Utilização de aprendizado de máquina para desenvolvimento de classificador automático de risco em estudos de HAZOP

A fim de aprimorar a eficácia e eficiência das análises de risco em segurança de processo, ferramentas vêm sendo desenvolvidas para automatizar os estudos de HAZOP. No entanto, das mais de 30 diferentes abordagens publicadas nos últimos anos, poucas tem sido realmente utilizadas na indústria química, devido à complexidade e ausência de transparência dos códigos, que resultam na dificuldade de compreensão dos profissionais que detêm autoridade para autorização do uso de novas ferramentas. Este trabalho utiliza então as ferramentas de aprendizado de máquina para desenvolver um classificador automático de cenários de risco que possa ser de fato utilizado para facilitar e automatizar estudos HAZOP em uma planta petroquímica.As ferramentas de aprendizado de máquina se baseiam na busca por padrões. No presente trabalho, foram encontrados padrões em cenários de risco petroquímicos utilizando o Knowledge Discovery from Data (KDD), conjunto de etapas de processamento de dados que levam à descoberta de conhecimento. As etapas do KDD são: seleção de dados; pré-processamento e limpeza de dados; transformação de dados; mineração de dados com algoritmos de aprendizado de máquina; interpretação e avaliação dos resultados, ocorrendo de forma interativa e iterativa.Os cenários de riscos, previamente analisados pelas equipes multidisciplinares, foram padronizados e organizados em um banco de dados com atributos como: equipamentos, condições operacionais, desvios, causas, consequências e salvaguardas. Em seguida, a busca por padrões foi realizada utilizando algoritmos de seleção de atributos e de classificação para entender a influência dos atributos na classificação de risco e predizê-la, avaliando seu desempenho e complexidade computacional. Devido a sua eficiência, simplicidade e adequação a diferentes tipos de atributos, o algoritmo J48 foi utilizado para construir uma árvore de decisão binária podada. Essa árvore representa de maneira simples os padrões identificados nas classificações de riscos, prevê corretamente 86% dos cenários de risco e tem uma associação quase perfeita entre o modelo e a previsão real.Com o conhecimento adquirido a partir do aprendizado de máquina, foi desenvolvido um aplicativo customizado de interface com o usuário. Neste aplicativo, os especialistas selecionam os atributos para obter uma classificação de risco sugerida automatizada. Caso a classificação seja feita de forma equivocada pelo modelo, o usuário pode informar a classificação correta, de modo que a máquina continue aprendendo com a definição do novo cenário de risco.Esta ferramenta está sendo aplicada de forma piloto em uma Indústria Petroquímica, uma vez que contou com a participação dos especialistas de segurança de processo no seu desenvolvimento e permitiu validar estudos HAZOP, avaliando a disciplina dos analistas com alta confiabilidade e pouco esforço. A clareza na apresentação da árvore de decisão e a boa acuracidade do modelo foram fatores preponderantes no sucesso da iniciativa.Embora não substitua o trabalho humano, o aplicativo pode apoiar engenheiros menos experientes, reduzindo as diferenças nas interpretações, esforço e tempo. Além disso, pode apoiar a equipe de operação da unidade em análises de riscos para liberação de barreiras de segurança de processo e gestões de mudança mais simples, sendo uma excelente ferramenta para análises de risco iniciais.