MétaCan
Menu
Retour à la cohorte
Enregistrement W2899671639 · doi:10.1115/ipc2018-78657

System Wide Risk Assessment in the 21st Century: TransCanada’s Approach

2018· article· en· W2899671639 sur OpenAlexaffabout
Aleksandar Tomić, Terry T.‐K. Huang, Shahani Kariyawasam

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Integrity and Reliability Analysis
Établissements canadiensTransCanada (Canada)
Organismes subventionnairesnon disponible
Mots-clésRisk analysis (engineering)Leverage (statistics)PatrollingRisk managementComputer scienceIdentification (biology)Risk assessmentSubject-matter expertComputer securityArtificial intelligenceBusinessExpert system

Résumé

récupéré en direct d'OpenAlex

The US regulations and Canadian standards require that a System Wide Risk Assessment (SWRA) be performed for all pipelines. Typically, an annual SWRA is performed by operators and used to identify high risk sections. Appropriate identification of these high risk sections is expected to avoid significant failures, particularly in higher consequence locations. With current heightened public awareness levels and related regulatory oversight even a failure, such as a rupture, with relatively low safety and environmental consequences is considered undesirable. Post failure analysis often examines SWRA results to investigate if SWRA is identifying such locations appropriately. Are SWRAs developed with the intention of avoiding these failures? How can we ensure SWRA achieves these expectations? This paper examines the purpose of SWRA and takes a data driven approach to critically assess its effectiveness. In the 21st century, where vast amounts of data are being generated through inspections, patrolling, monitoring, and management systems, TransCanada’s approach seeks to leverage all the evidence or leading indicators of high risk and imminent failures. However, data and subject matter expert opinions are not perfect and complete. Understanding these limitations and inadequacies, yet optimizing in the face of them, requires an honest representation of reality with considerations to limits of applicability and probable blind spots, together with clear decision-making to achieve a well-defined purpose. This paper will describe the six-year evolution of a quantitative SWRA approach with a built in continuous improvement cycle. Examples of learning from failures, assessments, and analytical studies and how they were incorporated into the SWRA are demonstrated. Also the development of meaningful risk targets and their applications are explained. The particular details for scenarios where risk criteria have been exceeded in both high consequence and low consequence locations are examined and interpreted such that maintenance teams can address issues appropriately. The value of bringing all relevant data to a common risk platform is also demonstrated. In the 21st century, where data availability will only increase, appropriate holistic incorporation of these multiple data sets is critical to identify where multiple threats interact. Depending on how likelihood of failure and the consequences of failure are combined, the resultant risk could potentially be high (i.e. different risk measures). Therefore, it is important to cover all risk measures that are relevant and develop criteria that govern these risk measures. The implementation of a holistic SWRA to make the best optimized decisions possible is demonstrated in practical situations where inputs are imperfect and vast data sets need to be combed for meaningful indicators.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,020
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,992
Score d'incertitude au seuil0,108

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,030
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0100,005
Études des sciences et des technologies0,0020,013
Communication savante0,0150,009
Science ouverte0,0050,009
Intégrité de la recherche0,0040,009
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,220
Écart entre enseignants0,210 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations1
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetStructural Integrity and Reliability AnalysisTravaux en français237 207