Časopis výzkumu a aplikací v profesionální bezpečnosti

Časopis výzkumu a aplikací v profesionální bezpečnosti Journal of Safety Research and Applications JOSRA Číslo: 4/2008

OBSAH ČÍSLA 1. Recenzovaná část... 3 1.1. SPOLEHLIVOST A BEZPEČNOST V SYSTÉMECH ČLOVĚK STROJ... 3 1.2. OVĚŘENÍ MODELU ŠÍŘENÍ PROJEVŮ A ÚČINKŮ OHROŽJÍCÍCH UDÁLOSTÍ PROJEKT SPREAD ČÁST 2: Realizace terénních testů... 13 1.3. PROCES KOMPLEXNÍHO POSOUZENÍ RIZIK V KONTEXTU INTEGRACE SYSTÉMŮ MANAGAMENTU... 27 1.4. ROLE INTEGROVANÝCH INFORMAČNÍCH SYSTÉMŮ V BOZP... 41 2. Nerecenzovaná Část... 48 2.1. VYUŽITÍ ZNALOSTNÍCH SYSTÉMŮ V BOZP... 48 2.2. MEZINÁRODNÍ KONFERENCE AAAR 27TH ANNUAL CONFERENCE... 51 2

1. RECENZOVANÁ ČÁST 1.1. SPOLEHLIVOST A BEZPEČNOST V SYSTÉMECH ČLOVĚK STROJ RELIABILITY AND SAFETY IN MAN-MACHINE-SYSTEMS Ing. Marie Havlíková 1 1 FEKT VUT v Brně, Ústav automatizace a měřicí techniky, havlika@feec.vutbr.cz Abstrakt Hodnocení spolehlivosti a udávané spolehlivostní parametry se týkaly až do počátku 90tých let výhradně technického zařízení nebo konkrétního přístroje a nebylo kvantitativně vyhodnocováno ovlivnění spolehlivosti systému člověkem, který ho obsluhuje nebo řídí. V současné době je patrná snaha vědeckých týmů na celém světě sledovat a vyhodnocovat vlastní příčiny selhání a rozlišit tak, do jaké míry se člověk svoji činností podílel na vzniku poruchy. Ukázalo se, že je však nesmírně obtížné vypracovat univerzální hodnotící postupy vzhledem k velmi odlišným oblastem činností člověka s výrazně specifickými pracovními postupy, které nelze unifikovat nebo slučovat a přiřazovat jim tak stejné tabelované hodnoty. Klíčová slova: systém člověk stroj, spolehlivost, bezpečnost systémů s lidským operátorem, lidský činitel, priorita rozhodování v systémech MMS, výměna informací a komunikace v systémech MMS, činnosti člověka v systémech MMS Abstract Until the 90 s, the reliability classification and determinated reliability parameters are exclusively concerned in a technical device or a specific instrument. The human managed and operated system interference of reliability was not quantitatively analyzed. Currently there is a science team dispositions over the world to monitor and analyze own causes of fails and to determine how the human with own activities affects the fault occurrence. It turned out that it is very difficult to elaborate universal evaluative procedure with regard to very distinct human activity spheres with markedly specific techniques to be impossible to unify or unite assigning to that identical table values. Key words: man machine systems, reliability, human operated system safety, human factor, decision priority in MMS systems, information interaction and communication in MMS systems, human activities in MMS systems Úvod Z historického vývoje bylo prokázáno, že bezpečnost a spolehlivost technických systémů může být rozhodující měrou ovlivněna jednáním lidí při řízení, regulaci nebo obsluze technických procesů a zařízení. Pro obsáhlou a úplnou bezpečnostní analýzu systému MMS je důležité analyzovat jak technické komponenty systému, tak i činnosti člověka v daném systému. Je nezbytné vycházet ze sledování systému jako celku, analyzovat i činnosti člověka 3

a uvažovat o tom, jak lidský faktor ovlivňuje hodnocené technické parametry. Situace je blokově znázorněna na obrázku 1. Vstupy Člověk Stroj Výstupy Výkonové parametry Spolehlivost lidského činitele Spolehlivost technických složek Obrázek 1: Lidská a technická spolehlivost v systému MMS [3] Spolehlivost člověka v systému MMS je nutno vidět v souvislosti s technickým systémem Chyba! Nenalezen zdroj odkazů.. Mezi spolehlivostí technických subjektů a spolehlivostí lidského subjektu jsou základní rozdíly především ve: způsobu zpracování informací, způsobu dosažení cíle. Člověk zapojuje pro dosažení cíle nebo splnění úlohy aktivně svoje vědomí a vede své chování vždy cíleně. Na základě analýzy skutečného stavu může zvolit i jiné prostředky nebo postupy, než které mu byly předepsány či doporučeny. Pravděpodobnost chybného provedení konkrétní úlohy člověkem může být vysoká, ale přesto nemusí být snížena spolehlivost celého systému. Člověk má schopnost svoje jednání neustále kontrolovat a modifikovat, chybné kroky v jednání dokáže korigovat dříve, než dojde k negativnímu zapůsobení na systém. V literárních zdrojích [2], [3] se objevuje definice spolehlivosti lidského činitele nejčastěji jako: schopnost lidí provést úlohu v daných podmínkách a v daném časovém intervalu v akceptovatelném rozsahu, způsobilost lidí v pracovním systému, přinášet do pracovního procesu vhodnou kvalifikaci a odpovídající fyzické a psychické výkonové předpoklady a tyto nechat účinně působit tak, aby dané sestavy úloh ve specifických podmínkách a v daném časovém prostoru mohly být provedeny v souladu s technickými, hospodářskými, humánními a ekologickými kritérii. V definici termínu spolehlivost lidského činitele se vychází z lidského práva na chybu. Lidské chyby lze definovat jako poruchy v prováděné činnosti. Člověk si chyby může a nemusí uvědomovat. Podle způsobu realizace jde o chyby způsobené buď nevědomou nepozorností, omylem z neznalosti nebo vědomým omylem. Příčiny lidského selhání mohou spočívat v chybném příjmu informace, chybném zpracování nebo nesprávné interpretaci informace. Spolehlivost technické složky Neexistuje jednotná a exaktní definice spolehlivosti. Podle spolehlivostních norem [16], [17] je spolehlivost chápána jako obecná vlastnost objektu spočívající v plnění požadované funkce při zachování hodnot stanovených provozních ukazatelů v daných mezích a v čase podle technických podmínek. Z pohledu čistě matematického je spolehlivost chápána jako pravděpodobnost, že činnost zařízení bude během určené doby a v daných provozních 4

podmínkách přiměřená účelu zařízení. V současné době se uznává komplexnější pojetí a spolehlivostí se rozumí soubor jistých vlastností výrobku, které zaručují splnění požadavků kladených na jeho řádnou činnost za daných pracovních podmínek. Jde zejména o provoz bez poruch, opravitelnost, udržovatelnost, skladovatelnost a další. Pravděpodobnost poruchy Q(t) Q( t) = P( τ t) = f ( t)dt Hustota pravděpodobnosti poruchy f(t) ( t) t 0 ( ) f dq t = dt R t = 1 Q t λ t f ( t) f ( t) = = R t 1 Q t Pravděpodobnost bezporuchového provozu R(t) ( ) ( ) Intenzita poruch λ(t) ( ) Střední doba bezporuchového provozu pro neobnovované výrobky T S (během této doby nenastane žádná porucha Střední doba mezi poruchami u obnovovaných výrobků T S u obnovovaných výrobků s kumulovanou dobou provozu t p pro n vadných výrobků Okamžitý součinitel pohotovosti K P pravděpodobnost provozuschopného stavu (kumulativní doba provozu t p, kumulativní doba opravy t o Střední doba opravy T O pro n poruch Střední frekvence oprav µ Součinitel prostoje K n Součinitel technického využití K tv s plánovanou dobou údržby t u Tabulka 1: Spolehlivostní ukazatele technických systémů ( ) T s = R 0 t p TS =, n K n K K P T = t O = µ = TS = T + tv S = t p ( t)dt ( ) 1 T S = λ ( t) p t t p + t O n 1 T O T 0 t + t O µ = µ + λ Kvantitativní určení a stanovení bezpečnosti a pohotovosti technických systémů se provádí pomocí pravděpodobnostní analýzy bezpečnosti PSA (Probabilistic Safety Analysis). Vzhledem k tématickému zaměření článku na spolehlivost lidského činitele je uveden v tabulce 1. pouze základní přehled nejdůležitějších kvantitativních parametrů pro výpočet spolehlivostních ukazatelů technických zařízení. Spolehlivost lidského činitele Všechny živé bytosti patří do pravděpodobnostních systémů, jejich chování je předvídáno s určitou pravděpodobností podle předchozího stavu. Je zřejmé, že nejsložitějším živým systémem je člověk se svým mozkem a vědomím. Termín spolehlivost lidského činitele [3] je definován jako pravděpodobnost, že osoba korektně vykoná konkrétní systémem vyžádané aktivity během dané časové periody bez použití extrémních činností, které by vedly k degradaci systému. p 0 + t u 5

Metody zabývající se analýzou spolehlivosti lidského činitele vznikaly na základě potřeby popsat nekorektní lidské aktivity v systému MMS v kontextu pravděpodobnostního odhadu rizika PRA (Probabilistic Risk Assessment) a pravděpodobnostní analýzy bezpečnosti PSA (Probabilistic Safety Assessment). Jsou tudíž založeny na stejných matematických postupech, jaké se používají pro všeobecné spolehlivostní analýzy technických zařízení. Hlavní metody byly vyvinuty v polovině 80tých let jako následek obavy z neštěstí v roce 1979 v jaderné elektrárně Three Mile Island. V současné době jsou souborné analýzy a hodnocení lidského subjektu HRA (Human Reliability Assessment) v systémech MMS postaveny na detailním rozvržení funkcí, úkolů a zdrojů mezi člověkem a strojem. Cílem je identifikovat typy chybných činností člověka a kvantifikovat pravděpodobnost vykonání chybné operace. Oblasti zájmů Zájem analyzovat spolehlivost lidského činitele nastal zejména s rozvojem nukleárních aplikací. Bylo vysledováno, že 50 70% nahlášených chyb a závad na pracovních operačních systémech je způsobeno lidským činitelem. Od poloviny 80tých let byly metody a nástroje HRA transformovány přeneseny do vojenských a zbrojních systémů. V oblasti automatizace a řídící techniky se stal hlavním a klíčovým pravidlem či směrnicí konstrukce nebo vytváření takových systémů, které by byly nejen konkurence schopné a ekonomicky zajímavé ale především byly dokonalé po stránce kvality. Systém řízení jakosti stanovuje cíle a dosažení cílů se standardním postupem děje prostřednictvím technických a ekonomických potřeb. Hodnocení rizika a bezpečnosti jsou v současné době hlavními ukazateli nebo indikátory pro návrh či plánování provozu systému a musí umožňovat splnění požadavků, reprezentovat a zahrnovat všechny nejnovější aspekty nových technologií. Indexy rizika nebezpečí a bezpečnosti všeobecně souvisí a jsou spojovány se spolehlivostní funkcí systému. Až do současnosti vědci soustřeďovali svoji pozornost výhradně na odhad spolehlivosti technologických systémů. V důsledku vypracování nových fyzikálních technologií a vytváření velmi složitých, komplikovaných a propracovaných modelů schopných simulovat dané systémy byly rozšířeny o nové poruchové a zranitelné systémové stavy. Vědecká komunita se shodla na tom, že příčiny poruch a následně i nehod primárně souvisí s aspekty, jejichž původ je fyzikální nebo lidský. Na základě tohoto přístupu se rozlišují základní skupiny příčin nehod, jako jsou pracovní stres, pracovní prostředí a lidské jednání. Chyba! Nenalezen zdroj odkazů., [2], Chyba! Nenalezen zdroj odkazů.. Zájem o lidský subjekt a jeho působení v systémech souvisí a je v souladu rovněž s vývojem nových informačních technologií, které určují a přiřazují člověku nové podmínky, působení a vzájemnou interakci mezi člověkem a strojem. Z analýzy literárních pramenů jako např. [7], [8] je evidentní, že právě vzájemné interakce mezi člověkem a strojem jsou všeobecně a vcelku zanedbávány. A až v současné době, kdy existují analýzy a metody HRA používané v řídících provozech jaderných elektráren, ve vojenských aplikacích a v leteckém průmyslu, byly objeveny významné nedostatky v přístupech a získávání spolehlivostních údajů. Příčinou těchto nedostatků je právě lidský element, který nebyl důsledně zahrnut do vývoje spolehlivostních postupů [9],[10],[11]. Nutnost hodnocení a kvantifikace Kvalita technického zařízení či výrobku je vyhodnocována spolehlivostními ukazateli a metodické postupy hodnocení spolehlivosti jsou dokonale propracovány. V systémech MMS je přítomen spolu s technickým zařízením i člověk a tedy je nutno jeho působení hodnotit a kvantifikovat tak, aby bylo možno určovat celkové spolehlivostní parametry systému. 6

Spolehlivost lidského činitele je aplikována hlavně v kontextu s hodnocením rizika u potencionálně nebezpečných systémů jako je provoz jaderných elektráren, chemických závodů, provoz hromadných dopravních prostředků, řízení letového provozu, příprava nebo řízení kosmických letů. Mnoho podrobných informací lze nalézt v publikacích autorů [12], [13], [15]. Kvantitativní hodnocení lidského chování a jednání v systémech MMS se stalo jedním z vědeckých aspektů a nedílnou součástí celkové bezpečnostní analýzy PSA systému Chyba! Nenalezen zdroj odkazů., [10]. Pravděpodobnostní odhad lidské spolehlivosti HRA dává zejména informace o: velikosti bezpečnosti a pohotovosti technického systému se zřetelem na lidské zásahy, rozsahu a velikosti lidských chyb v porovnání s technickými chybami, jakou mírou se na zvýšení spolehlivosti nebo pohotovosti systému podílí technické vybavení nebo lidská obsluha systému, možnostech, které vedou ke výšení spolehlivosti a bezpečnosti systému MMS, jaké zásahy prováděné člověkem se mají zlepšit, aby bylo dosaženo zvýšené spolehlivosti a pohotovosti daného systému s lidskou obsluhou, jaký vliv na lidskou spolehlivost mají systémové změny, ergonomický vzhled pracoviště (tvar, forma), úroveň a složitost technické dokumentace nebo změny v oblasti organizace práce. Obrázek 2: Skupiny faktorů ovlivňujících lidskou spolehlivost [3] Je známo, že jak na technický systém, tak i na člověka působí skupiny faktorů ovlivňujících výkon a majících za následek degradaci jeho schopností vykonávat požadovanou činnost [3]. Tyto faktory jsou znázorněny na obrázku 2. Při vzájemné interakci člověka a technického zařízení je důležité z hlediska celkové bezpečnosti hodnotit spolehlivostní aspekty obou částí systému. K tomu je zapotřebí velmi 7

dobře monitorovat celý systém včetně lidského chování v něm a na základě analýzy činností vytvořit hodnotící kritéria pro poruchové stavy. Metody HRA kladou důraz na hodnocení rizika a jeho minimalizaci, a proto musí být validní, tedy musí umožňovat správný odhad velikosti rizika. Toho je dosaženo testovacími a metodickými postupy, jejichž výsledkem jsou validace rizika. Nejčastěji jsou nekorektní lidské činnosti, chyby, omyly nebo nehody reprezentovány stromem událostí, viz obrázek 3, kde uzly A - D představují konkrétní událost, činnost nebo lidskou aktivitu, která má vždy dva rozdílné výsledky: úspěch nebo chybu. Zcela analogicky může uzel stromu událostí také reprezentovat funkci technického systému, určitou komponentu systému nebo interakci mezi operátorem a systémem. Tímto způsobem lze v systému MMS analyzovat a popisovat jak elementární lidské činnosti, tak komponenty technického systému a také jejich vzájemnou interakci Chyba! Nenalezen zdroj odkazů.. úspěch A B úspěch chyba C D úspěch chyba úspěch chyba Cíl dosažen Cíl nedosažen Cíl dosažen Cíl nedosažen chyba Cíl nedosažen Obrázek 3: Strom událostí [7] Z pohledu metod PRA/PSA je potřeba vyhodnotit, zdali je pravděpodobné, že událost v systému MMS bude úspěšná nebo chybná. Cílem postupu je určit, s jakou pravděpodobností specifický očekávaný výsledek nebo konečný stav nastane. Pokud uzel představuje funkci, mechanický nebo elektrický díl systému, pravděpodobnost chyby může být v principu vypočítána pouze za pomoci inženýrských znalostí. Pokud uzel představuje interakci mezi operátorem a systémem, zařízením či procesem, inženýrské znalosti musí být doplněny o výpočet pravděpodobnosti, že i člověk může chybovat. V tomto případě je nutné aplikovat některou z metod pro analýzu lidské spolehlivosti HRA, která umožní výpočet pravděpodobnosti lidské chyby HEP (Human Error Probability) [10]. Taxonomie lidských chyb Klasifikace lidských chyb jsou vytvořeny tak, aby ukazovaly podstatu, přibližovaly chápání a znalosti kognitivních procesů, při kterých dochází k lidským chybám. Diagnostika lidských chyb je založena na poznání lidského chování při sledovaných činnostech. V literárních pramenech lze nalézt velké množství modelů lidského subjektu a jeho projevů, které mají společný cíl a to umožnit hodnocení lidských aktivit v systémech MMS Chyba! Nenalezen zdroj odkazů.,[5],[8],[15]. Souhrnně tyto modely vycházejí ze: souborů činností, které jsou důležité zejména pro modely vycházející a využívající jako primární organizační strukturu sekvence lidských činností v systémech MMS, poznání chování člověka v systémech MMS, tím jsou charakteristické kognitivní modely jejichž úkolem je simulace mechanismů lidského chování tak, aby nejen popsaly, ale zejména zvýraznily a zdůvodnily chování člověka, 8

souborů představ, které jsou implementovány do programů a pomocí počítačových algoritmů umožňují simulace procesů lidského myšlení. Lidské chyby jsou identifikovány a odhadovány nejčastěji na základě analýzy dotazů nebo provádění speciálních pokusů v analyzovaném systému, v laboratořích a při simulacích reálného systému. Tabulka 2 udává přehled hodnot pravděpodobnosti lidských chyb při některých pracovních úlohách v závislosti na kognitivním zatížení člověka, které je častým zdrojem selhání lidského operátora [16]. Jelikož je pravděpodobnost vzniku lidské chyby závislá na konkrétním systému MMS, je potřeba níže uvedené hodnoty vnímat jako orientační. Popis úlohy v závislosti na aktuální náročnosti a kognitivním zatížení člověka Jednoduché a často prováděné úlohy v obvyklých situacích při zanedbatelném stresu a dostatku času na provedení úlohy (žádné přídavné rušivé vlivy, dobrá zpětná hlášení. Komplexní a často prováděné úlohy v obvyklých situacích při zanedbatelném stresu a dostatku času, při provádění úlohy je nutná určitá pečlivost Komplexní a pravidelně prováděné úlohy v neobvyklých situacích (např. vychylující nebo rušivé vlivy, nedostatečná zpětná hlášení) při vysokém stresu nebo nedostatku času. Komplexní a málo často prováděné úlohy v neobvyklých situacích (např. vychylující nebo rušivé vlivy, nedostatečná hlášení) při vysokém stresu nebo nedostatku času. Vysoce komplexní nebo velmi zřídka prováděné úlohy v neobvyklých situacích (např. vychylující nebo silně rušivé vlivy) při vysokém stresu nebo nedostatku času. Tabulka 2: Pravděpodobnosti lidských chyb v úlohách při různém kognitivním zatížení [16]. Úrovně uvědomění chyb Pravděpodobnost chyby 1.10 1.10 až 1.10 3.10 3 2 1 1 0 1.10 Chyby lidského operátora mají svoji podstatu a vycházejí ze situačního uvědomění Chyba! Nenalezen zdroj odkazů., [14]. Při hodnocení lidské spolehlivosti v systémech MMS se proto vychází ze znalostí základní taxonomie chyb podle situačního uvědomění, která rozlišuje tyto následující úrovně chyb [5]: Úroveň 1 vnímání elementů v okolí jako první krok v dosažení situačního uvědomění se vyžaduje vnímání stavu, symbolu, dynamiky důležitých elementů v okolí. Lidský operátor potřebuje přesně vnímat informace o svém stroji a jeho podsystémech. Stejně tak důležité je vnímání informací z okolního prostředí jako je stav aktuálních povětrnostních podmínek, komunikace a povely pro řízení letu. Úroveň 2 schopnost porozumění aktuální situace, je založena na sloučení dílčích informací z úrovně 1 a na základě toho pak dochází k uvědomování souvislostí a spolu s předcházejícími znalostmi se vytváří poznání aktuální situace v celkovém kontextu, což je předpokladem pro dosažení konečného cíle. Operátor sestavuje množinu vzorů, ze kterých vychází při hodnocení vstupních dat a určuje dopad změn. Úroveň 3 odhad a předpověď budoucího stavu, je schopnost představit si budoucí kroky a stavy okolí. Tato úroveň představuje nejvyšší úroveň situačního uvědomění, kdy operátor dosáhl takové znalosti stavu a dynamiky dílčích elementů systému, že má schopnost nejen porozumět aktuální situaci (úroveň 1, úroveň 2), ale také dokáže určit budoucí vývoj. Tuto schopnost operátor získá výcvikem a zkušenostmi. 9

Nejčastěji se vyskytující lidské chyby mající svůj původ v chybném vyhodnocení situace jsou uvedeny v tabulce 3. Typ chyby Úroveň 1 Popis chyby Chybné vjemy Data nejsou k dispozici Chybí informační zdroj Data se těžko rozpoznávají nebo detekují Neadekvátní osvětlení přistávací dráhy, málo značek na přistávací dráze, hluk v kokpitu Výpadek kontroly nebo sledování dat Nesprávné vnímání interpretace dat Ztráta paměti Špatný výhled Data jsou dostupná, ale nedají se prohlížet v důsledku vynechávek, snížení pozornosti, rozptýlení pozornosti v důsledku konání více činností, velké pracovní vypětí Data jsou nesprávně vnímána v důsledku ovlivnění prioritního očekávání nebo v důsledku rozptýlení Zapomenutí informace důsledkem rušení v běžné praxi nebo důsledkem vysokého pracovního vytížení Úroveň 2 Chybné začlenění nebo pochopení informace Chybný mentální model Chybný mentální (vnitřní) model není schopný kombinovat informace pro dosažení cíle. Především ve spojení s automatickým modelem Použití nesprávného vnitřního modelu Vnitřní model chování systému vede k nekorektnímu vyhodnocení situace Úroveň 3 Chybný mentální model Špatný odhad trendu aktuálního stavu Chyby v plánování budoucích stavů Mentální model neodpovídá skutečnosti Aktuální stav je promítnut do budoucna ale nesprávně Tabulka 3: Taxonomie lidských chyb z pohledu uvědomování situace [14] Lidské činnosti a spolehlivost systému MMS Spolehlivost systému je funkcí všech jeho komponent, které definují jednotlivé a specifické systémové operace. U složitých systémů, je nutné uvažovat stránky a aspekty, které s sebou přináší informační technologie a lidské interakce v systému. U mnoha systémů dochází k vzájemné interakci mezi člověkem a strojem. Jedním z nejdůležitějších příspěvků k pravděpodobnosti poruchy je událost způsobená člověkem [6]. Lidské činy mají na systém různé účinky [7]. Obrázek 4 znázorňuje interakce v systému člověk stroj, je nezbytné uvažovat a zdůraznit následující: Lidské činy mohou měnit spolehlivostní aspekty všech jeho komponent nebo subsystémů S i, do kterých je systém MMS rozdělen. Lidské selhání nebo chyba může pozměňovat a ovlivňovat tak elementární funkční operace. Pro vyhodnocování dílčích intenzit poruch λ i jednotlivých komponent systému S i a při respektování vlivu 10

i hi λi0 okolních podmínek na danou komponentu včetně lidského vlivu, je nutno zavést faktor h i, viz vztah (1), kde λ i0 představuje vlastní intenzitu poruch komponenty S i systému. λ = (1) Subsystém S 1 (λ 1) Subsystém S 2 (λ 2) Subsystém S n (λ n) h 1 h 2 h n Člověk H Systém MMS Obrázek 4: Lidské činy a spolehlivost systému MMS [6] Člověk může být pokládán za autonomní subsystém H spolu s technologickým S m či informačním subsystémem S i v rámci celého systému MMS. Spolehlivost lidského činitele je funkcí nejen intenzity poruch lidského subjektu determinované sociálními a psychologickými faktory, ale také schopností, interpretovat informace dodávané ostatními technickými subsystémy S i. Na základě této skutečnosti může být spolehlivost R s systému MMS vyjádřena funkčním vztahem (2): R = f R, R, R ), kde (2) s R s ( m i h představuje spolehlivost systému MMS, R m je spolehlivost technologického neboli mechanického subsystému S m, R i je spolehlivost informačního softwarového subsystému S i, R h Závěr představuje účinky člověka v systému MMS a jeho vliv na spolehlivost systému. Cílem predikce a hodnocení spolehlivosti lidského činitele je nejen zvyšování pohotovosti technických systémů, ale zejména dosažení vysokého stupně bezpečnosti v systémech MMS, snižování rizika havárií, odhalování možných potenciálních selhání lidí a zejména ochrana zdraví a života. Metodické postupy se neustále zdokonalují a tím se kvantifikace spolehlivostních parametrů přibližuje skutečnosti. Snahou je zejména vytvořit věrné modely lidských činností pro nejvyšší vědomostní kognitivní úroveň a tím zajistit úplný popis analyzovaného systému MMS. Člověk ve většině systémů MMS zaujímá vedoucí nebo přímo řídící roli a tím určuje úroveň bezpečnosti systému. Je dobře známo, že selhání lidského činitele způsobuje až 80 % nestandardních stavů a proto je člověk z hlediska spolehlivosti právem považován za nejslabší článek v systému. Z tohoto důvodu je velmi žádoucí analyzovat chování člověka v systémech MMS a detekovat vlivy, které snižují jeho schopnosti plnit bezchybně požadované činnosti. K tomuto účelu lze využít kvantitativní hodnocení PSA nebo PRA založené na výpočtu pravděpodobnosti vzniku konkrétních lidských chyb. Nedílnou součástí tohoto hodnocení by 11

ale mělo také být posouzení faktorů ovlivňujících lidskou spolehlivost, protože právě jejich působením může k selhání lidského činitele docházet. Použitá literatura [1] CARD, S.; MORAN, T.; NEWWLL, A. The Psychology of Human-Computer Interaction. Erlbaum : Hillsdale, 1983. [2] OLSON, J. R.; OLSON, G. M. The growth of cognitive modeling in human computer interaction since GOMS. Human Computer Interaction, 1991, no 6, pp.21-30. [3] BARTSCH, H. Vorlesungsmaterial. Cottbus : BTU Cottbus, 2001. [4] RASMUSSEN, J. Information Processing and Human-machine Interaction : an Approach to Cognitive Engineering. New York : North-Holland, 1985. [5] REASON, J. Human Error. Cambridge : Cambridge University Press, 1990. [6] CHIODO, E.; PAGANO, M. Human reliability analyze bay random hazard rate approach., The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, 2004, vol. 23, no. 1, pp. 66-78. [7] HIDEKAVA YOSHIKAVA; WEI WU. An experimental study on estimating human error probability. Ergonomics, 1999, vol. 42, no. 11. ISSN 0014-0139. [8] CHIODO, E.; GAGLIARDI, F.; PAGONO, M. Human reliability analyses by random hazard rate approach. IJCMEEE, 2004, vol.23, no 1, ISSN 0332-1649. [9] STRÄTER, O. Investigations on the Influence of Situational Conditions on Human Reliability in Technical Systems. In Proceedings of the 13th Triennial Congress of the International Ergonomics Association. Tampere, 1997. [10] ZIMOLONG, B. Fehler und Zuverlässigkeit. Göttingen : Verlag für Psychologie, 1990. In: C. F. Graumann et al. (Hg.), Enzyklopädie der Psychologie, Themenbereich D, Serie III, Bd. 2. [11] HOLLNAGEL, E. Cognitive Reliability and Error Analysis Method - CREAM. New York : Elsevier, 1998. ISBN 0-08-042848-7. [12] SWAIN, A. D., GUTTMANM. E. Handbook of Human Reliability Analysis with Emphasis on Nuclear Power Plant Applications : NUREGKR-1275. Washington : US Nuclear Regulatory Commission, 222, 1983. [13] SWAIN, A. D. Comparative Evaluation of Methods for Human Reliability Analysis. Köln und Garching : Gesellschaft für Reaktorsicherheit, 1989. [14] LEIDEN, K.: LAUGHERY, K.R. A Review of Human Performance Models for thy Prediction of Human Error, Ames Research Center Moffett Field, CA 94035-1000, 2001. [15] EMBREY, D. E.; HUMPHREYS, P.; ROSA, E. A.; KIRWAN, K. An Approach to Assessing Human Error Probabilities Using Structured Expert Judgment. Washington DC, 1984. Vol. I: Overview of SLIM-MAUD, Vol. II: Detailed Analyses of the Technical Issues, NUREG/CR-3518. [16] VDI 4006 Blatt 2. Menschliche Zuverlässigkeit. 1998. [17] VDI 4004 Blatt 1 (1986), Zuverlässigkeitskenngrößen, Übersicht. 12

1.2. OVĚŘENÍ MODELU ŠÍŘENÍ PROJEVŮ A ÚČINKŮ OHROŽJÍCÍCH UDÁLOSTÍ PROJEKT SPREAD ČÁST 2: REALIZACE TERÉNNÍCH TESTŮ VERIFICATION OF THE SPREAD MODEL OF LIFE- ENDANGERING EVENTS EFFECTS AND IMPACTS SPREAD PROJECT: PART 3: EVALUATION OF THE MEASURED DATA AND RESULT INTERPRETATION Michaela Havlová 1, Petr Skřehot 2 1 T SOFT spol. s r.o., havlova@tsoft.cz 2 Výzkumný ústav bezpečnosti práce, v.v.i., skrehot@vubp-praha.cz Abstrakt Tento článek navazuje na předchozí dva díly publikace zaměřené na prezentaci výzkumného projektu č. 1H-PK2/35 Ověření modelu šíření ohrožujících událostí SPREAD a celé téma završuje rekapitulací získaných výsledků. Pro připomenutí, první díl byl zaměřen na popis přípravy terénních testů, výběr lokality, vhodných termínů a dalších náležitostí důležitých pro provádění vlastních testů. V druhém díle pak byly popsány postupy a materiálně-technické zajištění testů, průběh jejich provádění a také způsobu organizace práce v terénu. Tento, v pořadí již třetí a závěrečný díl, se pak snaží prezentovat způsob vyhodnocení získaných experimentálních dat a předkládá jejich interpretaci, tolik důležitou pro ověření modelu rozptylu oblaku aerosolu vzniklého výbuchem. Klíčová slova: aerosoly, modelování, rozptyl, terénní testy, atmosféra Abstract The article follows up the previous two sections in the publication presenting the results of the research project No. 1H-PK2/35 Ověření modelu šíření ohrožujících událostí SPREAD, this subject tops recapitulation of the results obtained. To remind, the first part was focused on preparation of field tests, location selection, suitable dates and other items pertinent to the test run. The second part was dedicated to the proceedings and material and technical support of the tests, their run and field work organisation. The third and final part of the publication aims to present the way of evaluation of the selected experiment data and their interpretation which is an essential step for verification of dispersion model of an aerosol cloud being subject to explosion. Keywords: aerosols, modelling, dispersion, field tests, atmosphere Úvod Experimenty prováděné v reálných podmínkách i měřítku lze bezesporu považovat ze nejzajímavější část každého výzkumného projektu. Vyhodnocování získaných dat a jejich 13

následná interpretace je ale pro úspěšné řešení vždy naprosto klíčová. Proto je této fázi nutné věnovat značnou pozornost a dokonale se na ni připravit. Hlavní důraz by měl být kladen na výběr a správné použití metod, které umožní získaná hrubá data vhodným způsobem zpracovat. Snahou řešitelů je získat jednoznačné a srozumitelné výsledky využitelné dále v praxi, což však nemusí být tak snadné. Ze zkušeností víme, že během téměř každého výzkumu se obvykle vyskytnou neočekávané těžkosti, zejména pak tehdy, pokud danou problematiku doposud nikdo po praktické stránce neřešil a není tedy možné se opřít o zkušenosti druhých. Proto je nutné umět vhodně improvizovat, ale zároveň využít takových postupů, které jsou ve shodě s jinými, obecně uznávanými přístupy a znalostmi, protože každý výsledek musí být vždy reprodukovatelný a obhajitelný. Vzhledem k tomu, že terénní testy, jejichž cílem bylo prostudovat průběh rozptylu oblaků aerosolu a určit dosahy referenčních koncentrací aerosolu, probíhaly ve třech sériích a na poměrně velké ploše, kterou bylo letiště v Ústí nad Labem, bylo získáno velké množství experimentálních dat. Jejich vyhodnocování proto bylo nutné provádět několika různými metodami a postupy, z nichž některé byly spojeny s doplňujícími laboratorními experimenty. Výsledky, které se však níže popsaným způsobem podařilo získat, budou dále využity nejen pro validaci matematického aparátu rozptylového modelu, ale také významným způsobem pomohly rozšířit obecné znalosti o rozptylu oblaků aerosolu emitovaných z jednorázových zdrojů směrem do reálné atmosféry. Vyhodnocení prováděných testů Určení fáze rozptylu oblaku Jak již bylo uvedeno v předchozím díle, součástí terénních testů bylo také vizuální sledování rozptylu oblaku. Účelem bylo popsat chování oblaku po výbuchu, tj. jeho růst a následný rozptyl a určit základní fáze rozptylu. Tyto skutečnosti totiž podle dostupných zdrojů doposud nebyly řešeny, na rozdíl například od rozptylu oblaků z kontinuálních zdrojů. Získané výsledky významnou měrou pomohly zpřesnit navržený model, pro jehož vývoj bylo nutné znát velikost tzv. objemového zdroje jednorázové emise aerosolu. Tento objemový zdroj představuje oblak, který již dále neroste na základě impulzu uděleného jednotlivým částicím při samotném výbuchu. Kromě toho, načerpané poznatky také posloužily pro kvalitativní popis možného ohrožení osob po výbuchu špinavé bomby, neboť znalost chování takto vzniklého oblaku v čase je nezbytnou podmínkou pro definování efektivních způsobů ukrytí nebo evakuace. Tvar oblaku bylo možné popsat po důkladné analýze videozáznamů, pro odhad jejich rozměrů však bylo potřeba použít matematického výpočtu. Kromě sítě vyrobené z reflexních motouzů umístěné před jednu z videokamer, byly pro výpočet využity také čtyřmetrové tyče, které byly rozmístěny na hlavní linii detekční sítě. Na těchto tyčích byly v předem definovaných výškách umístěny fábory, které pro pozorování z dálky posloužily jako vertikální měřítko. Určení výšky oblaku pak bylo prováděno na základě rozboru videozáznamu pořízeného z kamery, před níž byla umístěna síť z motouzů, a z kamery, která snímala rozptyl oblaku z profilu, tj. kolmo na hlavní linii tyčí s detektory. Tímto způsobem se podařilo získat relevantní informace o rozvoji oblaku v čase. Pro svou složitost a časovou náročnost bylo stanovení výšky oblaku provedeno jen pro tzv. typické povětrnostní situace. Bylo totiž vypozorováno, že růst oblaku a jeho rozptyl je výrazně závislý na teplotní stabilitě atmosféry, takže lze přistoupit ke zjednodušení, které sestává z detailní analýzy jen vybraných testů provedených za různých podmínek: při stabilním až inverzním zvrstvení atmosféry (třída stability E, F), 14

při indiferentním zvrstvení (třída stability C) a při instabilním zvrstvení (třída stability (A, B). Ačkoli byly v roce 2007 prováděny celkem tři série terénních testů (duben, červen a září), optimální podmínky pro tato stanovení panovaly při dubnových testech, kdy se průběžně vyskytly všechny tři zmíněné stabilitní podmínky. To bylo výhodou, protože bylo možné použít stejného rozmístění měřící techniky a také výška pokosu trávníku byla při všech těchto testech stejná (koeficient drsnosti povrchu z 0 činil 0,45 cm). Stanovení rozptylových fází tak bylo maximálně objektivizováno. Určení třídy stability atmosféry podle vnějších podmínek bylo provedeno pomocí Pasquillovy typizace zkonfrontované s aktuálním měřením vybraných povětrnostních prvků a doplněné o konzultaci s přítomným meteorologem ČHMÚ. Podmínky pro vybrané testy shrnuje tabulka 2. Označení testu Datum/čas exploze DUBEN_3 25.4.2007 11:42:38 DUBEN_4 26.4.2007 8:00:15 DUBEN_6 26.4.2007 11:06:05 Rychlost větru ve 2 metrech Třída stability atmosféry Popis povětrnostní situace 2,5 m.s -1 C V noci ubývala oblačnost, zesláblo proudění a vytvořily se tak podmínky pro radiační prochlazování zemského povrchu a následný vznik radiační přízemní teplotní inverze. Po východu slunce se stala radiační a tepelná bilance zemského povrchu kladnou a původní přízemní inverze se transformovala na výškovou s postupně se zvyšující spodní hranicí. K zániku radiační teplotní inverze došlo v době mezi 9. a 10. hodinou dopoledne (časy jsou uvedeny v SELČ). Poté převládalo polojasné počasí, zpočátku s indiferentním, postupně s instabilním vertikálním teplotním zvrstvením. Proudění bylo v ranních hodinách v přízemní vrstvě jen slabé (do 2 m.s -1 ), s proměnlivým směrem určeným místními podmínkami. Po rozpuštění teplotní inverze převládalo jižní až jihovýchodní proudění s rychlostí 3 až 6 m.s -1. 0,5 m.s -1 E V noci se při malé oblačnosti a slabém proudění vytvořila nejprve 2 m.s -1 A přízemní radiační teplotní inverze, která se po východu slunce transformovala na výškovou se stoupající spodní hranicí. Po 10. 15

hodině už teplotní inverze zanikla a teplotní zvrstvení bylo instabilní. Proudění v přízemní vrstvě bylo v ranních hodinách jen slabé (do 2 m.s -1 ), s proměnlivým směrem daným místními podmínkami. Po rozpuštění inverze převládalo jihovýchodní proudění, rychlosti dosahovaly na stanicích v regionu hodnot mezi 3 až 7 m.s -1. Tabulka 2: Podmínky během testů série DUBEN vybraných pro stanovení rozptylových fází oblaku aerosolu Na základě provedené analýzy videozáznamů testů lze chování oblaku v čase obecně definovat následovně: Po výbuchu oblak nebyl vždy kompaktní a bylo možné pozorovat několik oblačných laloků způsobených patrně rozletem aglomerátů či fragmentů. Po cca 6 vteřinách se oblak již dále nerozšiřoval do prostoru vlivem počátečního impulsu a nejvyšší partie začaly klesat k zemi. Při klesavé fázi se oblak postupně rozšiřoval při zemi do stran a začal se pohybovat ve směru proudění větru. I přes to si ale hlavní část oblaku udržovala zpravidla tvar polokoule, ze které zespod jakoby vytékal materiál do stran. V případě, že panuje indiferentní nebo instabilní zvrstvení, začne vrcholová část oblaku po několika vteřinách vzlínat směrem vzhůru (čím instabilnější podmínky, tím je tato doba kratší). Tvar oblaku se tak začne rozšiřovat podél kužele, přičemž spodní partie oblaku se díky tření o povrch při svém pohybu opožďují oproti svrchním partiím. Dále se oblak nařeďoval vzduchem vstupujícím do něj turbulencí a rozptyluje se podle panujících povětrnostních podmínek. Test DUBEN_3: Již po první fázi se začal oblak rozšiřovat podél kužele, takže klesavá fáze se neuplatnila. Tuto skutečnost lze vysvětlit pouze tak, že se uplatnil vliv proudění (rychlost větru byla cca 2 m.s -1 ). Test DUBEN_4: U tohoto testu byla výrazná fáze poklesu. Opět panovalo téměř bezvětří, takže oblak byl více méně kompaktní. První fáze (fáze růstu oblaku, resp. fáze zastavení rozšiřování vlivem počátečního impulsu) trvala v tomto případě 11 sekund. Oblak se výrazněji rozšiřoval do stran, takže po 60 sekundách vytvořil jakýsi plochý koláč s neohraničenými horními partiemi. Největší množství materiálu v tomto útvaru bylo možno pozorovat do výšky cca 4 až 5 metrů. Rychlost postupu oblaku byla cca 0,5 m.s -1. Pozitivně vzlínat začal oblak až po 6,5 minutách, tj. ve vzdálenosti čela oblaku 160 metrů od epicentra. Test DUBEN_6: Po 5 vteřinách od okamžiku výbuchu přestal oblak růst vlivem počátečního impulsu a začal se rozptylovat ve směru proudění, kde se rozšiřoval podél kužele. Rychlost pohybu oblaku činila 1,5 až 2 m.s -1. Po 80 vteřinách od výbuchu se již začala uplatňovat konvekce, resp. oblak nabral výstupný proud, který jej zcela rozptýlil ve výšce (to nastalo cca ve vzdálenosti 150 metrů od epicentra). Níže uvedené obrázky 23 až 26 graficky shrnují výše uvedené poznatky. 16

Vývoj výšky oblaku v čase 90 80 70 výška oblaku (m) 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 čas (s) Test DUBEN_3 Test DUBEN_4 Test DUBEN_6 Obrázek 23: Vývoj výšky oblaků v čase při různých stabilitních podmínkách (modrá indiferentní teplotní zvrstvení, fialová stabilní teplotní zvrstvení, žlutá instabilní teplotní zvrstvení) Obrázek 24: Vizualizace vývoje tvaru a velikosti oblaku při testu DUBEN_3 v čase 17

Obrázek 25: Vizualizace vývoje tvaru a velikosti oblaku při testu DUBEN_4 v čase Obrázek 26: Vizualizace vývoje tvaru a velikosti oblaku při testu DUBEN_6 v čase Poznámka: Jelikož jsou tvary oblaků vyneseny do grafu s časovou osou, není v obrázcích zachován reálný poměr šířky oblaku ku výšce. Obrázky mají zachycovat především tvar oblaku, tak, jak byl vyexportován z videozáznamů, a dále výšku oblaku. V čase se oblaky vždy rozšiřovaly také v horizontálním směru, což níže uvedené obrázky nezahrnují. 18

Výše uvedená zjištění potvrzená i u dalších testů vedla ke zjištění, že při rozptylu oblaku se postupně uplatňují následující čtyři hlavní fáze: 1. Fáze počátečního růstu prvních cca 6 vteřin oblak roste, jednotlivé částice ztrácejí počáteční impuls získaný při výbuchu a oblak zaujímá tvar polokoule nebo tvar jemu podobný; 2. Fáze poklesu (sestupu) ty části oblaku, kde je koncentrace částic dostatečně velká (vyjma okrajových partií různých kupovitých laloků), začnou klesat k zemi. Oblak nabývá tvaru plochého koláče, který se pohybuje ve směru větru. Tato fáze je pozorována pouze v případě, kdy rychlost větru nepřesáhne cca 0,5 m.s -1. V ostatních případech nastává rovnou fáze rozptylu podél kužele; 3. Fáze rozptylu podél kužele jedná se o rozšiřování oblaku do prostoru, který je ohraničen pláštěm pomyslného kužele, který je orientován tak, že v jeho vrcholu leží epicentrum, a jehož osa míří ve směru větru. Vrcholový úhel je závislý na rychlosti proudění a třídě stability atmosféry s rostoucí rychlostí větru a zvyšující se stabilitou atmosféry se zmenšuje; 4. Fáze pasivního rozptylu (pozitivní vzlínání), popř. fáze konvektivně vzlínavá nastává při dostatečném naředění oblaku, který se začne výrazněji rozptylovat vertikálním směrem (při naředění oblaku pod 1 % objemové). Pozitivní vzlínání urychluje přítomnost konvektivních proudů. Vyhodnocení expozice terčíků Po sběru exponovaných terčíků (viz druhý díl článku) bylo nutné vyhodnotit, kolik částic aerosolu se na pasivních detektorech během expozice (tj. během průchodu oblaku detekčním polem) deponovalo. Vyhodnocení depozice bylo provedeno v laboratořích, kde jednotlivé plastové vzorkovnice (typ Micro Mount) s grafitovými terčíky byly vizuálně kontrolovány v binokulárním stereoskopickém mikroskopu (Kruss Optronic system, Hamburg) s vrchním osvětlením (5500 K) a v UV světle (366 nm a 254 nm). Tímto způsobem se docílilo lepšího vyniknutí některých druhů především biologických kontaminací, jakými byly například pylová zrna, hmyz apod. Následně bylo provedeno planimetrické vyhodnocení, které bylo provedeno vždy na třech vybraných reprezentativních místech každého terčíku (v místě, kde bylo minimální poškození vzorku a minimum nežádoucích kontaminací). Plocha, na níž byla planimetrie aplikována, byla o velikosti 1,5 mm 2. Výsledky z jednotlivých sčítání byly následně zprůměrňovány a přepočítány na jednotkovou plochu 1 cm 2. Bodová data získaná planimetrickým vyhodnocení byla dále zpracována pomocí vybraných metod geostatistiky. Základem tohoto vyhodnocování je teorie prostorově závislé proměnné, což je veličina, jejíž hodnoty závisejí na poloze bodů, v nichž byly stanoveny, v prostoru v našem případě dvourozměrném. Jako optimální metoda se pro naše účely ukázala metoda odhadu kriging. Tato metoda je založena na interpolaci váženého průměru hodnot okolních bodů, kdy se váhy jednotlivých hodnot určují na základě variogramu. Hlavní výhodou krigingu, oproti běžné interpolaci, je kromě zahrnutí většího počtu hodnot do výpočtu také možnost určení odhadu rozptylu vypočtené hodnoty. Postup při analýze bodových hodnot koncentrací byl následující: provedení popisné statistiky, sestrojení histogramu, analýza extrémů a jejich vyloučení, 19

sestrojení variogramu, provedení krigingu s uvážením příslušného variogramu, vynesení výsledků do grafické podoby s průmětem na detekční síť. Takto získané výsledky prezentovaly informaci o distribuci deponovaných částic vyjádřenou pomocí izoploch, tj. míst se stejnou plošnou koncentrací částic na 1 cm 2 a to podél celé plochy detekční sítě (150 x 400 metrů) (viz obrázek 29). Tento výsledek sice poskytuje názornou informaci o tom, kolik aerosolu se po výbuchu zachytilo na sledované ploše, ale nevypovídá nic o dosazích jednotlivých objemových koncentracích v ovzduší od epicentra výbuchu ve směru vanutí větru. Během testů byly sice pro kontinuální měření koncentrací aerosolu v ovzduší (v mg.m -3 ) použity laserové fotometry DustTrak, avšak výsledky z nich získané poskytovaly informaci o změně koncentrace částic PM 2,5 v čase pouze v bodě umístění tohoto měřícího zařízení (viz obrázek 27). Jejich výsledky bylo tedy možné použít pouze jako ukazatele absolutních hodnot maximálních koncentrací v daných vzdálenostech od epicentra (v závislosti na geometrii rozmístění, která se průběžně měnila za účelem získání co nejširšího počtu relevantních výsledků). Obrázek 27: Podoba výstupů z laserového fotometru DustTrak celkový časový průběh koncentrace PM 2.5 během testu ZÁŘÍ_6 (průchod oblaku aerosolu znázorňují píky vpravo) Získat z distribuce plošných koncentrací údaje o koncentraci částic aerosolu v jednotkovém objemu vzduchu však je možné, pakliže je pro danou rychlost větru známa účinnost záchytu částic aerosolu dané velikostní frakce na použitých detektorech. Tato koncentrace však představuje pouze průměrnou, nikoli maximální, koncentraci, protože je vypočítána z celkového počtu částic deponovaných na ploše terčíku po dobu průchodu oblaku daným místem. Určit účinnost záchytu ale bylo možné pouze na základě měření ve větrném tunelu v laboratoři. Příslušná měření, která si vyžádala velké množství opakování a stanovování na celkem 90ti experimentálních detektorech osazených krabičkami s terčíky (tj. konstrukčně stejné detektory jako v případě terénních testů), proběhla v Ústavu pro životní prostředí Univerzity Karlovy v Praze. Pro měření změny velikostní distribuce počtu částic v uzavřeném okruhu větrného tunelu byl použit aerodynamický spektrometr částic (model APS 3321, TSI) 20

s integrační dobou měření pro každou velikostní frakci 6 sekund. Experimentální částice byly do tunelu injektovány z generátoru aerosolu AGK 2000 (Palas GmbH). Každé stanovení bylo prováděno po dobu 30 minut, takže celkový počet velikostních distribucí činil kolem 300 pro každý jednotlivý experiment. Výsledek z těchto experimentů pak shrnuje obrázek 28, který uvádí účinnost záchytu částic aerosolu (collection efficiency) pro rychlosti větru od 0,5 do 5 m.s -1 při velikosti částic 2,41 µm (což odpovídá mediánu velikosti částic početní distribuce (CMD) prášku z mikromletého křemene použitého při terénních testech) a za podmínky vanutí větru kolmo na plochu terčíku. Z obrázku je patrné, že účinnost záchytu je velmi malá pohybuje se v řádech 10-3 (pro rychlost větru 1 m.s -1 ) až 10-2 (pro rychlost větru 4 m.s -1 ), což znamená, že pouze cca každá stá až tisící částice pohybující se ve válci o ploše odpovídající ploše terčíku a kolmé na terčík, se na něm zachytí. Z obrázku 28 je také patrné, že podíl zachyceného aerosolu s rostoucí rychlostí větru roste, ale ani při rychlosti větru 5 m.s -1 nedosahuje ani 2%. Zbylých 98 % částic tak terčík obtečou v turbulentním proudění, které vzniká kolem tyče, na které je detektor s terčíkem umístěn. Obrázek 28: Závislost koeficientu účinnosti záchytu na pasivní dozimetr na rychlosti proudění Účinnost záchytu je v reálné atmosféře závislá také na směru proudění, pod kterým částice k detektoru přicházejí. Proto bylo nutné pro každý terénní test, resp. příslušnou rychlost větru, hodnotu účinnosti záchytu odečtenou ze závislosti uvedené na obrázku 28 ještě vynásobit hodnotou sin(α), kde α je úhel, pod kterým vzduch k detektoru proudil (kolmo na plochu detektoru = 90, podélně = 0 ). Uvedeným postupem pak mohla být stanovena průměrná koncentrace aerosolu v ovzduší, která představuje hodnotu koncentrace odpovídající stejné expozici během průchodu oblaku nad daným místem jako v případě reálného průběhu koncentrace (tj. plocha pod píkem (S 1 ) je shodná s plochou obdélníku (S 2 )) (viz obrázek 29). 21

Obrázek 29: Vztah mezi průměrnou koncentrací (oblast s modrými tečkami) a reálným průběhem koncentrace v čase (šrafovaná oblast) během průchodu oblaku nad daným místem Základem pro vyhodnocení vybraných testů, které byly hodnoceny jako dobré (jednalo se celkem o 7 testů z celkově provedených 18), se tedy stal základní výstup z krigingu aplikovaného na výsledky planimetrického stanovení počtu částic na jednotlivých detektorech. Tento grafický výstup, který uvádí distribuci celkové depozice částic aerosolu v počtu částic na 1 cm 2, je uveden na obrázku 29 (jedná se o test ZÁŘÍ_6). Jak bylo zmíněno výše, tento výstup sice poměrně dobře vykresluje stopu oblaku ve výšce 1,7 metru (výška umístění detektorů), ale nevypovídá nic o koncentracích, které bylo v jednotlivých místech detekční sítě možné naměřit. Proto byly výsledky z planimetrického stanovení přepočítány za využití experimentálně stanovených koeficientů účinnosti záchytu pro příslušné povětrnostní podmínky panující během jednotlivých testů (viz výše) a takto získané hodnoty pak byly opět za pomocí krigingu vyneseny do grafického zobrazení. Tímto způsobem byly získány výstupy v podobě průměrné koncentrace částic aerosolu, které byly v ovzduší během přechodu oblaku aerosolu, v jednotkách počtu částic na 1 cm 3 (viz obrázek 30). Při zohlednění hustoty použitého mikromletého křemene (SiO 2 ) a jednotkového objemu částice o průměru 2,41 µm, tj. částice z nejpočetnější velikostní frakce (potvrzeno měřením Ústavu pro životní prostředí UK), bylo možné vypočítat průměrné koncentrace aerosolu během přechodu oblaku v mg.m -3, které byly opět za pomocí krigingu vyneseny do grafického zobrazení (viz obrázek 31). Takto vyhodnocená data z vybraných testů v podstatě představují stěžejní výsledky terénních testů, které poskytují informaci, která je využitelná v praxi, neboť z ní lze usuzovat i na dávky, které mohou obdržet exponované osoby a tedy na ohrožení obyvatelstva při emisi nebezpečných aerosolů. 22

Obrázek 29: Distribuce celkové depozice částic aerosolu v počtu částic na 1 cm 2 na měřené ploše pro test ZÁŘÍ_6 Obrázek 30: Průměrná koncentrace částic aerosolu během přechodu oblaku v počtu částic na 1 cm3 pro test ZÁŘÍ_6 Obrázek 31: Průměrná koncentrace aerosolu během přechodu oblaku v mg.m -3 pro test ZÁŘÍ_6 Výpočet profilu koncentrace aerosolu v čase Za využití speciálního software byly výsledky z kontinuálního měření koncentrace aerosolu z fotometrů DustTrak pro tři vybrané testy (DUBEN_5, ZÁŘÍ_2, ZÁŘÍ_6) dále využity pro 23

výpočet profilu koncentrace aerosolu v čase. Tento složitý výpočet byl založen na interpolaci hodnot koncentrací aerosolu PM 2,5 naměřených jednotlivými fotometry v týchž časových okamžicích (přičemž integrační doba fotometrů činila 1 sekundu) během přechodu oblaku přes jednotlivé fotometry, které byly uspořádány v linii (viz obrázek 31 pozice fotometrů jsou znázorněny značkami DT1 až DT8). Výsledky výpočtu byly pak také vyneseny do grafického zobrazení (viz obrázek 32), kde na ose x je vynášen čas (v tomto případě v SELČ), na ose y vzdálenost dle kót detekční sítě a jednotlivé barevné odstíny uvnitř grafu pak představují různé koncentrace podle škály uvedené vpravo. Toto vyobrazení tedy znázorňuje, jaké koncentrace aerosolu v mg.m -3 se vyskytovaly v průběhu času podél linie, na které byly umístěny fotometry DustTrak, přičemž v případě obrázku 32 se jedná o příčnou linii nacházející se ve vzdálenosti 100 metrů od epicentra výbuchu (jedná se konkrétně o test ZÁŘÍ_6). Dá se říci, že toto vyobrazení v sobě zahrnuje všechny čtyři rozměry časoprostoru současně tři rozměry prostoru (x = 100 m (vzdálenost od epicentra výbuchu umístění linie fotometrů); y = 20 m až 150 m (pozice na linii s rozmístěnými fotometry); z = 1,7 m (výška fotometru nad zemí)) a rozměr času (běžícího od okamžiku výbuchu do ukončení měření). Ačkoli se jedná o výstup, jehož interpretace je poměrně náročná, jeho praktický význam je značný. Poskytuje totiž informaci, jak moc se hodnota průměrné koncentrace aerosolu, tak jak jsme ji vypočítali na základě planimetrického stanovení a následného krigingu, liší od maximální hodnoty absolutní koncentrace, která se vyskytla v daném místě v průběhu průchodu oblaku. Výstup kromě toho také umožňuje získat představu o tom, jak byl oblak vnitřně strukturován například, zda se v něm maximální koncentrace aerosolu vyskytovaly na čele či uprostřed oblaku, anebo zda měl více hustších či řidších míst a kde. Pro již zmiňovaný test ZÁŘÍ_6, jehož vyhodnocení je uvedeno na obrázku 32, pak lze z výsledku vyčíst, že ačkoli v linii vzdálené 100 metrů od epicentra výbuchu, kde byly fotometry umístěny, byla nejvyšší hodnota průměrné koncentrace částic aerosolu cca 0,5 mg.m -3 (viz obrázek 31), ale absolutní koncentrace aerosolu zde dosahovaly až hodnoty 4 mg.m -3, byly tedy 8x vyšší. 24