MétaCan
Menu
Retour à la cohorte
Enregistrement W2901507558 · doi:10.1002/prs.12018

Unit reliability and integrity process development and implementation

2018· article· en· W2901507558 sur OpenAlexaff
David Hanning

Notice bibliographique

RevueProcess Safety Progress · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueRisk and Safety Analysis
Établissements canadiensChevron (Canada)
Organismes subventionnairesnon disponible
Mots-clésDowntimeReliability (semiconductor)Asset (computer security)Reliability engineeringProcess (computing)Unit (ring theory)Process safety managementRisk analysis (engineering)Computer scienceEngineeringComputer securityBusiness

Résumé

récupéré en direct d'OpenAlex

A little over 10 years ago, Chevron developed and implemented an Asset Reliability Process with the goal of improving the reliability of our facilities, with a strong focus on improving the availability of our facilities. This was known as URIP or our Unit Reliability Improvement Process. The building blocks of this process include subprocedures for: Design for reliability Reliability opportunity identification and resolution Risk assessment and asset strategy Surveillance and condition monitoring Proactive maintenance Maintenance and failure prevention While we were successful in improving the availability of our facilities with the implementation of URIP, we continued to experience incidents and unplanned downtime associated with the integrity of our assets. As a result, we identified the need to revise our process to place a greater focus on asset integrity. This presentation describes the development and implementation of our revised reliability process, which we have renamed as our Unit Reliability and Integrity Process. The resulting asset care program still includes the subprocedures listed above, with the incorporation of asset integrity requirements. © 2018 American Institute of Chemical Engineers Process Saf Prog 38: e12018, 2019

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)0,059
score de la tête « metaresearch » (Gemma)0,113
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,314

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0590,113
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0020,002
Communication savante0,0060,003
Science ouverte0,0050,004
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0130,008

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 Opus0,074
Tête enseignante GPT0,440
Écart entre enseignants0,367 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProcess Safety ProgressMême sujetRisk and Safety AnalysisTravaux en français237 207