Effects of Cold Environments on Human Reliability Assessment in Offshore Oil and Gas Facilities
Notice bibliographique
Résumé
OBJECTIVE: This paper proposes a new methodology that focuses on the effects of cold and harsh environments on the reliability of human performance. BACKGROUND: As maritime operations move into Arctic and Antarctic environments, decision makers must be able to recognize how cold weather affects human performance and subsequently adjusts management and operational tools and strategies. METHOD: In the present work, a revised version of the Human Error Assessment and Reduction Technique (HEART) methodology has been developed to assess the effects of cold on the likelihood of human error in offshore oil and gas facilities. This methodology has been applied to post-maintenance tasks of offshore oil and gas facility pumps to investigate how management, operational, and equipment issues must be considered in risk analysis and prediction of human error in cold environments. RESULTS: This paper provides a proof of concept indicating that the risk associated with operations in cold environments is greater than the risk associated with the same operations performed in temperate climates. It also develops guidelines regarding how this risk can be assessed. The results illustrate that in post-maintenance procedures of a pump, the risk value related to the effect of cold and harsh environments on operator cognitive performance is twice as high as the risk value when performed in normal conditions. CONCLUSION: The present work demonstrates significant differences between human error probabilities (HEPs) and associated risks in normal conditions as opposed to cold and harsh environments. This study also highlights that the cognitive performance of the human operator is the most important factor affected by the cold and harsh conditions. APPLICATION: The methodology developed in this paper can be used for reevaluating the HEPs for particular scenarios that occur in harsh environments since these HEPs may not be comparable to similar scenarios in normal conditions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».