Bayesian network modeling of potential patterns in maritime safety performance

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Kujala, Pentti, Prof., Aalto University, Department of Applied Mechanics, Finland
dc.contributor.advisor Kuikka, Sakari, Prof., University of Helsinki, Finland
dc.contributor.author Hänninen, Maria
dc.date.accessioned 2015-02-04T10:00:31Z
dc.date.available 2015-02-04T10:00:31Z
dc.date.issued 2015
dc.identifier.isbn 978-952-60-6062-0 (electronic)
dc.identifier.isbn 978-952-60-6061-3 (printed)
dc.identifier.issn 1799-4942 (electronic)
dc.identifier.issn 1799-4934 (printed)
dc.identifier.issn 1799-4934 (ISSN-L)
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/15104
dc.description.abstract Although major maritime accidents occur rather rarely, they can produce severe consequences. Safety management aims at preventing such accidents. For monitoring and improving safety, safety management requires knowledge on the safety performance. Information on various variables which are potentially related to safety and a description of how the variables interact, or which types of patterns the interactions constitute, could be beneficial for increasing that knowledge. However, these patterns might not be apparent, as maritime traffic and its safety are complicated systems.  Utilizing Bayesian network modeling approach, this thesis explores potential patterns between variables related to maritime safety. The decision-makers can then exploit this information as a starting point for analyses of the mechanisms which have generated these patterns and of what the patterns tell about safety. The thesis models safety-performance patterns from different, complementing angles. The work begins with examining the feasibility of maritime accident causation pattern models for the exploration of safety performance. This includes analyzing an existing causal collision model and assessing the feasibility of accident and incident data for collision and grounding cause pattern learning. The focus then shifts to patterns present in multiple safety indicator data, before the analysis is extended to safety management patterns and safety management dependencies with safety performance.  While causal pattern modeling is found questionable, Port State Control inspections have potential to act as a valuable data source for safety performance information. However, the inspections in Finnish ports have resulted in few deficiencies and thus the data contains only weak patterns. It might be worth evaluating whether the Port State Control could be developed so that the inspections would produce data on more detailed safety performance differences between different ships. On the other hand, maritime safety management seems to be a rather tightly coupled system with several properly functioning subareas but inadequate as a whole.  Regarding the application of Bayesian networks for the pattern modeling problem, the thesis concludes that with their capability to express uncertain, rather complex dependencies and to combine data with expert knowledge, Bayesian networks offer an attractive tool for such a task. As the amount of collected and shared data is slowly increasing within the maritime community, the Bayesian network models can be easily updated with new information, and thus their quality and worth for decision-support could be improved. en
dc.description.abstract Merkittävät laivaonnettomuudet ovat melko harvinaisia, mutta niiden seuraukset voivat olla vakavia. Turvallisuusjohtamisella pyritään estämään tämänkaltaiset onnettomuudet. Jotta turvallisuusjohtaminen pystyy seuraamaan ja parantamaan turvallisuutta, se tarvitsee tietoa turvallisuuden tilasta. Tilan määrittämiseksi voisi olla hyödyllistä tarkastella turvallisuuteen liittyviä tekijöitä ja niiden välisiä riippuvuuksia. Ne eivät kuitenkaan välttämättä ole ilmeisiä, sillä merenkulku ja sen turvallisuus ovat monimutkaisia kokonaisuuksia.  Työssä tutkitaan meriturvallisuuteen liittyvien tekijöiden välisiä riippuvuuksia Bayes-verkkomallinnuksen keinoin. Päätöksentekijät voivat hyödyntää havaittuja riippuvuuksia analysoidessaan mahdollisia tekijöitä kytköksien taustalla ja sitä, mitä riippuvuudet kertovat turvallisuuden tilasta. Riippuvuuksia mallinnetaan useasta toisiaan täydentävästä näkökulmasta. Aluksi tutkitaan onnettomuuksien syysuhteisten riippuvuuksien mallintamista turvallisuuden tilan arvioinnissa kahdella eri lähestymistavalla. Sen jälkeen etsitään riippuvuuksia aineistosta, joka sisältää useita turvallisuutta mittaavia indikaattoreita. Lopuksi analyysi laajennetaan käsittämään turvallisuusjohtamisen sisäiset sekä sen ja turvallisuuden väliset riippuvuudet.  Työssä havaitaan, että syysuhteisten riippuvuuksien mallintaminen on kyseenalaista. Sen sijaan satamavaltiotarkastukset voisivat sopia tiedonlähteeksi turvallisuuden tilan arviointiin, mutta valitettavasti Suomen satamissa kerätty tarkastusaineisto sisältää vain vähän havaittuja puutteita. Siksi erityyppisten puutteiden väliset riippuvuudet eivät ole kovin selkeitä. Olisikin syytä tutkia, voiko tarkastuksia kehittää niin, että ne tuottaisivat tietoa nykyistä pienemmistä turvallisuuseroista alusten välillä. Toisaalta huomataan, että merenkulun turvallisuusjohtamisen osa-alueet ovat tiiviisti linkittyneitä. Useat niistä toimivat asianmukaisesti, mutta kokonaisuutena turvallisuusjohtaminen ei vielä ole riittävän hyvällä tasolla.  Tarkasteltaessa Bayes-verkkojen soveltuvuutta meriturvallisuuden mallinnukseen todetaan, että verkkojen kyky kuvata epävarmuutta sisältäviä, melko monimutkaisia vuorovaikutuksia ja yhdistää dataa asiantuntijatietämykseen tarjoaa houkuttelevan työkalun turvallisuusriippuvuuksien kuvaamiseen. Merenkulussa kerättävän ja jaettavan tiedon määrä on hitaasti kasvamassa, ja Bayes-verkkomalleja voidaan vaivatta päivittää, kun lisää aineistoa on saatavilla. Näin voidaan parantaa mallien laatua ja hyödyllisyyttä päätöksenteon tukena. fi
dc.format.extent 54 + app. 66
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.publisher Aalto University en
dc.publisher Aalto-yliopisto fi
dc.relation.ispartofseries Aalto University publication series DOCTORAL DISSERTATIONS en
dc.relation.ispartofseries 13/2015
dc.relation.haspart [Publication 1]: Hänninen, Maria and Kujala, Pentti. Influences of variables on ship collision probability in a Bayesian belief network model. Reliability Engineering & System Safety, 102, 27–40, June 2012. doi:10.1016/j.ress.2012.02.008.
dc.relation.haspart [Publication 2]: Hänninen, Maria; Sladojevic, Marina; Tirunagari, Santosh and Kujala, Pentti. Feasibility of collision and grounding data for probabilistic accident modeling. In 6th International Conference on Collision and Grounding of Ships and Offshore Structures, ICCGS, Trondheim, Norway, 17–19 June 2013, 1–8, 2013. doi:10.1201/b14915-2.
dc.relation.haspart [Publication 3]: Hänninen, Maria and Kujala, Pentti. Bayesian network modeling of Port State Control inspection findings and ship accident involvement. Expert Systems with Applications, 41, 1632–1646, March 2014. doi:10.1016/j.eswa.2013.08.060.
dc.relation.haspart [Publication 4]: Hänninen, Maria; Valdez Banda, Osiris A. and Kujala, Pentti. Bayesian network model of maritime safety management. Expert Systems with Applications, 41, 7837–7846, December 2014. doi:10.1016/j.eswa.2014.06.029.
dc.relation.haspart [Publication 5]: Hänninen, Maria. Bayesian networks for maritime traffic accident prevention: Benefits and challenges. Accident Analysis & Prevention, 73, 305–312, December 2014. doi:10.1016/j.aap.2014.09.017.
dc.subject.other Marine engineering en
dc.title Bayesian network modeling of potential patterns in maritime safety performance en
dc.title Merenkulun turvallisuustekijöiden riippuvuuksien mallinnus Bayes-verkoilla fi
dc.type G5 Artikkeliväitöskirja fi
dc.contributor.school Insinööritieteiden korkeakoulu fi
dc.contributor.school School of Engineering en
dc.contributor.department Sovelletun mekaniikan laitos fi
dc.contributor.department Department of Applied Mechanics en
dc.subject.keyword maritime safety en
dc.subject.keyword safety performance en
dc.subject.keyword Bayesian networks en
dc.subject.keyword safety management en
dc.subject.keyword merenkulun turvallisuus fi
dc.subject.keyword turvallisuuden tila fi
dc.subject.keyword Bayes-verkot fi
dc.subject.keyword turvallisuusjohtaminen fi
dc.identifier.urn URN:ISBN:978-952-60-6062-0
dc.type.dcmitype text en
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.contributor.supervisor Kujala, Pentti, Prof., Aalto University, Department of Applied Mechanics, Finland
dc.opn Ale, B.J.M. (Ben), Prof. (Emeritus), Delft University of Technology, the Netherlands
dc.date.dateaccepted 2014-12-15
dc.contributor.lab Research group on Maritime Risk and Safety en
dc.rev Druzdzel, Marek J., Associate prof., University of Pittsburgh, USA
dc.rev Haugen, Stein, Prof., Norwegian University of Science and Technology, Norway
dc.date.defence 2015-03-06


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account