Разработка и согласование паспортов безопасности опасных объектов в Казани и в Татарстане, Нижний Новгород, Чебоксары (Чувашия), Йошкар-Ола (Марий Эл), Киров (Кировская область), Ижевск (Удмуртия) самые низкие цены, от 30 000 рублей

ИП Купцов Адель Игоревич предлагает быструю и качественную разработку и согласование паспортов безопасности опасных объектов

Паспорт безопасности опасного объекта — это документ, направленный на
предупреждение чрезвычайных ситуаций, уменьшение риска возникновения
чрезвычайных ситуаций техногенного характера на объектах, использующих,
производящих, перерабатывающих, хранящих или транспортирующих
радиоактивные, пожаровзрывоопасные, опасные химические и биологические
вещества, гидротехнических сооружениях , повышение защищенности объектов
экономики и населения страны от аварий и катастроф, а также
террористических проявлений.

Паспорт безопасности разрабатывается в целях:
определения показателей степени риска чрезвычайных ситуаций для персонала опасного объекта
и проживающего вблизи населения;
определения возможных сценариев возникновения аварийной ситуации и ее развития;
оценки возможных последствий чрезвычайных ситуаций на опасном объекте;
определения готовности организации к ликвидации аварийных ситуаций на опасном производственном объекте;
разработки мероприятий, направленных на повышение противоаварийной защиты и снижение масштабов последствий аварий.

Перечень информации, который необходимо предоставить для разработки
паспорта безопасности опасного объекта (Приказ МЧС РФ от 4 ноября 2004
г. N 506 «Об утверждении типового паспорта безопасности опасного
объекта»):

1. Копия свидетельства о регистрации опасных производственных объектов (далее ОПО) в государственном реестре ОПО; Сведения, характеризующие ОПО.

2. Копия предписания Ростехнадзора по последней проверке.

3. Технологические регламенты по каждому ОПО;

4. Планы расположения основного технологического оборудования с масштабом по каждому ОПО;

5. Полное и сокращенное наименование организации;

6. Полный почтовый адрес, телефоны, факс и телетайп организации;

7. ФИО генерального директора (руководителя);

8. Сведения о размерах санитарно-защитных зон (далее СЗЗ);

9. Сведения о персонале (количество на каждом ОПО), наибольшая работающая смена;

10. В % соотношении износ производственных фондов;

11. Характеристика аварийности, травматизма и пожаров по каждому ОПО;

12. Ранее разработанный паспорт безопасности;

13. Наличие быстро отсекающей запорной арматуры и/или запорной арматуры с электроприводом по каждому ОПО;

14. Наличие на объекте защитных сооружений (есть или нет);

15. Характеристики пожарного водопровода, количество гидрантов на объекте;

16. Наличие на опасном объекте пункта и автоматизированной системы
управления производственным процессом, функционирующих в условиях
чрезвычайных ситуаций, в соответствии с требованиями нормативных
документов, да/нет;

17. Количество зданий и помещений оборудованных системами автоматической пожарной сигнализаций, ед.;

18. Количество зданий и помещений, оборудованных автоматическими установками пожаротушения, ед. на котельных;

19. Наличие на опасном объекте резервных источников электроснабжения,
теплоснабжения, газоснабжения, водоснабжения, систем связи,
обеспечивающих функционирование объекта при чрезвычайных ситуациях и
действия аварийно-восстановительных подразделений при ликвидации
чрезвычайных ситуаций (по видам), да/нет;

Например:

— Имеется резервная линия электролиния;

— Автономного источника питания – нет;

— Теплоснабжение – нет;

— Системы связи – да;

— Водоснабжение – да;

— Газоснабжение –нет.

20. Штатное расписание по каждому ОПО.

21. Копия свидетельства об аттестации НАСФ (табель технического оснащения)

22. Копия свидетельства об аттестации ПАСФ. Договор на обслуживание (табель технического оснащения)

Кузнецова А.С., Купцов А.И., Гимранов Ф.М. «Использование нейросетевой модели для прогнозирования последствий аварийного истечения газов в режиме реального времени». — «Вестник технологического университета», №10. — 2019, с. 123-126

Особую опасность представляют объекты, на которых обращаются взрывоопасные газы. Опасность таких объектов связана с возможной разгерметизацией и последующим выбросом газа. В следствие чего, может происходить образование взрывоопасных и/или токсичных газовоздушных облаков, способных перемещаться под действием ветра на значительные расстояния. Наиболее опасными являются «тяжелые газы», плотность которых более 0,8 по отношению к плотности воздуха. Они прижимаются к поверхности земли и медленно рассеиваются в атмосфере, поэтому появляется большая вероятность воспламенения.

В работе
[1] численная модель верифицирована на экспериментальных исследованиях на
острове Торни. Проведенная верификация позволила использовать численную модель
для моделирования разрушения газгольдера с пропан-бутановой смесью с учетом
промышленной застройки. В первом приближении застройка состояла в виде
препятствия кубической формы. При этом расчетная область (размер 150м*100м*40м)
разбивалась на 313722 ячейки. В процессе моделирования газгольдер мгновенно
освобождался (разрушался). Застройка (кубическое препятствие) располагалась на
расстоянии 50 м по направлению ветра от места выброса. Расчетные концентрации
газа вычислялись на различных высотах в 27-ми точках: на передней, задней,
верхней и боковых поверхностях здания, а также на расстоянии 5-ти метров от
каждой из соответствующих сторон. Нестационарный расчет проводился при
различных стратификациях атмосферы, и под влиянием различных скоростей ветра (1
м/с, 2,5 м/с и 5 м/с).

Целью
данной работы являлась разработка архитектуры искусственной нейронной сети
(ИНС) и ее верификация на базе полученных данных работы [1] для последующего
использования возможности модели ИНС в практической деятельности. Проведено
сравнение концентраций на 35 секунде выброса пропан-бутановой смеси при
разрушении резервуара, полученных в результате численного моделирования [1], с
данными, полученными с помощью ИНС.

В
ходе исследований подобрана архитектура нейронной сети наиболее точная по
сравнению с другими рассматриваемыми. Ее параметры: два скрытых слоя с 15 и 9
нейронами соответственно, параметр сигмоиды равен 1, параметр скорости обучения
равен 0,1. Вычисления по подобранной модели нейронной сети не превышают пяти
минут, в отличие от численного моделирования, где исследования могут вестись до
несколько суток.

Показана
возможность и эффективность использования нейросетевых моделей, обученных на
данных численного моделирования выброса «тяжелого газа». Подобные исследования
можно проводить на различных расстояниях, с учетом различных параметров, таких
как, например: устойчивость атмосферы, ветер, геометрические размеры застройки,
шероховатость и продолжительность выброса.

Получение
результаты с небольшим отклонением возможно использовать для оценки в режиме
реального времени диспетчерскими службами промышленных предприятий или органов
МЧС при решении различных промышленных задач. 

1. Ортина М.Н., Купцов А.И., Гимранов Ф.М. «Математическое моделирование рассеивание облаков тяжелых газов в условиях промышленной застройки:
влияние метеоусловий».
— «Вестник технологического университета», №10 — 2017, с. 115-118