WHAT RECENT HHFT DERAILMENT FIRES TELL US
Notice bibliographique
Résumé
ABSTRACT ID: 2017-145. In July 2016, TRC Environmental Corporation (TRC) and Hildebrand and Noll Associates, Inc. (HNA) were requested to develop planning guidance on train derailments involving large volumes/high concentrations of denatured ethanol for the Massachusetts Emergency Management Agency (MEMA). As part of this project, as well as similar projects conducted by HNA for other clients, TRC and HNA assessed current firefighting strategies for the release of ethanol and/or crude oil from High Hazard Flammable Trains (HHFT) and developed the planning assumptions necessary to prepare for these types of incidents. For these projects, studies and in-depth analyses of 27 HHFT derailments resulting in tank cars breaches that occurred in the United States and Canada involving denatured ethanol1 (ethanol) and/or crude oil2 from 2006 through 2015 were performed. The analyses were primarily based on the information from the National Transportation Safety Board (NTSB), Federal Railroad Administration (FRA), and/or Transport Canada (TC) databases, with supplemental information from news reports in some cases. The objective of these analyses was to identify key planning assumptions that would be used in developing appropriate firefighting strategies by focusing on the number and types of cars derailed, approximate train speeds at the time of the derailment, number of cars breached, amount of product released, and whether or not the released product caught fire. Additionally, the studies included obtaining and reviewing information on the properties and characteristics of ethanol, crude oils, and other Class 3 flammable materials, as well as information for railroad tank cars. Insights and understandings gained from these studies were used to further develop the firefighting strategies for HHFT derailment fires.
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 | 0,003 |
| 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 | 0,007 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».