MétaCan
Menu
Retour à la cohorte
Enregistrement W2797357564 · doi:10.2118/190508-ms

Use of Unmanned Aerial Systems Reduces HES Risks

2018· article· en· W2797357564 sur OpenAlexaff
Rob Hoffmann, Ian McAllister

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensChevron (Canada)
Organismes subventionnairesnon disponible
Mots-clésDroneNuclear decommissioningHazardous wasteEnvironmental monitoringEnvironmental scienceWork (physics)Aerial surveyWildlifeRemote sensingComputer scienceEnvironmental resource managementEngineeringGeographyEnvironmental engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Unmanned aerial systems (UAS) are lightweight, low-cost aircraft platforms operated from the ground which can be outfitted with imaging or non-imaging payloads (‘drones’). UAS offer Health Environment and Safety (HES) professionals a promising opportunity to reduce health, environmental and safety risks by keeping people out of harm's way, reducing exposure to potential health hazards, and for performing non-invasive surveys of ecological features. A certified operator and unit were retained in the field full-time to support a greenfield gas development in a rugged, remote area. Ready access to a UAS provided timely data to inform field decision making. "If in doubt, put the drone up" became a common phrase in the field, affirming the value of UAS imagery as an information-providing and risk-mitigating tool during site development. UAS collected the data and information that would have otherwise put people on aerial work platforms, in helicopters or on the ground in remote, rugged locations, avoiding thousands of safety-critical workforce hours. UAS were employed to perform reconnaissance, monitoring and data collection for a wide range of HES applications: Safety: reconnaissance of potential high-consequence situations (landslides, road washouts, avalanche assessment) and access to difficult locations (stack and powerline inspections, landfill slope stability assessment)Environmental: non-invasive environmental monitoring of wildlife (raptor nests, large mammals) and environmental features (marine eelgrass, forest)Health: hazardous materials (hazmat) surveys of legacy facilities to support decommissioning (asbestos-containing roofing materials) In addition to enabling information-based decision-making in the field by providing real-time imagery, UAS visually conveyed information that was useful for communicating with stakeholders and regulators. This paper will demonstrate that onsite UAS can provide timely, cost-effective information and reduce HES risks in the field by replacing the human element for some safety-critical tasks.

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 enseignants0,065
Score d'incertitude au seuil0,139

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 Opus0,057
Tête enseignante GPT0,255
Écart entre enseignants0,198 · 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

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUAV Applications and OptimizationTravaux en français237 207