Risk Analysis of Sweet Natural Gas Pipelines: Benchmarking Simple Consequence Models
Notice bibliographique
Résumé
Over the past decades, risk assessment of industrial facilities perceived to present significant potential hazards has become widespread, and in some jurisdictions it has become a regulatory requirement or a societal norm. The application of risk concepts to transportation pipelines has become commonplace, and while qualitative techniques may be sufficient for such purposes as the establishment of maintenance priorities and preliminary route selection, increasing need has been seen for fully quantitative approaches. A considerable range of quantitative methods and models has been developed, but many of them have a high degree of complexity and most are proprietary. There is a need for simple and transparent methods that still yield results that are sufficiently accurate at least for generic assessment; it is recognized that the more complex approaches will usually be required for detailed, site-specific analysis. One source of complexity, for gas transmission pipelines, is the need for a suite of relatively sophisticated, numerical models to estimate accurately the consequences of major gas release incidents, which are transient in nature. To overcome this difficulty, relatively simple, closed-form consequence estimation schemes, based on steady-state approximations, have been proposed and applied. The current study benchmarks the results of one such method against those obtained using PIPESAFE, a proprietary software tool containing a suite of interlinked models developed and validated specifically for gas transmission pipelines. Within certain limits, the simple approach was found to give reasonable, and generally slightly conservative, estimates of safety consequences, expressed in both individual and societal terms.
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.
Comment cette classification a été obtenuedéplier
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».