Prediksi Risiko Industri Modern: Integrasi Physics-of-Failure dan Dynamic Bayesian Network dalam Evaluasi Keandalan Sistem Keselamatan

Pendahuluan: Risiko Industri di Era Ketidakpastian

Perkembangan industri kimia dan energi tidak hanya meningkatkan produktivitas, tetapi juga memperbesar potensi risiko, terutama dalam menghadapi bencana alam seperti gempa bumi. Tantangan utama bukan hanya menilai risiko saat ini, tetapi memprediksi bagaimana risiko berkembang seiring waktu, khususnya akibat penuaan (aging) komponen penghalang keselamatan seperti sistem sprinkler, katup pengaman, atau perlindungan tahan api.

Artikel ilmiah yang dibahas ini menawarkan pendekatan revolusioner yang menggabungkan Physics-of-Failure (PoF) dan Dynamic Bayesian Network (DBN) sebagai fondasi untuk membangun sistem penilaian risiko industri yang dinamis dan berkelanjutan.

Apa Itu PoF dan DBN dalam Konteks Keselamatan Industri?

• PoF adalah pendekatan berbasis sains yang mengkaji mekanisme degradasi fisik komponen, seperti korosi pada pipa atau keausan material tahan api.
• DBN adalah ekstensi dari Bayesian Network yang memodelkan perubahan probabilitas risiko dari waktu ke waktu, menjadikannya ideal untuk sistem industri yang terus berkembang.

Dengan menggabungkan keduanya, framework ini memungkinkan evaluasi fragilitas penghalang keselamatan sebagai fungsi waktu dan intensitas bencana, bukan hanya snapshot sesaat.

Struktur Framework PoF-DBN: Empat Langkah Kunci

1. Karakterisasi Sistem dan Bencana Alam
   Termasuk identifikasi magnitude dan frekuensi gempa, properti fisik tangki, dan kondisi awal penghalang keselamatan.
2. Definisi Struktur dan Parameter DBN
   Parameter diperoleh melalui algoritma Expectation Maximization berdasarkan simulasi 105 skenario kecelakaan.
3. Perhitungan Probabilitas Kegagalan Sistem dan LSIR (Location-Specific Individual Risk)
   Model Probit digunakan untuk menghitung kerentanan manusia terhadap paparan panas atau zat beracun.
4. Pembaruan Risiko Secara Berkala
   Model dievaluasi ulang saat sistem beroperasi seiring waktu atau ada data baru seperti perubahan frekuensi gempa atau kapasitas tangki.

Studi Kasus: Fasilitas Kimia yang Terpapar Gempa

Studi kasus ini berfokus pada sebuah fasilitas kimia yang memiliki dua tangki atmosferik (T1 dan T2) serta satu bejana bertekanan (P1). Fasilitas ini dirancang untuk memiliki masa pakai 50 tahun dan dilengkapi dengan lima penghalang keselamatan untuk melindungi dari potensi risiko. Penghalang pertama, yang diberi kode WDS, merupakan penghalang aktif yang ditujukan untuk tangki T1. Penghalang kedua, PFP, adalah penghalang pasif yang melindungi tangki T2. Selanjutnya, penghalang ketiga, PSV, adalah penghalang aktif yang berfungsi untuk tangki T1, T2, dan P1. Penghalang keempat, ETI, bersifat prosedural dan juga mencakup ketiga komponen tersebut. Terakhir, penghalang kelima, FWS, adalah penghalang aktif yang melindungi tangki T1 dan T2. Dengan adanya penghalang-penghalang ini, fasilitas kimia tersebut berupaya untuk meningkatkan keselamatan operasionalnya, terutama dalam menghadapi risiko seperti gempa.

Model Degradasi Nyata: Korosi, Cuaca, dan Waktu

1. WDS & FWS – Korosi Pipa:

• Dihitung menggunakan model korosi dari Van Der Schijff & Bodemann (2013).
• Fungsi PoF:

mc(t)=1−0.879⋅Cr(t)⋅tmc(t) = 1 - 0.879 \cdot Cr(t) \cdot t

• Fragilitas meningkat seiring menipisnya dinding pipa, menurunkan ketahanan seismik.

2. PFP – Penuaan Material:

• Penurunan kekuatan tarik akibat cuaca, menggunakan data akselerasi cuaca 600 jam = 30 tahun alami.
• Model fragilitas:

φPFP(t,PGA)=1−σs(t)−σT(PGA)σs(t)\varphi_{PFP}(t, PGA) = 1 - \frac{\sigma_s(t) - \sigma_T(PGA)}{\sigma_s(t)}

jika σs(t)≥σT\sigma_s(t) ≥ \sigma_T; jika tidak, φ=1\varphi = 1.

3. PSV – Tidak Terpengaruh Gempa, Tapi Mengalami Degradasi Umur:

• Menggunakan model Markov dengan empat tingkat degradasi.

Validasi & Evaluasi Probabilitas Kegagalan Sistem

Hasil simulasi yang dilakukan untuk validasi dan evaluasi probabilitas kegagalan sistem menunjukkan nilai Mean Squared Error (MSE) yang bervariasi untuk setiap tangki. Tangki T1 memiliki MSE sebesar 2.6 × 10⁻⁴, sedangkan T2 sedikit lebih tinggi dengan MSE 2.7 × 10⁻⁴. Di sisi lain, pompa P1 menunjukkan performa terbaik dengan MSE terendah, yaitu 2.1 × 10⁻⁴. Nilai MSE yang rendah ini mengindikasikan bahwa model Deep Belief Network (DBN) yang digunakan memiliki akurasi tinggi dalam memprediksi risiko kegagalan berdasarkan parameter waktu nyata. Dengan demikian, hasil ini memberikan keyakinan bahwa sistem yang diterapkan dapat diandalkan untuk memantau dan mengelola risiko kegagalan secara efektif.

LSIR: Mengukur Risiko Nyata Bagi Manusia

LSIR dihitung berdasarkan paparan panas (Q) dan waktu evakuasi (te), menggunakan model:

S=−14.9+2.56⋅ln⁡(6×10−3×Q1.33×te)S = -14.9 + 2.56 \cdot \ln(6 × 10^{-3} × Q^{1.33} × te)

Batas aman yang digunakan:
LSIR ≤ 4.3 × 10⁻⁵ kematian per tahun.

Simulasi Pembaruan Risiko & Dampaknya

1. Tahun ke-8:
Waktu tanggap ETI memburuk akibat relokasi tim darurat → risiko meningkat. Solusi: tambahkan PFP pada T1 & T2.

2. Tahun ke-14:
Peta seismik baru menunjukkan peningkatan frekuensi gempa. Solusi: pasang jangkar tangki yang menyerap energi.

3. Tahun ke-23:
Kapasitas tangki ditambah untuk strategi bisnis agresif. Solusi: tingkatkan sistem sprinkler menjadi ESFR untuk respon cepat.

Kritik, Kekuatan, dan Relevansi Industri

Kekuatan:

• Adaptif: Risiko bisa diperbarui sesuai kondisi nyata.
• Presisi tinggi: Integrasi PoF memastikan model berbasis kenyataan fisik.
• Dukungan pengambilan keputusan: Memberikan rekomendasi teknis berbasis data untuk desain ulang atau perawatan.

Tantangan:

• Model PoF tidak selalu tersedia untuk semua komponen.
• Proses pelatihan model memerlukan data dan komputasi tinggi.

Relevansi Industri:

• Cocok untuk industri kimia, minyak & gas, nuklir, dan energi.
• Potensial menjadi bagian dari sistem digital twin untuk prediksi real-time.

Kesimpulan

Pendekatan terintegrasi Physics-of-Failure dan Dynamic Bayesian Network merevolusi cara kita memandang manajemen risiko industri. Dengan kemampuan memodelkan degradasi komponen secara dinamis dan memperbarui penilaian risiko berdasarkan data terkini, framework ini membuka era baru dalam keselamatan industri berbasis prediksi dan adaptasi.

Studi kasus nyata menunjukkan bahwa dengan pengambilan tindakan yang tepat di waktu yang tepat—baik penambahan pelindung pasif, penggantian sistem tanggap darurat, atau optimalisasi desain ulang—risiko bisa dijaga tetap dalam batas aman meskipun sistem beroperasi selama puluhan tahun.

Sumber asli : S. Marchetti, F. Di Maio, E. Zio. “A Physics-of-Failure (PoF) model-based Dynamic Bayesian Network for considering the aging of safety barriers in the risk assessment of industrial facilities.” Journal of Loss Prevention in the Process Industries, 91 (2024): 105402.