LOPA onions: Peeling back the outer layers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Layer of protection analysis (LOPA) has quickly gained acceptance in the chemical processing industries and has risen to be one of the leading risk assessment techniques used for process safety studies. LOPA generally uses more rigor and science than what is encountered with qualitative risk assessments, while still not becoming overly onerous when compared with detailed quantitative risk assessments. In the interest of balancing time and resources against science and accuracy, certain tradeoffs and assumptions are made within the LOPA assessment. In turn, these tradeoffs and assumptions can lead to inaccurate conclusions. For example, one issue that arises is with the treatment of protection layers associated with mitigation of consequences. LOPA teams have a choice to account for mitigation layers in the consequence assignment or alternatively treat these layers as independent protection layers (IPLs). Although this may appear to be an inconsequential decision, it can in fact result in very different conclusions. In the course of treating mitigation layers as IPLs, organizations must ensure the necessary inspection, testing, and preventive maintenance practices are in place for these layers. Furthermore, recognizing this dichotomy in treatment, one can also show that these mitigation layers should be designed so as to achieve a balance between consequence reduction and desired reliability. This article discusses alternative treatments of risk mitigation layers that are commonly applied by LOPA teams and demonstrates their impacts through case studies. © 2011 American Institute of Chemical Engineers Process Saf Prog, 2011
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle