СТВОРЕННЯ ІНТЕГРОВАНОЇ МОДЕЛІ ЗАБЕЗПЕЧЕННЯ ЕКСПЛУАТАЦІЙНОЇ БЕЗПЕКИ СУДНА
https://doi.org/10.33815/2313-4763.2025.1.30.209-221
Анотація
Стаття пропонує інтегровану математичну модель (ММ), застосування якої у практиці дозволяє підвищити експлуатаційну безпеку суден. Модель поєднує декілька критично важливих компонентів: імовірнісну оцінку ризиків, що надає кількісні показники потенційних загроз; глибинний аналіз деградації бар'єрів безпеки, відстежуючи зменшення захисних шарів з часом або під впливом навантажень; агреговану оцінку стану різних підсистем судна в режимі реального часу, уніфікуючи різнорідні дані для цілісного огляду; надійні можливості прогнозування ризиків, засновані на використанні технологій нейронних мереж, що дозволяє передбачати майбутні траєкторії ризиків на основі вивчених закономірностей зі складних експлуатаційних даних.
Змодельовано серію з п'яти різних експлуатаційних сценаріїв. Ці сценарії розроблені так, щоб охопити широкий спектр умов функціонування судна, критично враховуючи динамічні зміни навколишнього середовища, різноманітні технічні збої (несправності, поломки) та потенційну втрату ефективності чинних систем безпеки та захисту. Тестування сценаріїв дозволило провести валідацію продуктивності моделі в різноманітних та складних експлуатаційних умовах.
Результати симуляції демонструють здатність запропонованої моделі виявляти небезпечні умови на надзвичайно ранніх стадіях їхнього розвитку, задовго до того, як вони переростуть у критичні інциденти. Показано, що модель здатна генерувати кількісні оцінки ризиків, пропонуючи чіткі числові дані про потенційні загрози, формує дієві рекомендації для превентивного реагування, надаючи особам, які приймають рішення, своєчасні та актуальні вказівки для запобігання несприятливим подіям. Вбудовані індикатори інтегрованого ризику, запасу міцності та безперервного моніторингу деградації бар'єрів безпеки підтверджують високу інформативність системи, щодо визначення статусу безпеки судна. Модель має адаптивність до високодинамічного морського середовища. Пропонований підхід може служити основою для створення складних функціональних платформ, присвячених комплексному управлінню безпекою морських суден. Пропонується інтеграція таких ММ у сучасні навігаційні та безпекові системи управління інформацією.
Посилання
2. Melnyk, O., Onishchenko, O., Drozhzhyn, O., Pasternak, O., Vilshanyuk, M., Zayats, S., & Shcheniavskyi, G. (2024). The ship safety evaluation and analysis on the multilayer model case study. E3S Web of Conferences, 501, 01018. https://doi.org/10.1051/e3sconf/202450101018.
3. Melnyk, O., Onyshchenko, S., Koskina, Y., Aleksandrovska, N., Drozhzhyn, O., Maluha, E., Pulyaev, I., & Bondaryuk, M. (2024). Full overlap ship security model: An integrative approach to shipboard equipment information security. E3S Web of Conferences, 501, 02002. https://doi.org/10.1051/e3sconf/202450102002.
4. Karimi, N., Javanmardi, E., Nadaffard, A., & Facchini, F. (2025). Systematic analysis and optimization of operational delay factors in port supply chains using a hybrid DEMATEL-OPA-DGRA approach. Ocean & Coastal Management, 263, 107620. https://doi.org/10.1016/j.ocecoaman.2025.107620.
5. Fan, C., Montewka, J., Bolbot, V., Zhang, Y., Qiu, Y., & Hu, S. (2024). Towards an analysis framework for operational risk coupling mode: A case from MASS navigating in restricted waters. Reliability Engineering & System Safety, 248, 110176. https://doi.org/10.1016/j.ress.2024.110176.
6. Wang, Y., Kadakia, Y., Wu, Z., & Christofides, P. D. (2023). An overview of control methods for process operational safety and cybersecurity. Methods in Chemical Process Safety, 8, 1–50. https://doi.org/10.1016/bs.mcps.2024.07.006.
7. Naserbegi, A., Aghaie, M., Sadeghi, K., Ghazaie, S., & Sokolova, E. (2024). Improving operational flexibility of the integrated pressurized water reactor with the MED-TVC desalination system by control logic systems in the off-design mode. Nuclear Engineering and Design, 430, 113702. https://doi.org/10.1016/j.nucengdes.2024.113702.
8. Kang, G., Im, J., & Lee, C. (2024). Operational strategy to minimize operating cost in LNG terminal using a comprehensive numerical boil-off gas model. Energy, 296, 130878. https://doi.org/10.1016/j.energy.2024.130878.
9. Guo, W., Zhang, X., Ge, Y., & Du, Y. (2025). Deep Q-network and knowledge jointly-driven ship operational efficiency optimization in a seaport. Transportation Research Part E: Logistics and Transportation Review, 197, 104046. https://doi.org/10.1016/j.tre.2025.104046.
10. Mochizuki, H. (2025). Summary of researches on operational characteristics and safety of molten salt fast reactors based on neutronics and thermal-hydraulics coupling analysis. Nuclear Engineering and Design, 435, 113941. https://doi.org/10.1016/j.nucengdes.2025.113941.
11. Deng, W., Ma, X., & Qiao, W. (2024). A novel methodology to quantify the impact of safety barriers on maritime operational risk based on a probabilistic network. Reliability Engineering & System Safety, 243, 109884. https://doi.org/10.1016/j.ress.2023.109884.
12. Hellas, M. S., Chaib, R., Nettour, D., & Zerrouki, H. (2024). A new approach proposal for ensuring security engineering through barrier and operational quantitative risk analysis (BOQRA). Journal of Loss Prevention in the Process Industries, 91, 105390. https://doi.org/10.1016/j.jlp.2024.105390.
13. Zhang, M., Wang, H., Conti, F., Manderbacka, T., Remes, H., & Hirdaris, S. (2025). A hybrid deep learning method for the real-time prediction of collision damage consequences in operational conditions. Engineering Applications of Artificial Intelligence, 145, 110158. https://doi.org/10.1016/j.engappai.2025.110158.
14. Obeng, F., Domeh, D., Khan, F., Bose, N., & Sanli, E. (2024). An operational risk management approach for small fishing vessel. Reliability Engineering & System Safety, 247, 110104. https://doi.org/10.1016/j.ress.2024.110104.
15. Onishchenko, O. A., Melnyk, O. M., Kurdiuk, S. V., Drozdenko, O. I., Havryliuk, T. K., & Burlachenko, D. A. (2024). Zastosuvannia metodiv mashynnoho navchannia dlia optymizatsii marshrutiv i zavdan avtonomnykh nadvodnykh aparativ [Application of machine learning methods for optimizing routes and tasks of autonomous surface vehicles]. Nauka i tekhnika, 12(40), 1372–1386. https://doi.org/10.52058/2786-6025-2024-12(40)-1372-1386.
