تحديد وتقييم المخاطر للأحداث الأمنية متعددة الأنواع تحت تداخل العوامل البيئية

لماذا تهم الأنماط الخفية في بيانات الصناعة

المصانع الحديثة والأنفاق ومناجم الفحم مغطاة بمستشعرات تسجل بهدوء مستويات الغازات والاهتزاز ودرجة الحرارة وغير ذلك. ومع ذلك، لا تزال الحوادث الخطيرة تقع لأن الخطر لا يُشار إليه بقراءة واحدة فقط، بل بطريقة تَدفَع بها العديد من الظروف المتغيرة النظام نحو الفشل معاً. توضح هذه الورقة كيفية تحويل تلك التدفقات الملتبسة من البيانات إلى صورة أوضح للمخاطر، بحيث يتمكن المشغلون من رصد علامات الإنذار المبكر لأنواع متعددة من المشاكل في آن واحد—قبل أن تتحول الاضطرابات البسيطة إلى حوادث ضارة.

من السببية البسيطة إلى سلاسل الأحداث المتشابكة

تتصور نماذج السلامة التقليدية الحوادث غالباً كسلاسل مباشرة: خطأ بشري هنا، حاجز فاشل هناك، ثم حريق أو انفجار أو انهيار. على مدار القرن الماضي، حاولت نظريات مثل سلاسل الدومينو ونموذج الجبن السويسري ونُهج نظرية الأنظمة أن تلتقط هذا المنطق. لكن مع المراقبة عالية السرعة والمتعددة المصادر اليوم، تصبح تلك المخططات البسيطة غير كافية. فهي تجد صعوبة في وصف كيفية تفاعل عشرات العوامل، وتذبذبها مع الزمن، وتأثيرها المتبادل بطرق تجعل بعض التركيبات أكثر خطورة بشكل خاص. يجادل المؤلفون بأنه لفهم هذه التعقيدات علينا اعتبار حوادث السلامة كنتائج «ناشئة» من شبكة من الظروف المتداخلة عبر مقاييس مختلفة.

طبقات من الظروف التي تتراكم نحو الخطر

يُميز البحث بين ثلاث طبقات من الظروف البيئية. في الصميم توجد عوامل مُسببة للكوارث، مثل البنية الفيزيائية للفحم، والإجهاد داخل الصخور المحيطة، أو كمية الغاز المخزونة في طبقة الفحم. حولها توجد عوامل مُشتقة تعكس هذه الشروط الجذرية لكنها قد تكون صعبة القياس مباشرة. وأخيراً توجد العوامل البيئية القابلة للقياس—مثل تدفق الغاز من آبار الحفر، وفتات الحفر، والإشارات الكهرومغناطيسية—التي يمكن للمستشعرات تتبعها بسهولة. ترتبط هذه المقادير القابلة للقياس ارتباطاً وثيقاً بالأسباب الأعمق الأصعب ملاحظة. عندما تنجرف مجموعات منها إلى نطاقات غير مستقرة معاً، تولد أحداث إنذار مبكر، يمكن أن تتسلسل وتتداخل بعد ذلك لتنشئ حوادث خطيرة.

رؤية الأحداث كشبكات، لا كحوادث معزولة

بدلاً من التعامل مع كل حدث سلامة بمفرده، يصف المؤلفون شبكة يمكن أن تُحفز فيها الأحداث بعضها بعضاً أو تُعزّزها. قد تزيد شذوذات غاز صغيرة اليوم من احتمال حدوث مشكلة تهوية غداً، والتي بدورها قد تجعل الانفجار أكثر احتمالاً في اليوم التالي. تربط العوامل البيئية المشتركة هذه الأحداث: فذات الإشارات القابلة للقياس قد تُنذر بأنواع مختلفة من المشاكل. تصوغ الورقة هذه الفكرة كالتفاعل عبر المقاييس. تنتشر التغيرات في الظروف القابلة للقياس عبر شبكتها الخاصة، بينما تُكوّن الأحداث على المقياس الأكبر سلسلة من الأسباب والنتائج. فهم كيفية تدفّق المعلومات عبر كلا الشبكتين معاً هو مفتاح التنبؤ بأي تركيبة من القراءات تعني فعلاً «تحرك الآن».

نموذج تعلم يوازن ما هو أهم

انطلاقاً من هذا الإطار، يقدم المؤلفون نموذج تحديد وتقييم المخاطر (RIAM) الذي يتعلم مباشرة من بيانات المستشعرات. أولاً، يوحّد القراءات من مستشعرات مختلفة ويضمّنها في تمثيل داخلي مشترك. ثم يتعلم مُكوّن «التقاط المعلومات الرئيسية» أي العوامل التي تميل إلى التغير معاً، معبِّراً عن الترابطات الخفية بينها. يربط مُكوّن رسم الخرائط عبر المقاييس هذه الأنماط بأحداث سلامة محددة، منتجاً مصفوفة مساهمات تُظهر مدى تأثير كل عامل قابل للقياس على كل نوع من الأحداث. أخيراً، يُخرج النموذج احتمال أن يكون حدث أو أكثر جارٍ أو على وشك الحدوث. وبما أنه يتتبع المساهمات صراحة، فإنه لا يكتفي بالإشارة إلى الخطر بل يوضّح أيضاً أي الإشارات تُسهم في التحذير، مما يحسّن الشفافية لصانعي القرار البشريين.

وضع النهج قيد الاختبار تحت الأرض

لاختبار RIAM، استخدم الباحثون بيانات مراقبة حقيقية من منجم فحم صيني حيث تشكل اندفاعات الفحم والغاز خطراً كبيراً. ركزوا على ثلاثة أنواع من الأحداث: الاندفاع نفسه وحالتين تمهيديتين متعلقتين بتدفق الغاز وامتصاص الغاز في فتات الحفر. تكوّنت المدخلات من ستة عوامل قابلة للقياس، تتراوح من سرعة غاز البئر إلى إشارات الإشعاع الكهرومغناطيسي. وبما أن الاندفاعات الحقيقية نادرة، فقد أكملوا البيانات الحقيقية المحدودة بعينات تركيبية مُصممة بعناية تحاكي ضوضاء المستشعرات وحالات تشغيل نادرة دون تشويه السلوك الأساسي. وباستخدام التحقق المتقاطع بعشر أجزاء، قارنوا RIAM بأساليب معيارية مثل الانحدار اللوجستي، آلات الدعم الناقل، نايف بايز، سلاسل المصنفات، مجموعات الأشجار، وشبكات عصبية بسيطة.

ما يعنيه هذا لأنظمة معقدة أكثر أماناً

عبر اختبارات الأحداث المفردة والمتعددة، حدّد RIAM باستمرار الظروف الخطرة بدقة وموثوقية أكثر من الأساليب المنافسة، خاصة عندما تداخلت أنواع مختلفة من الأحداث. وبقدر الأهمية نفسها، كشف النموذج أي قراءات المستشعر كانت الأهم لكل حدث، مؤكداً، على سبيل المثال، أن مؤشرات غازية وكهرومغناطيسية معينة تلعب أدواراً رائدة في التنبؤ بالاندفاعات. للخلاصة أمام غير المتخصصين: تعتمد السلامة في البيئات المعقدة وعالية المخاطر أقل على مراقبة رقم «سحري» واحد وأكثر على فهم كيفية تجمع العديد من العوامل المتغيرة على مدى الزمن. من خلال اعتبار الحوادث نتائج ناشئة لظروف مترابطة—وباستخدام نماذج مدفوعة بالبيانات تحافظ على هذه البنية—يمكننا الانتقال من تفسيرات تفاعلية بعد وقوع الحادث إلى تحذيرات مبكرة تَفهم وتُفسَّر تساعد في إبقاء العمال والمعدات بعيدين عن الأذى.

الاستشهاد: Liu, Q., Li, J. & Jin, Z. Risk identification and assessment for multitype safety events under the coupling of environmental factors. Sci Rep 16, 9320 (2026). https://doi.org/10.1038/s41598-026-39940-3

الكلمات المفتاحية: السلامة الصناعية, تقييم المخاطر, بيانات المستشعرات, حوادث مناجم الفحم, تعلم الآلة