화학사고예측프로그램 프로세스 화학사고예측프로그램
화학사고예측프로그램 프로세스
화학물질 취급사업장 내부 공정이나 설비 위험성, 물질의 물리화학적 성질, 취급량 정보, 기상정보 등 화학사고 데이터를 통하여 긴속하고 신뢰성 있는 화학사고 예측이 가능합니다.
화학사고 관련 데이터 수집
빅데이터 구축
평가 및 분석 후 결과 도출
(기상요소와 화학사고 발생과 상관관계)
데이터 수집 및 구축 예시
화학사고 사례

2010_사고사례집(11[1].03.04)

아산화질소 제조 반응기 폭발사고 사례

광학매체 원료 제조공정 반응기 누출사고 사례

광개시제 제조공정 폭발 화재사고 사례

과산화수소 정제공정 폭발사고 사례

2014년 중대사고 사례집

[2021-중대산업사고예방실-322]_7호 화학사고 사례연구_충북권

[2021-중대산업사고예방실-321]_6호 화학사고 사례연구_충남권

[2021-중대산업사고예방실-316]_5호 화학사고 사례연구_전북권

[2021-중대산업사고예방실-315]_4호 화학사고 사례연구_전남권

[2021-중대산업사고예방실-314]_3호 화학사고 사례연구_경북권

[2021-중대산업사고예방실-313]_2호 화학사고 사례연구_경남권

[2021-중대산업사고예방실-312]_1호 화학사고 사례연구_수도권

[2020-중대산업사고예방실-338]_2020년 화학사고 사례연구(화장품 원료 반응 중 반응폭주로 인한 폭발사고)_충북권

[2020-중대산업사고예방실-336]_2020년 화학사고 사례연구(인산제조공정 내 황린누출사고)_전북권

[2020-중대산업사고예방실-337]_2020년 화학사고 사례연구(스티렌모노머(SM) 혼합물 누출사고)_충남권

[2020-중대산업사고예방실-336]_2020년 화학사고 사례연구(인산제조공정 내 황린누출사고)_전북권

[2020-중대산업사고예방실-334]_2020년 화학사고 사례연구(출하 중 과산솨수소 누출 사고)_경북권

[2020-중대산업사고예방실-333]_2020년 화학사고 사례연구(정비보수 중 저장탱크 폭발 사고)_경남권

[2020-중대산업사고예방실-332]_2020년 화학사고 사례연구(감광제 생산공정 반응기 화재사고)_수도권

군산시 화학사고 발생 현황

수원시 화학사고 발생 현황

AI 연산을 위한 데이터 가공

출처

사업장명

사업장주소

사업장면적

사고일자

사고시간

사고발생장소

사고내용

사고원인

사고물질

사고종류

사업장업종명

사망자

부상자

환경피해

CAS No.

사고피해관련물성 1, 2

피해야 할 조건

피해야 할 물질

분해 시 생성되는 유해물질

사고물질의 양

피해액

추가 예정

온도

기압

습도

강수량

풍향

풍속

화학사고예측프로그램 개발 모델

Model 1. 화학사고 예측 모델

해당 사업장이 화학사고가 발생할지 여부 예측
(전제 조건) 사고 전후 동일하게 수집 가능한 데이터 정보
공공 데이터 포털에 공개된 데이터 병합
사고 전후 이상감지 학습에 우수한 성능을 보이는 딥러닝 모델 선정 필요
이상감지 모델 학습에 특화된 RSR(Robust Subspace Recovery Layer) AutoEncoder 적용
이상 탐지 계열 모델로 사고 미발생 데이터로만 학습

Model 2. 화학사고 위험성 평가 모델

사고 발생 시, 위험성 수준이 어느 정도 인지 단계화 예측
(전제 조건) 화학사고 데이터 이용
화학물질안전원에서 제공한 화학통계DB 내 사고 사례 데이터
화학물질 특성을 고려한 딥러닝 기술 선정
DNN과 MAT(Molecule Attention Transformer)을 조합한 분류 모델 사용
불균형 데이터 셋으로 SMOTE 등의 증강 기법 적용
화학사고 예측 모델

RSR AutoEncoder

RSR AutoEncoder 이용

AutoEncoder의 Latent (Bottleneck) 부분에 RSR (Robust Subspace Recovery) layer를 반영

RSR layer는 임베딩 벡터를 저차원 벡터로 매핑하여 특이값에 대해 강조를 부여하는 역할

Input과 동일한 형상의 Output을 산출하여 값 차이를 이용하여 화학사고를 판정

정상 데이터(사고 X)로만 학습하여 비정상 데이터(사고 O)가 입력되었을 때, Input과 Output의 값 차이가 크다는 전제

P-R Curve

P-R Curve(Precision-Recall Curve)를 이용하여 교차점을 임계값으로 결정하고, 해당 값을 이용하여 사고 여부 판정
해당 위치가 F1 Score를 최대로 하는 지점

Anomaly Detection using Threshold

임계값을 초과하면 사고 O, 이하면 사고 X로 판정
화학사고 위험성 평가 모델
DNN 네트워크와 MAT 네트워크를 합친 뒤 복수 개 class를 구분하는 분류 모델로 구성하여 위험성 단계 1~5단계로 산출

DNN (Deep Neural Network)

복수 개의 Dense Block를 쌓아 구성
각각의 Dense Block은 기본 Dense → Normalization → Activation 으로 구성
출력층 직전에 Dropout 으로 Overfitting 을 방지하며 이 때는 Normalization과 Activation 처리하지 않음
CAS번호 외 나머지 Input features를 입력

Anomaly Detection using Threshold

화학물질 특징을 반영하기 위해 Input feature 중 CAS번호는 SMILES(Simplified Molecular Input Line Entry System)로 수동 변환 처리 (컴퓨터가 다루기 편한 화학분자표현법)
MATFeaturizer로 MAT의 Input 형식에 맞게 인코딩 후 해당 네트워크에 입력