MétaCan
Menu
Retour à la cohorte
Enregistrement W2294861149 · doi:10.1504/ijdss.2015.074543

An MCDA risk assessment framework for carbon capture and storage

2015· article· en· W2294861149 sur OpenAlexaff
John Michael Humphries Choptiany, Ronald Pelot, James Brydie, William D. Gunter

Notice bibliographique

RevueInternational Journal of Decision Support Systems · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Acceptance of Renewable Energy
Établissements canadiensAlberta InnovatesDalhousie University
Organismes subventionnairesnon disponible
Mots-clésMultiple-criteria decision analysisCarbon capture and storage (timeline)Computer scienceScale (ratio)Decision analysisClimate changeRisk analysis (engineering)Decision support systemOperations researchEnvironmental scienceEnvironmental resource managementEnvironmental economicsEngineeringBusinessData miningMathematics

Résumé

récupéré en direct d'OpenAlex

Carbon capture and storage (CCS) is a technology used to mitigate climate change by removing CO2 emissions from fossil-fuelled power plants. CCS is a new, large-scale technology with potentially large geographical and temporal impacts. There are considerable uncertainties surrounding CCS risks. CCS decision makers may benefit from a holistic framework to compare project options based upon many diverse criteria. The authors developed a decision analysis framework to assess CCS risks and to facilitate project selection. The framework incorporates utility curves, criterion weights, thresholds, decision trees, Monte Carlo simulation, critical events and sensitivity analysis. Criteria were chosen from environmental, social, economic and engineering fields. CCS experts provided inputs, which formed the basis for simulation model runs to compare preferences between three hypothetical CCS projects. The study demonstrated the value of a flexible model that can be tailored to individual decision makers and adapted to many complex decisions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,071

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,003
Études des sciences et des technologies0,0020,001
Communication savante0,0030,002
Science ouverte0,0030,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,395
Écart entre enseignants0,359 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Decision Support SystemsMême sujetSocial Acceptance of Renewable EnergyTravaux en français237 207