Revisiting past refinery accidents from a human reliability analysis perspective: The BP Texas City and the Chevron Richmond accidents
Notice bibliographique
Résumé
Despite the oil industry's efforts in improving safety, it still presents a high rate of serious accidents, many involving human failure events (HFE), which can be identified, modelled, and quantified through human reliability analysis (HRA). The oil industry commonly analyzes process safety by focusing on technical barriers, and thus it could benefit from HRA. Phoenix methodology is an HRA method that uses a human response model and relates the crew failures modes (CFM) to performance influencing factors (PIFs). Based on Phoenix CFMs and PIFs, two refinery accidents, the BP Texas City (2005) and the Chevron Richmond (2012), are analyzed in this paper. The analysis consists of the construction of the accident timeline; identification of the HFEs and assigning them to appropriate CFMs; and, finally analysis of the PIFs. The analysis helped better understand how the operators responded to an abnormal condition of the process, and why they took the actions they did, investigating the contribution of human error to the accidents. The assessment of the role human error played in these accidents is a major contribution to the understanding of why they happened, and a key information to avoid the same happening again in the future. Moreover, the features and limitations of the application of Phoenix HRA, which was developed based mainly on nuclear power plant operations, to Oil Refinery operation scenarios, are discussed and evaluated. This article provides insights on value of investigating the potential impact of human error in the Petroleum Industry accidents.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».