Exit Strategies and Safety Concerns for Machinery Occupants Following Ice Failure and Submersion
Notice bibliographique
Résumé
BACKGROUND: Of all drownings, 5 to 11% occur in submerged vehicles. Winter road workers are at high risk for vehicle submersion because they drive heavy vehicles over ice. METHODS: A crane was used for repeated occupied and unoccupied submersions of a 5-ton truck/snow plow (N = 25) and a 1-ton truck/snow plow (N = 23); some data were compared to those from our previous study on passenger vehicles (Aviat Space Environ Med 2010; 81:779-84). RESULTS: The 1-ton truck sank faster than an intact car, while the 5-ton truck sank within 4 s. Four subjects could escape through the windows, doors, or roof hatch when the 1-ton truck was on the surface or submerged. Hatch exit took 2-3 times longer than windows/doors. Because the 5-ton truck sank so quickly, there was no opportunity to escape while on the surface. With windows open, exit through the window, door, or roof hatch could only occur after the cab was full of water. With windows closed, rapid pressure buildup imploded the windshield. Bulk and buoyancy of thermoprotective flotation clothing did not impede exit in any scenario. One to three 200-L sealed containers mounted to the front of the 1-ton truck increased the Floating Phase by approximately 20-40 s each. CONCLUSIONS: Results suggest that a heavy vehicle will sink before surface exit is possible. Occupants would, therefore, be forced to breath-hold and make an underwater exit through a window, door, or roof hatch. Front-mounted external flotation devices on a light truck increased floating time and the possibility of exit while still on the surface.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».