MétaCan
Menu
Retour à la cohorte
Enregistrement W2743349201 · doi:10.3390/en10081176

Risk Assessment of Micro Energy Grid Protection Layers

2017· article· en· W2743349201 sur OpenAlexafffund
Hossam A. Gabbar, Yahya Koraz

Notice bibliographique

RevueEnergies · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensOntario Tech University
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésReliability engineeringFault tree analysisHazard analysisGridElectricityHazardEnergy (signal processing)Computer scienceRisk assessmentRisk analysis (engineering)Environmental scienceEngineeringMathematicsMedicine

Résumé

récupéré en direct d'OpenAlex

Micro energy grids (MEGs) are used extensively to meet the combined electricity, heating, and cooling energy demands for all types of customers. This paper develops a hazard matrix for a MEG and utilizes two advanced risk modeling approaches (fault tree and layer of protection analysis (LOPA)) for MEGs’ risk analysis. A number of independent protection layers (IPLs) have been proposed to achieve a resilient MEG, hence increasing its safety integrity level (SIL). IPLs are applied using co-generators and thermal energy storage (TES) techniques to minimize the hazards of system failure, increase efficiency, and minimize greenhouse gas emissions. The proposed modeling and risk assessment approach aims to design a resilient MEG, which can utilize those potentials efficiently. In addition, an energy risk analysis has been applied on each MEGs’ physical domains such as electrical, thermal, mechanical and chemical. The concurrent objectives achieve an increased resiliency, reduced emissions, and sustained economy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,315
Score d'incertitude au seuil0,286

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,207
Écart entre enseignants0,202 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations6
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetMicrogrid Control and OptimizationTravaux en français237 207