Trước khi bạn thiết lập phân tích của mình, hãy ghi nhớ thực tế về những gì tình huống hiện tại liên quan.
Cuộc khủng hoảng này không trực tiếp gây ra bởi trận động đất hoặc sóng thần. Đó là vì thiếu sức mạnh dự phòng. Nếu họ có đủ năng lượng dự phòng, bất kể trận động đất / sóng thần, họ có thể đã giữ cho nước làm mát hoạt động, và không có cuộc khủng hoảng nào xảy ra. Nhà máy có thể sẽ được sao lưu và chạy ngay bây giờ.
Nhật Bản, vì bất kỳ lý do gì, có hai tần số điện (50 Hz và 60 Hz). Và, bạn không thể chạy động cơ 50 Hz ở 60 Hz hoặc ngược lại. Vì vậy, bất cứ tần số nào nhà máy đang sử dụng / cung cấp là tần số họ cần để cấp nguồn. Thiết bị "loại Mỹ" chạy ở tần số 60 Hz và thiết bị "loại châu Âu" chạy ở tần số 50 Hz, do đó, trong việc cung cấp nguồn năng lượng thay thế, hãy ghi nhớ điều đó.
Tiếp theo, nhà máy đó ở một vùng núi khá xa. Để cung cấp năng lượng bên ngoài cần có một đường dây điện LONG từ một khu vực khác (cần nhiều ngày / tuần để xây dựng) hoặc các máy phát điện chạy bằng xăng / diesel lớn. Những máy phát điện này đủ nặng để bay chúng bằng trực thăng không phải là một lựa chọn. Vận chuyển chúng vào cũng có thể là một vấn đề do các con đường bị chặn khỏi trận động đất / sóng thần. Đưa chúng vào bằng tàu là một lựa chọn, nhưng cũng mất vài ngày / tuần.
Điểm mấu chốt là, phân tích rủi ro cho nhà máy này là do thiếu các lớp dự phòng (không chỉ một hoặc hai) dự phòng. Và, bởi vì lò phản ứng này là một "thiết kế hoạt động", có nghĩa là nó đòi hỏi năng lượng để giữ an toàn, những lớp đó không phải là một thứ xa xỉ, chúng là bắt buộc.
Đây là một cây cũ. Một nhà máy mới sẽ không được thiết kế theo cách này.
Chỉnh sửa (19/03/2011) ========================================== ====
J Presley: Để trả lời câu hỏi của bạn đòi hỏi một lời giải thích ngắn về các điều khoản.
Như tôi đã nói trong nhận xét của mình, với tôi, đây là vấn đề "khi nào" chứ không phải "nếu" và với tư cách là một mô hình thô, tôi đã đề xuất Phân phối / Quy trình Poisson. Quá trình Poisson là một chuỗi các sự kiện xảy ra với tốc độ trung bình theo thời gian (hoặc không gian hoặc một số biện pháp khác). Những sự kiện này độc lập với nhau và ngẫu nhiên (không có mẫu). Các sự kiện xảy ra cùng một lúc (2 hoặc nhiều sự kiện không xảy ra cùng một lúc). Về cơ bản, đây là một tình huống nhị thức ("sự kiện" hoặc "không có sự kiện") trong đó xác suất xảy ra sự kiện là tương đối nhỏ. Dưới đây là một số liên kết:
http://en.wikipedia.org/wiki/Poisson_ process
http://en.wikipedia.org/wiki/Poisson_distribution
Tiếp theo, dữ liệu. Dưới đây là danh sách các vụ tai nạn hạt nhân kể từ năm 1952 với Cấp độ INES:
http://en.wikipedia.org/wiki/Nucle_and_radiation_accferences
Tôi đếm 19 tai nạn, 9 cấp độ INES. Đối với những người không có cấp độ INES, tất cả những gì tôi có thể làm là giả sử cấp độ dưới Cấp độ 1, vì vậy tôi sẽ chỉ định cho họ Cấp độ 0.
Vì vậy, một cách để định lượng điều này là 19 vụ tai nạn trong 59 năm (59 = 2011 -1952). Đó là 19/59 = 0,336 acc / năm. Xét về một thế kỷ, đó là 32,2 vụ tai nạn trong 100 năm. Giả sử một quá trình Poisson đưa ra các biểu đồ sau.
Ban đầu, tôi đã đề xuất Phân phối logic, Gamma hoặc hàm mũ cho mức độ nghiêm trọng của các vụ tai nạn. Tuy nhiên, vì các mức INES được đưa ra dưới dạng các giá trị rời rạc, phân phối sẽ cần phải rời rạc. Tôi sẽ đề nghị phân phối nhị thức hình học hoặc âm. Dưới đây là mô tả của họ:
http://en.wikipedia.org/wiki/Negative_binomial_distribution
http://en.wikipedia.org/wiki/Geometric_distribution
Cả hai đều phù hợp với dữ liệu giống nhau, không phù hợp lắm (rất nhiều Cấp 0, một Cấp 1, 0 Cấp 2, v.v.).
Fit for Negative Binomial Distribution
Fitting of the distribution ' nbinom ' by maximum likelihood
Parameters :
estimate Std. Error
size 0.460949 0.2583457
mu 1.894553 0.7137625
Loglikelihood: -34.57827 AIC: 73.15655 BIC: 75.04543
Correlation matrix:
size mu
size 1.0000000000 0.0001159958
mu 0.0001159958 1.0000000000
#====================
Fit for Geometric Distribution
Fitting of the distribution ' geom ' by maximum likelihood
Parameters :
estimate Std. Error
prob 0.3454545 0.0641182
Loglikelihood: -35.4523 AIC: 72.9046 BIC: 73.84904
Phân phối hình học là một hàm tham số đơn giản trong khi Phân phối nhị thức âm là hàm hai tham số linh hoạt hơn. Tôi sẽ đi đến sự linh hoạt, cộng với các giả định cơ bản về cách phân phối nhị thức âm tính được tạo ra. Dưới đây là biểu đồ của Phân phối nhị thức âm tính được trang bị.
Dưới đây là mã cho tất cả những thứ này. Nếu bất cứ ai tìm thấy vấn đề với các giả định hoặc mã hóa của tôi, đừng ngại chỉ ra nó. Tôi đã kiểm tra kết quả, nhưng tôi không có đủ thời gian để thực sự nhai về điều này.
library(fitdistrplus)
#Generate the data for the Poisson plots
x <- dpois(0:60, 32.2)
y <- ppois(0:60, 32.2, lower.tail = FALSE)
#Cram the Poisson Graphs into one plot
par(pty="m", plt=c(0.1, 1, 0, 1), omd=c(0.1,0.9,0.1,0.9))
par(mfrow = c(2, 1))
#Plot the Probability Graph
plot(x, type="n", main="", xlab="", ylab="", xaxt="n", yaxt="n")
mtext(side=3, line=1, "Poisson Distribution Averaging 32.2 Nuclear Accidents Per Century", cex=1.1, font=2)
xaxisdat <- seq(0, 60, 10)
pardat <- par()
yaxisdat <- seq(pardat$yaxp[1], pardat$yaxp[2], (pardat$yaxp[2]-pardat$yaxp[1])/pardat$yaxp[3])
axis(2, at=yaxisdat, labels=paste(100*yaxisdat, "%", sep=""), las=2, padj=0.5, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Probability", 2, line=2.3)
abline(h=yaxisdat, col="lightgray")
abline(v=xaxisdat, col="lightgray")
lines(x, type="h", lwd=3, col="blue")
#Plot the Cumulative Probability Graph
plot(y, type="n", main="", xlab="", ylab="", xaxt="n", yaxt="n")
pardat <- par()
yaxisdat <- seq(pardat$yaxp[1], pardat$yaxp[2], (pardat$yaxp[2]-pardat$yaxp[1])/pardat$yaxp[3])
axis(2, at=yaxisdat, labels=paste(100*yaxisdat, "%", sep=""), las=2, padj=0.5, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Cumulative Probability", 2, line=2.3)
abline(h=yaxisdat, col="lightgray")
abline(v=xaxisdat, col="lightgray")
lines(y, type="h", lwd=3, col="blue")
axis(1, at=xaxisdat, padj=-2, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Number of Nuclear Accidents Per Century", 1, line=1)
legend("topright", legend=c("99% Probability - 20 Accidents or More", " 1% Probability - 46 Accidents or More"), bg="white", cex=0.8)
#Calculate the 1% and 99% values
qpois(0.01, 32.2, lower.tail = FALSE)
qpois(0.99, 32.2, lower.tail = FALSE)
#Fit the Severity Data
z <- c(rep(0,10), 1, rep(3,2), rep(4,3), rep(5,2), 7)
zdis <- fitdist(z, "nbinom")
plot(zdis, lwd=3, col="blue")
summary(zdis)
Chỉnh sửa (20/03/2011) ========================================== ============
J Presley: Tôi xin lỗi tôi không thể hoàn thành việc này ngày hôm qua. Bạn biết nó như thế nào vào cuối tuần, rất nhiều nhiệm vụ.
Bước cuối cùng trong quy trình này là lắp ráp một mô phỏng sử dụng Phân phối Poisson để xác định thời điểm xảy ra sự kiện và sau đó là Phân phối nhị thức âm tính để xác định mức độ nghiêm trọng của sự kiện. Bạn có thể chạy 1000 bộ "khối thế kỷ" để tạo 8 phân phối xác suất cho các sự kiện Cấp 0 đến Cấp 7. Nếu tôi có thời gian, tôi có thể chạy mô phỏng, nhưng bây giờ, mô tả sẽ phải làm. Có lẽ ai đó đọc thứ này sẽ chạy nó. Sau khi hoàn thành, bạn sẽ có một "trường hợp cơ bản" trong đó tất cả các sự kiện được coi là ĐỘC LẬP.
Rõ ràng, bước tiếp theo là thư giãn một hoặc nhiều giả định ở trên. Một nơi dễ dàng để bắt đầu là với Phân phối Poisson. Nó giả định rằng tất cả các sự kiện là độc lập 100%. Bạn có thể thay đổi điều đó theo đủ mọi cách. Dưới đây là một số liên kết đến Phân phối Poisson không đồng nhất:
http://www.math.wm.edu/~leemis/icrsa03.pdf
http://filebox.vt.edu/users/pasupath/ con / nonhompoisson_streams.pdf
Ý tưởng tương tự dành cho Phân phối nhị thức âm. Sự kết hợp này sẽ dẫn bạn xuống tất cả các loại con đường. Dưới đây là một số ví dụ:
http://surveecting.r-forge.r-project.org/
http://www.m-hikari.com/ijcms-2010/45-48-2010/buligaIJCMS45-48-2010.pdf
http://www.michaeltanphd.com/evtrm.pdf
Điểm mấu chốt là, bạn đã hỏi một câu hỏi trong đó câu trả lời phụ thuộc vào mức độ bạn muốn đưa nó đi bao xa. Tôi đoán là, một người nào đó, ở đâu đó sẽ được ủy quyền để tạo ra "câu trả lời" và sẽ ngạc nhiên về việc mất bao lâu để thực hiện công việc.
Chỉnh sửa (21/03/2011) ========================================== ==========
Tôi đã có cơ hội để tát vào mô phỏng đã đề cập ở trên. Các kết quả được hiển thị dưới đây. Từ Phân phối Poisson ban đầu, mô phỏng cung cấp tám Phân phối Poisson, một cho mỗi Cấp INES. Khi mức độ nghiêm trọng tăng (Số cấp độ INES tăng), số lượng các sự kiện dự kiến trong mỗi thế kỷ giảm xuống. Đây có thể là một mô hình thô, nhưng đó là một nơi hợp lý để bắt đầu.
