Notice bibliographique
Résumé
Process engineering systems have become increasingly complex and more vulnerable to potential accidents. The risks posed by these systems are alarming and worrisome. The operation of these complex process engineering systems requires a high level of understanding both from the operational as well as the safety perspective. This study focuses on dynamic risk assessment and management of complex process engineering systems’ operations. To reduce risk posed by process systems, there is a need to develop process accident models capable of capturing system dynamics in real-time. This thesis presents a set of predictive process accident models developed over four years. It is prepared in manuscript style and consists of nine chapters, five of which are published in peer reviewed journals. A dynamic operational risk management tool for process systems is developed, considering evolving process conditions. The obvious advantage of the developed methodologies is that it dynamically captures the real time changes occurring in the process operations. The real time risk profile provided by the methodologies developed serve as performance indicator for operational decision making. The research has made contributions on the following topics: (a) process accident model considering dependency among contributory factors, (b) dynamic safety analysis of process systems using a nonlinear and non-sequential accident model, (c) dynamic failure analysis of process systems using principal component analysis and a Bayesian network, (d) dynamic failure analysis of process systems using a neural network and (e) an integrated approach for dynamic economic risk assessment of process systems.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,007 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».