AI-AIDED CHEMICAL PROCESS RISK ASSESSMENT AND ITS ALIGNMENT WITH SAFETY GOALS AND REGULATIONS

Abstract

Industriulykker fører hvert år til alvorlige konsekvenser for mennesker og miljø, noe som understreker det kritiske behovet for avanserte metoder for risikovurdering. Selv om tradisjonelle risikostyringsmetoder er strukturerte og utbredte, sliter de ofte med å fange opp den dynamiske og ikke-lineære naturen til industrielle prosesser, noe som begrenser deres effektivitet i moderne sikkerhetskritiske applikasjoner. Som svar på disse utfordringene har maskinlæring (ML) vokst frem som et lovende verktøy for risikoanalyse, fordi det gir mulighet til å modellere komplekse interaksjoner og forutsi farlige scenarier med større nøyaktighet.

Denne studien undersøker hvordan maskinlæring kan brukes til å forbedre risikovurderingen av kjemiske prosesser, med særlig fokus på å forutsi konsekvensene av industriulykker, inkludert personskader og dødsfall. Studien er strukturert i tre hovedfaser: (i) en analyse og forprosessering av Hydrogen Incident and Accident Database (HIAD), der vi identifiserer problemer med datatyngde og utvikler en imputeringsmodell for å håndtere manglende verdier, (ii) implementering av prediktive modeller for å estimere alvorlighetsgraden av ulykker, ved å utnytte data både før og etter ulykken, og (iii) validering av den foreslåtte metodikken på et annet datasett, Major Hazard Incident Data Service (MHIDAS), for å vurdere generaliserbarheten.

Funnene viser at integrering av ML-teknikker med konvensjonelle rammeverk for risikoanalyse kan forbedre prediksjonsevnen og legge til rette for en mer proaktiv tilnærming til industriell sikkerhetsstyring. Utfordringer knyttet til datakvalitet og modelltolkning er imidlertid fortsatt kritiske faktorer, noe som understreker behovet for robuste valideringsstrategier for å sikre at ML-drevne risikovurderingsverktøy er i tråd med overordnede sikkerhetsmål. Denne studien bidrar til den pågående diskursen om dynamisk risikovurdering ved å presentere en casestudie som belyser potensialet datadrevne metoder har for å forbedre sikkerheten i kjemisk prosessindustri.

Industrial accidents result in severe human and environmental consequences each year, highlighting the critical need for advanced risk assessment methodologies. Traditional risk management approaches, while structured and widely adopted, often struggle to capture the dynamic and nonlinear nature of industrial processes, limiting their effectiveness in modern safety-critical applications. In response to these challenges, Machine Learning (ML) has emerged as a promising tool for risk analysis, offering the ability to model complex interactions and predict hazardous scenarios with greater accuracy.

This research investigates the application of ML to enhance chemical process risk assessment, with a particular focus on predicting the consequences of industrial accidents, including injuries and fatalities. The study is structured into three main phases: (i) an analysis and preprocessing of the Hydrogen Incident and Accident Database (HIAD), identifying data sparsity issues and developing an imputation model to address missing values; (ii) the implementation of predictive models to estimate accident severity, leveraging both pre- and post-incident data; and (iii) validation of the proposed methodology on a second dataset, the Major Hazard Incident Data Service (MHIDAS), to assess its generalizability.

The findings demonstrate that integrating ML techniques with conventional risk analysis frameworks can enhance predictive capabilities and facilitate a more proactive approach to industrial safety management. However, challenges related to data quality and model interpretability remain critical considerations, underscoring the need for robust validation strategies to ensure the alignment of ML-driven risk assessment tools with overarching safety objectives. This study contributes to the ongoing discourse on dynamic risk assessment, presenting a case study that highlights the potential of data-driven methodologies to improve safety in chemical process industries.