نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت صنعتی، ‌دانشکده مدیریت و اقتصاد، دانشگاه علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 دانشیار، گروه مدیریت، دانشکده مدیریت، واحد تهران مرکز، دانشگاه آزاد، تهران، ایران.

3 استاد، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران.

4 دانشیار، گروه مدیریت، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.

10.52547/jimp.2022.227888.1375

چکیده

استفاده از رویکردهای پیش‌بینانه در زمینه مدیریت ریسک، نقش مهمی در تشخیص رویدادها، کنترل خطرات و کاهش هزینه‌های نگهداری تعمیرات دارد. هدف از انجام پژوهش، ارائه مدل پیش‌بینی ریسک-های بحرانی و اولویت‌دار بر پایه الگوریتم‌های داده‌کاوی است. برای انجام پژوهش، داده‌های تاریخی اجرای برنامه‌های نت و ارزیابی ریسک در شبکه انتقال گاز استفاده و روش داده‌کاوی پژوهش بر اساس متدلوژی CRISP طرح‌ریزی شده است. مبتنی بر این روش، مدل‌سازی داده‌ها در دو بخش بر پایه داده‌کاوی "توصیفی" و"پیش‌بینی" و استفاده از الگوریتم‌های "خوشه‌بندی" و "طبقه‌بندی" انجام شده است. پس از پیش‌پردازش و آماده‌سازی داده‌ها، "شاخص سیلوئیت" مبنای خوشه‌بندی در نظر گرفته شده و از الگوریتم K-Means, Kohnen, Two Step استفاده شده است و بهترین مقدار، مبتنی بر الگوریتم K-Means برابر 6446/0 با تعداد خوشه 5، بوده و ویژگی‌های اصلی برای انجام طبقه‌بندی و پیش‌بینی ریسک‌ها تعیین شده است. در ادامه‌، از الگوریتم‌های شبکه عصبی، درخت C.5، نزدیکترین همسایگی و بردار پشتیبان برای طبقه‌بندی بهره‌گیری شده است. در این تحقیق الگوریتم‌ ترکیبی پیش‌بینی، به صورت تکاملی به کارگیری شده و در هر مرحله، هدف تقویت میزان صحت و اعتبار مدل طبقه‌بندی و افزایش یادگیری داده‌ها است. نتایج پژوهش، یادگیری در56/97% از داده‌های مورد توافق را نشان داده و میزان صحت و اعتبار مدل ترکیبی برای طبقه‌بندی داده‌ها، 86/92% برآورد شده است. بر اساس نتایج، 13 ریسک، بحرانی تشخیص داده شده‌اند که در این میان "انتشار گازهای آلاینده و مواد شیمیایی" و "عدم آموزش و توجیه نبودن پیمانکاران نسبت به موقعیت شبکه" به ترتیب بیشترین وکمترین اولویت را دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Prediction Model of the Gas Pipeline Critical Risk Using Data Mining Algorithms

نویسندگان [English]

  • Mohammadsadegh Behrouz 1
  • Mohammad Ali Afshar Kazemi 2
  • Adel Azar 3
  • Ezatollah Asgharizade 4

1 Ph.D. student of Industrial Management, Faculty of Management and Economics, Branch of Science and Research, Islamic Azad University, Tehran, Iran.

2 Associate Professor, Faculty of Management, Branch of central Tehran, Islamic Azad University, Tehran, Iran.

3 Professor, Management and Accounting Faculty, Tarbiat Modares University, Tehran, Iran.

4 Associate professor, Faculty of management, Tehran University, Tehran, Iran.

چکیده [English]

Predictive approaches in the field of risk management plays an important role in detecting events, controlling risks and reducing maintenance and repair costs. The purpose of this research is to provide a model for predicting critical and prioritized risks based on data mining algorithms. The historical data of the implementation of maintenance programs and risk assessment were used and the data mining method was planned based on the CRISP methodology. Data modeling has been done in two parts: "descriptive" and "predictive" data mining and the use of "clustering" and "classification" algorithms. After data pre-processing and preparation, the "silhouette index" is considered as the basis for clustering and the K-Means, Kohnen, Two Step algorithm is used; the best value is based on the K-Means algorithm. Silhouette is equal to 0.6446 with the number of clusters 5, and the main characteristics have been determined for the classification and prediction of risks. Next, Neural Network Algorithms, C.5 tree, Nearest Neighbor and Support Vector have been used for classification. These techniques are widely used in machine learning and recognizing data classification patterns and their integration increases the amount of data learning. The results showed learning in 97.56% of the agreed data and the accuracy and validity of the combined model for data classification was estimated at 92.86%. Based on the results, 13 critical risks have been identified; "release of polluting gases and chemicals" and "lack of training and justification of contractors regarding the pipeline" have the highest and lowest priority, respectively.

کلیدواژه‌ها [English]

  • Risk Assessment
  • Modeling
  • Data Mining
  • Gas pipeline