Using BP Neural Networks to Prioritize Risk Management Approaches for China’s Unconventional Shale Gas Industry
Notice bibliographique
Résumé
This article is motivated by a conundrum: How can shale gas development be encouraged and managed without complete knowledge of the associated risks? To answer this question, we used back propagation (BP) neural networks and expert scoring to quantify the relative risks of shale gas development across 12 provinces in China. The results show that the model performs well with high predictive accuracy. Shale gas development risks in the provinces of Sichuan, Chongqing, Shaanxi, Hubei, and Jiangsu are relatively high (0.4~0.6), while risks in the provinces of Xinjiang, Guizhou, Yunnan, Anhui, Hunan, Inner Mongolia, and Shanxi are even higher (0.6~1). We make several recommendations based on our findings. First, the Chinese government should promote shale gas development in Sichuan, Chongqing, Shaanxi, Hubei, and Jiangsu Provinces, while considering environmental, health, and safety risks by using demonstration zones to test new technologies and tailor China’s regulatory structures to each province. Second, China’s extremely complex geological conditions and resource depths prevent direct application of North American technologies and techniques. We recommend using a risk analysis prioritization method, such as BP neural networks, so that policymakers can quantify the relative risks posed by shale gas development to optimize the allocation of resources, technology and infrastructure development to minimize resource, economic, technical, and environmental risks. Third, other shale gas industry developments emphasize the challenges of including the many parties with different, often conflicting expectations. Government and enterprises must collaboratively collect and share information, develop risk assessments, and consider risk management alternatives to support science-based decision-making with the diverse parties.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».