara değerin durumu temsil etmesine olanak sağlamasıdır. Örneğin bir pompanın emiş basıncının 2 bar altına düşmesi pompada arızaya sebep olabilecek bir durum olabilir. Buna karşın 2.3 bar basınca ulaşması da arızaya sebep olabilecek durum için kabul edilebilir olabilir. Bu durumda yalnızca 2 bar değerini belirleyerek süreci kontrol etmek ekipmanın güvenliğini tehlikeye atabilir veya daha üst limitler (3 bar) belirleyerek süreci kontrol etmeye çalışmak ise işletilebilirlik açısından problemler yaratabilir. Böyle durumlarda ilgili sınır değerlerinin kesinliğinden değil ancak birbirleri ile olan komşuluklarından bahsedilmesi mümkün olur.

Bulanık mantığın tam olarak anlaşılabilmesi için öncelikle bulanık kümenin anlaşılabilmesi gerekmektedir. Bulanık küme bir elemanın ilgili kümeye aitlik derecesini gösteren üyelik fonksiyonları tarafından tanımlanır. Klasik kümenin 0 veya 1 gibi sınırları kesin olan üyeliğe sahip olmasına karşın bulanık kümede her elemanın üyelik derecesi bulunmaktadır [10].

Klasik mantık anlayışına göre “A” ve “B” ayrık iki küme olarak bulunduğunda, bir eleman “B” kümesinin elemanı ise “A” kümesine ait değildir ve bu elemanın değillemesinin “A” kümesine ait olması gerekmektedir. Bulanık mantığa göre bu eleman “A” kümesine ait değil ise bile belirli bir oranda “A” kümesine ait olduğu kabul edebilir. Bir başka anlamıyla, klasik mantık anlayışına göre evrensel küme içerisinde “A” kümesinin bulunduğu bir durumda, bir eleman “A” kümesine ait değil ise bu elemanın değillemesinin “A” kümesine ait olması gerekmektedir. Bulanık mantığa göre bu eleman “A” kümesine ait değil ise bile belirli bir oranda “A” kümesine ait olduğu kabul edebilir. Bulanık ve kesin küme sınır gösterimi Şekil 1’de verilmiştir.

Şekil 1. Bulanık Ve Kesin Küme Sınır Gösterimi

Bulanık mantık, temel olarak 4 ana bileşimden oluşmaktadır.

• Mantıksal bileşim (Fuzzy Logic Facet – (FL))
  • Kısıtlı algıya sahip yaklaşık olarak akıl yürütme mantığını ifade eder.
• Teorik küme bileşimi (Set-Theoretic Facet – (FLs))
  • Belirsiz sınırlara sahip kümeleri ifade eder.
• Lingustik değişkenler ile ilgili bileşim (Relational Facet – (FLr))
  • Lingustik değişkenlerin IF-THEN kuralları ve bulanık ilişkilerini ifade eder. Kontrol, karar analizi, endüstriyel sistemler ve tüketim ürünlerindeki bulanık mantığın neredeyse tamamındaki uygulamalarda bu bileşim önemli yer kaplar.
• Epistemik bileşim (Epistemic Facet (FLe))
  • Bilgi, anlam ve lingustik ile ilgilidir.

Bu çalışmada lingustik değişkenler, üyelik fonksiyonları ve bulanık sayıların çıkarım sistemleri üzerinde durulmaktadır. Metodolojinin içerdiği diğer kavramlar ile ilgili genel bir yaklaşım sergilenmektedir.

Lingustik Değişkenler ve Üyelik Fonksiyonları

Lingustik değişkenler bulanık mantığın yapı taşları olarak nitelendirilebilir. Lingustik değişkenleri, sayısal verilerin kelimeler veya cümleler ile ifade edilmesi olarak tanımlamak mümkündür [11]. Risk tanımlaması ile ilgili bir örnek olarak [%0, %100] aralığında risk tanımlamak gerekirse, 0 “Risk Yok” ve 100 “Kesinlikle Riskli” olarak tanımlanabilir. Ancak lingustik değişkenler “Yüksek Gibi”, “Çok Yüksek Değil”, “Fazla Risk Yok” vb. şekilde bulanık bir küme içerisinde riske ait sayısal değerler ile birlikte tanımlanabilir.

Bulanık küme Zadeh tarafından, belirli üyelik derecesine sahip nesnelerin sınıfı olarak tanımlanmaktadır [12]. Zadeh bulanık kümeyi “A” ile üyelik fonksiyonunu ise  ile ifade etmiştir.  “ ” ise [0,1] aralığındaki gerçek bir sayı ile ilişkilendirilir. ‘deki “ ” değeri ise  ’in üyelik derecesini temsil etmektedir. Şekil 2’de belirtilen durumda %0-%20 aralığı için üyelik derecesi “0”, %70-%100 aralığı için ise “1” olarak tanımlanmıştır. %20-%70 arasında kalan aralık ise bulanık aralık olarak değerlendirilmektedir.

Şekil 2. Bulanık Küme ve Risk Kapasitesi

Bulanık sayıların belirsizliğini temsil etmek için yamuk, üstel, üçgen, Gauss, L-R tipi, sigmoid eğrisi, kuadratik ve kübik polinom eğrileri ve parça-lineer fonksiyonlar gibi birçok farklı üyelik fonksiyonu önerilmiştir. Şekil 3’te bu fonksiyonlara ait örnek grafikler belirtilmiştir. Şekil 2’de ise üyelik fonksiyonu “S-shaped” olarak karakterize edilmiştir.

Şekil 3. Üyelik Fonksiyonlarına ait Örnekler

Üyelik Fonksiyonlarının Belirlenmesi için Metotlar

Bulanık mantık içerisinde bulunan değişkenler için üyelik fonksiyonlarının atanması önemli bir noktadır. Değişkenlerin yanlış üyelik fonksiyonlar ile tanımlanması çalışmanın sonuçlarını olumsuz yönde etkileyecektir. Yapılan birçok araştırma içerisinde en çok dikkat çeken ise Dombi’nin 25 yıl boyunca yapılan çalışmaları değerlendirmesidir. [13]

Çalışma yaklaşımları aşağıda belirtildiği şekilde ayrıştırmıştır;

• Sezgisel temelli üyelik fonksiyonları,
• Güvenilirlik ile ilgili endişelere sahip özel problemler temelli üyelik fonksiyonları,
• Olasılık dağılımı veya aksiyomu doğrulamak için daha fazla teorik talep temelli üyelik fonksiyonları,
• Fonksiyonun ve sistem parametrelerinin tanımlandığı veya belirli bir sistem ile çalışan kontrol temelli üyelik fonksiyonları,
• İnsan kavramları temelli üyelik fonksiyonları.

Bulanık Sayılar

Bulanık sayılar, gerçek sayıların dizisi “P” için bulanık bir “A” kümesi içerisinde yer alan sayılardır [14]. Örneğin, “tamamen doğru değil”, “kısmen yüksek”, “%30 civarı”, “nispeten düşük” bu bulanık sayıları tanımlamak için kullanılabilmektedir. Bulanık sayılarının genel karakteristiği Zadeh ve arkadaşları tarafından Şekil 4’teki gibi tanımlanmıştır.

Şekil 4. Bulanık Sayı Tanımlaması [14 – 15]

Şekil 4’e göre bulanık sayı trapezoidal veya düz şekilde ve üyelik fonksiyonları ise (a1, a2, a3, a4) veya (a1/a2, a3/a4) şeklinde tanımlanmaktadır. [a1,a2] ve [a3,a4] aralığı sol ve sağ yayılım olarak adlandırılmaktadır ve α ve β olarak ifade edilmektedir. Üçgensel bulanık sayı, a2 değeri a3 değerine eşit olduğunda ortaya çıkar ve üyelik fonksiyonu (a, α, β) şeklinde gösterilir. Üçgensel bulanık sayılarda “a” ortancayı yani merkezi göstermektedir. Sağa ve sola yayılımların eşit olduğu durumlar ise (a, α) şeklinde gösterilir.

Bulanık sayıların üyelik derecelerine ait alan sınırlandırılmak istendiğinde “α kesimi” (α-cut) kullanılmaktadır. “A” bulanık kümesinin desteği tüm taban iken “α-kesimi” ile bir kısmını içermektedir. Genel olarak kullanılan iki tip “α kesimi” bulunmaktadır. Bunlardan birincisi “kırpma aracı” [15] diğeri ise “aritmetik aralık” [16-17]. Kırpma aracında “α kesimi” dışındaki değerlerin önemsiz bir üyelik derecesine sahip olduğu veya göz ardı edilebilir olduğu düşünüldüğünde uygulanabilir. Aritmetik aralıkta bulanık sayıların “α kesimi” belirli aralıklarla ele alınır ve sonuçlar bulanık bir sayı oluşturmak için birleştirilir. Şekil 5’te α kesimine ait grafik gösterilmektedir.

Şekil 5. Üçgensel Üyelik Fonksiyonunda α Kesimi

Bulanık Çıkarım Sistemleri

Bulanık çıkarım sistemleri, bulanık mantığı uygulamak için kullanılan popüler yöntemlerdendir. Bulanık çıkarım sistemleri, girdi net verinin bulanıklaştırılması işlemi (fuzzification) ile başlar. Çıkarım sistemi (inference engine) içerisine girdi olarak sokulan bulanık veri ise daha sonra durulaştırma işlemine (defuzzification) girer ve sonuç olarak çıktı net veri alınır. Bulanıklaştırma, durulaştırma ve çıkarım sisteminin bulunduğu aşamalarda bilgiye dayalı olarak veritabanı ve kuralların girilmesi beklenmektedir. Şekil 6’da bulanık çıkarım sistemlerinin işleyişini anlatan bir grafik bulunmaktadır.

Şekil 6. Bulanık Mantık Çıkarım Sistemi

Bulanık mantık ve hazop çalışması

HAZOP çalışmalarında kullanılan risk matrisi olasılık, şiddet ve risk kategorisini içermektedir. Çalışmada olasılık ve riskin sayısal verileri lingustik terimler ile genişletilerek belirsizliklerin olduğu senaryolarda ideal sonuçlar elde etmek için kullanılacaktır. Şekil 7’de Wu’nun çalışmasında kullandığı risk matrisi görülmektedir [18]. Çalışma benzer bir yol izleyerek genişletilmiş bir risk matrisini ele almaktadır. Wu’nun çalışmasında bulanık risk matrisi IF-THEN formatında ifade edilerek türetilmiştir.

Şekil 7. Bulanık Mantık Matrisi

Bu çalışmada konvansiyonel risk matrisi bulanık mantık teorisi ile modifiye edildikten sonra HAZOP çalışması içerisindeki belirli senaryolar incelenmiştir. HAZOP çalışmasındaki frekans ve şiddet verilerinden oluşan kümülatif risk, konvansiyonel risk matrisi ve bulanık mantık ile modifiye edilmiş risk matrisi ile değerlendirilmiş ve karşılaştırılmıştır. Risk seviyelerine ait lingustik terimlerin sayısal verileri kullanılarak yatırım gerekliliği için gerekli olan önceliklendirmelerin yapılması amaçlanmıştır.

Risk Matrisinin Bulanık Mantık İle Modifiye Edilmesi

Chang yaptığı çalışmada 5×5’lik konvansiyonel risk matrisini bulanık mantık ile modifiye etmiştir. Yapılan çalışma referans alınarak 7×5’lik risk matrisi trapezoidal ve gauss üyelik fonksiyonları kullanılarak bulanıklaştırılmıştır. Çalışmada kullanılan frekans ve şiddet verilerine ait lingustik terimler Tablo 1’de verilmiştir.

Tablo 1. Frekans ve Şiddet Tanımlamaları

Risk matrisi bulanık mantık ile modifiye edilirken veri setleri için 35 adet “IF-THEN” tabanlı kural tanımlanmıştır. Kurallar temel olarak konvansiyonel risk matrisindeki sonuçlar referans alınarak oluşturulmuştur. Örneğin, riskin tahmin edilebilmesi için mantıksal bir ifade oluşturulduğunda;

• “EĞER” Şiddet “Felaket Boyutunda” “VE” Frekans “Çok Sık” “İSE” Risk “Kabul Edilemez”

Çıkarım sistemi içerisinde ifade edildiğinde ise;

• IF (Siddet is S5) AND (Frekans is F7) THEN (Risk is R)

Risk matrisindeki frekans ve şiddete ait üyelik fonksiyonları Şekil 8’de, tanımlanan kurallara ait grafik ise Şekil 9’da bulunmaktadır. Şekil 10 ise bulanık yüzey ve bulanıklaştırılmış risk matrisi gösterilmektedir.

Şekil 8. Üyelik Fonksiyonlarına Ait Grafikler

Şekil 9. “IF-THEN” Tabanlı Kural Dizisine Ait Grafik

Şekil 10. Bulanık Yüzey ve Bulanıklaştırılmış Risk Matrisi

Bulanık risk matrisi ve klasik risk matrisi karşılaştırıldığında, risk kategorileri arasındaki keskin geçişlerin azaldığı görülmektedir. Bulanık risk matrisindeki veri setlerinin üyelik fonksiyonları baz alınarak sağlanan bu işlem risk kategorilerinin sayısallaştırılmasını ve aynı zamanda risklerin önceliklendirilmesini mümkün kılmaktadır. Şekil 11’de bulanıklaştırılmış risk matrisinin ve klasik risk matrisinin karşılaştırılması gösterilmektedir.

Şekil 11. Bulanıklaştırılmış Risk Matrisi ve Klasik Risk Matrisi

Şiddet ve Olasılık Verilerinin Bulanıklaştırılması

HAZOP çalışmalarında, değerlendirilen senaryoya ait kök sebep için olasılık verisinin çeşitli veri tabanlarından alınması mümkündür. Bir pompaya ait arızanın olasılığı veya vanada meydana gelebilecek bir arıza bu olasılık verileri kullanılarak elde edilebilmektedir. Ancak risk matrisi üzerindeki olasılık verisi, veri tabanlarından çalışmaya dahil edilen olasılık verileri ile çalışabilecek hassasiyete sahip değildir. Örneğin bir kompresör için sızıntı olasılığı 0,0043 iken sızdırmazlık elemanlarında bütünlük kaybı olasılığı ise 0,0010 olmaktadır. İki farklı olasılık için risk matrisindeki seçilim –  aralığındadır. Bu durumda olasılık değerleri arasındaki 0,0033’lük fark ihmal edilmiş olmaktadır. Bulanık mantık olasılık verilerinin risk matrisi üzerinde hata payının azaltılarak kullanılmasına olanak sağlamaktadır. Yapılan çalışmada olasılık verileri logaritmik tabanda bulanık mantık sistemine aktarılmıştır. Üyelik fonksiyonları ise Şekil 8’de belirtilmektedir.

Şiddetin büyüklüğü ise ortam şartlarına ve kimyasal özelliklerine bağlı olarak olayın sonucunda meydana gelebilecek; toksik yayılım, yangın, patlama vb. istenmeyen olayların insan, çevre, mal ve repütasyon üzerindeki etkisi tahmin edilmeye çalışılmaktadır. Şiddet seçimlerinde geçmiş kazalar, HAZOP liderinin veya ekibinin ön görüleri etkili rol oynamaktadır. Bulanık mantık ile çeşitli senaryolar genelleştirilerek şiddet verilerindeki belirsizlikler anlamlı hale getirilebilmektedir. Çalışmada şiddetin büyüklüğünün seçilmesinde yer alan belirsizliklerin giderilmeye çalışılması amacı ile sızıntı ve yangın senaryoları için özelleştirilmiş bir bulanıklaştırma yapılmıştır. Çalışma ile sızıntı süresi ve sızıntı çapına göre şiddet seçiminin yapılması sağlanmaktadır. Şiddet tanımı için yapılan çalışmaya ait veriler Tablo 2’de bulunmaktadır.

Tablo 2. Sızıntı Süresi ve Delik Çapına Bağlı Şiddet Tanımları

Bulanıklaştırılmış şiddet matrisine ait üyelik fonksiyonları şekil 12’de, bulanık yüzey ve bulanık şiddet matrisi ise şekil 13’de bulunmaktadır.

Şekil 12. Şiddet Matrisine Ait Üyelik Fonksiyonları

 

Şekil 13. Bulanıklaştırılmış Yüzey ve Şiddet Matrisi

Senaryoların Bulanık Mantık İle Değerlendirilmesi

Çalışmada IEC 61882 standardında yer alan örnek bir sistem ele alınmıştır [19]. Doğalgaz ile ısıtılan brülör ve ısıtma serpantininden oluşan yakıt buharlaştırma fırınından oluşan bir sistemde gerçekleştirilmektedir. Operasyonun amacı ise sıvı yakıtın, kızgın yakıt buharı olarak serpantini terk etmesini sağlamaktır. HAZOP çalışmasında ise risk yaratan faktörlerin risk seviyesinin düşürülmesi ve proses güvenliğinin sağlanması amaçlanmaktadır. Çalışmanın ele alacağı sisteme ait borulama ve enstrümantasyon diyagramı (P&ID) Şekil 14’de verilmiştir.

Şekil 14. Brülör Sistemi [19]

Sistemde bulunan yüksek yüksek basınç switchi (PSHH) hat üzerinde oluşabilecek yüksek basınca bağlı olarak, I-4 interlock aracılığı ile ana brülör vanasını (TCV) kapatmaktadır. Kızgın yakıt buharının sıcaklığı, set edilen sıcaklık değerini aştığında ise sıcaklık elementi (TE) I-3 interlock aracılığı ile ana brülör vanasını (TCV) kapatır. Ayrıca, belirlenen maksimum sıcaklık değerine ulaştığında ise yüksek sıcaklık switchi (TSH), ana brülör kontrol vanasını (TCV) kapatmaktadır. Fırın içerisinde alev söndüğünde alev detektörü, hem pilot vanasını (PV) hem de ana brülör kontrol vanasını (TCV) kapatmaktadır.

Çalışmada değerlendirilen senaryolar arasından risk seviyesi yüksek ve şüpheli olan senaryolar seçilmiş ve bulanık mantık ile değerlendirilerek karşılaştırılmıştır. Belirlenen senaryoların konvansiyonel ve bulanık risk matrisine ait sonuçları Tablo 3’de verilmiştir.

#	Sapma	Sebep	Sonuç	Konvansiyonel Risk Matrisi			Bulanık Risk Matrisi
				Ş	O	R	Ş	O	R
1	Basınç Fazla	TCV vanasının arızalanarak kapalı konumda kalması.	Doğalgaz besleme hattında yüksek basınca bağlı yarılmaların meydana gelebilir ve potansiyel patlama meydana gelebilir.	5	5	25	5	6	33.1
2	Basınç Fazla	FCV Vanasının arızalanarak kapalı konumda kalması.	Sıvı yakıt besleme hattında basınç artışına bağlı yarılma ve potansiyel yangın tehlikesi meydana gelebilir.	4	4	16	4.6	4.7	27.7
3	Mekanik Bütünlük Kaybı	Sıvı yakıtın akışının sağlandığı serpantinde yarılmanın meydana gelmesi.	Serpantinden sızan sıvı yakıt brülör ile temas edebilir ve potansiyel patlama tehlikesi meydana gelebilir.	5	3	15	4.4	2.8	19.8
4	Basınç Fazla	Yüksek basınç switchinin (PSSH) arızalanması.	Doğalgazın brülör besleme hattında yüksek basınçta gelmesine bağlı patlama meydana gelebilir.	4	4	16	4	4.4	24.7
5	Basınç Fazla	PRV vana arızası	Besleme hattı üzerindeki yüksek basınca bağlı olarak doğal gaz brülör basıncı artabilir ve patlama meydana gelebilir.	5	4	20	5	4.5	25.5

Tablo 3. Klasik ve Bulanık HAZOP Sonuçları

2 ve 3 numaralı senaryolarda boru hattındaki akış hızı ve akış süresi göz önünde bulundurularak şiddet değeri bulanıklaştırılmış şiddet matrisi ile hesaplanmıştır.

Senaryoların Önceliklendirilmesi

Bulanık risk matrisi ile değerlendirilen senaryolarda şiddet değerlerindeki belirsiz aralık belirli hale getirilerek risk değerine bağlı önceliklendirme daha net ve doğru şekilde yapılmıştır. Örneğin 2. ve 4. senaryo için risk değerlerinin eşit olması sebebi ile klasik risk matrisi kullanılarak önceliklendirme yapılması mümkün değildir. Ancak bulanık risk matrisi ile değerlendirme yapıldığında 4 numaralı senaryonun 2 numaralı senaryodan daha fazla risk barındırdığı görülebilmektedir. Klasik risk matrisi ve bulanık mantık ile değerlendirilen senaryolara ait risk önceliklendirmeleri Tablo 4’de belirtilmektedir.

Risk Sıralaması	Klasik Risk Matrisi		Bulanık Risk Matrisi
#	Senaryo No	Risk Değeri	Senaryo No	Risk Değeri
1	1	25	1	33.1
2	5	20	2	27.7
3	4	16	5	25.5
4	2	16	4	24.7
5	3	15	3	19.8

Tablo 4. Risklerin Önceliklendirilmesi

Sonuçlar

Proses güvenliği, risk değerlendirmesine ihtiyaç duyan tüm endüstriler için önemli bir rol oynamaktadır. Risk değerlendirmelerinin ise belirsizliklere ve veri kesinliği ile ilgili problemlere sahip olduğu bilinmektedir.

Bu makalede klasik risk matrisi, bulanık risk matrisine dönüştürülmüştür. Klasik risk matrisinde risk kategorileri sabit aralıktaki değerlere sahiptir. Farklı risk kategorilerinin ise aynı değer aralığında bulunma olasılıkları ise mümkündür. Şiddet ve frekans verilerinin risk kategorisi içerisindeki değerlerinin ise bulanık mantıkta yer alan üyelik fonksiyonları sayesinde belirlenebildiği görülmüştür.

Çalışmada şiddet ve frekansa ait üyelik fonksiyonlarının risk kategorisine olan etkisi gözlemlenmektedir. IEC 61882 standardında yer alan örnek bir ünitede gerçekleştirilen HAZOP çalışması ile senaryolara ait risk kategorileri klasik risk matrisi ve bulanık risk matrisi ile hesaplanmıştır. HAZOP çalışmaları sonucunda belirlenen risklere ait aksiyon planları belirlenirken tesisler aksiyon planları için önceliklendirme yapmaktadırlar. Bulanık mantık ile değerlendirilen risk kategorileri ile bu önceliklendirmelerin daha hassas ve doğru şekilde yapılabileceği görülmüştür. 2 ve 4 numaralı senaryolar klasik risk matrisi ile değerlendirildiğinde eşit risk seviyesinde gözükmektedir ancak bulanık risk matrisi ile değerlendirildiğinde 2 numaralı senaryonun sahip olduğu risk miktarının 4 numaralı senaryodaki riskten fazla olduğu görülmektedir. Aynı şekilde 2 ve 4 numaralı senaryolar ve 3 numaralı senaryo klasik risk matrisi ile kıyaslandığında 3 numaralı senaryonun risk seviyesinin daha yüksek olduğu görülmektedir ancak aynı senaryolar bulanık mantık ile değerlendirildiğinde 3 numaralı senaryonun 2 ve 4 numaralı senaryodan daha düşük risk seviyesine sahip olduğu görülmektedir.

Çalışmada, risk analizlerinde yer alan ve belirsizliklere sebep olan birçok veri için bulanık mantık teorisinin risklerin sınıflandırılması, hesaplanması veya değerlendirmesinde kullanılabileceği görülmektedir. Bulanık mantık tabanlı modellerin güvenilir, detaylı ve doğru sonuçlar verebilmesinden dolayı risk değerlendirmesinde farklı birçok aşamada kullanılabileceği görülmektedir.

KAYNAKLAR

[1] E. Zio , The Future of Risk Assessment , Reliability Engineering and System Safety (2018), doi: 10.1016/j.ress.2018.04.020

[2] Jose Luis Fuentes-Bargues, Cristina Gonzalez-Gaya, M Carmen Gonzalez-Cruz, Veronica Cabrelles Ramírez, Risk Assesment of a Compound Feed Process Based on HAZOP Analysis and Linguistic Terms (2016)

[3] CIA, Chemical Industries Association, 1997. A Guide to Hazard and Operability Studies. Chemical Industries Association, UK.

[4] DNV, Marine Risk Assessment – Offshore, Health and Safety Executive, London, (2002) Technology Report 2001/063.

[5] IMO, Guidelines for Formal Safety Assessment for Use in the IMO Rule-Making Process, International Maritime Organization, London, (2002).

[6] Zadeh, L.A., (1965), “Fuzzy Sets”, Journal of Information Sciences, Vol. 8, pp. 338-353.

[7] Wang, J.,  Elsevier Ocean Engineering Series Volume 7, Elsevier, 2003.

[8] USNRC, Guidance of the Treatment of Uncertainties Associated with PRAs in Risk-Informed Decisionmaking, NUREG-1855, United States Nuclear Regulatory Commission, Washington, D.C., (2013).

[9] [Karar Verme Yöntemleri – Doç.Dr. Kaan Yaralıoğlu]

[10] A.S. Markowski, M.S. Mannan, Fuzzy logic for piping risk assessment (pfLOPA), J. Loss Prev. Proc. Ind. 22 (2009) 921-927. doi:10.1016/j.jlp.2009.06.011.

[11] Zadeh, L. A. (1975, 1976) The concept of linguistic variable and its application to approximate reasoning.

[12] Zadeh, L. A. (1965) “Fuzzy sets,” Information and Control.

[13] Dombi, J. (1990) “Membership Function as an Evaluation,” Fuzzy Sets and Systems 35, 1-21.

[14] Dubois D., Prade H. and Yager R.R., (1993) “Readings in Fuzzy Sets for Intelligent Systems”, Morgan Kaufmann, San Mateo, California, USA.

[15] Zadeh, L. A. (1968) “Probability measures of fuzzy events,” J. Math. Ann. Appl. 23, 421-427.

[16] Buckley, J. J. (2005) Fuzzy Probabilities. Physica-Verlag, Berlin Heidelberg.

[17] Hanss, M. (2005) Applied Fuzzy Arithmetic: An Introduction with Engineering Applications, Berlin: Springer-Verlag.

[18] Wu, J., Zhang, J., Liang, W., Hu, J., 2013. A novel failure mode analysis model for gathering system based on multilevel flow modeling and HAZOP. Process Saf. Environ. Prot. 91, 54e60.

[19] IEC 61882, 2001-2005. Hazard and operability studies (HAZOP studies) – Application guide, IEC.