Rig Safety and Reliability Incidents Caused by Software: How They Could Have Been Prevented
Notice bibliographique
Résumé
Abstract The Canadian Defense Force and the US Coast Guard list software along with fire, explosion, flood, and earthquake as risks that produce extreme vulnerabilities to maritime technology systems. More than half the US's imported oil comes through the Gulf of Mexico. Fifteen percent of the US daily oil supply comes through the Louisiana Offshore Oil Port system just 20 miles off of New Orleans. Chances are the port won't be shut down by a bang but by a mere keystroke! The control software running these offshore oil and gas drilling and production platforms is extremely vulnerable to unproven, unmanaged and untested software releases. These problems exist because the equipment manufacturers, maritime contractors and operators have very little incentive to fix the vulnerabilities. Their driving goal is to make their operations a profitable as possible while complying with the minimal HSSE rules and regulations. In most cases they have little knowledge of software and systems engineering and can neither evaluate vulnerabilities nor devise solutions once problems arise. Many organizations share the blame for this lack of incentive. This presentation will recount some recent safety disasters and near misses caused by software vulnerabilities. Attendees will learn how to ensure that complex software systems function not only on first use but throughout their life cycle. The author and his team have performed software verification and validation on systems from Norway to Singapore, from Brazil to Angola, and through out the Gulf of Mexico.
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 | 0,003 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».