Automating the process of net environmental benefit analysis (NEBA) for emergency response and environmental plans
Notice bibliographique
Résumé
Each year in Australia, hundreds of referrals and environmental plans (EPs) are submitted to the regulatory agencies by oil and gas explorers. The plans assess multiple spill response options. One assessment tool is NEBA. This extended abstract presents a new approach for NEBAs and an automated NEBA process. This NEBA method has two scenarios: pre-spill and spill response. The pre-spill NEBA uses EP-defined sensitive receptors as appropriate examples in the region of interest, uses the modelling outputs to identify potential exposure zones, defines critical inputs (season, spill size), defines and ranks priority response according to the modelling output, and assesses spill response strategies. The output of the pre-spill NEBA is a table of response tactics to be assessed with respect to reducing risk to as low as reasonably practicable (ALARP). The spill response NEBA is similar to the pre-spill, but it uses real-time spill modelling data as an additional input to strengthen the data evaluation. Traditionally, both pre- and spill response NEBAs require considerable data input, extensive mathematical modelling and human interpretation. Automating the NEBA process saves time, reduces errors and minimises human biases in interpretation. ConocoPhillips has recently developed a tool to quickly conduct NEBAs. The NEBA tool also provides a means to document the progress of operational and scientific monitoring programs to measure the performance of the spill response. The automated process output can be time/date stamped to ensure critical steps are fully documented and auditable.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».