MétaCan
Menu
Retour à la cohorte
Enregistrement W2921615586 · doi:10.33889/ijmems.2017.2.1-003

Sneak Circuit Analysis: Lessons Learned from Near Miss Event

2017· article· en· W2921615586 sur OpenAlexaff
James Li

Notice bibliographique

RevueInternational Journal of Mathematical Engineering and Management Sciences · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueEmbedded Systems and FPGA Applications
Établissements canadiensBombardier (Canada)
Organismes subventionnairesnon disponible
Mots-clésEvent (particle physics)Computer scienceFunction (biology)Operator (biology)Path (computing)MonorailEngineeringProgramming languagePhysics

Résumé

récupéré en direct d'OpenAlex

Sneak Circuit Analysis is intended for critical applications which are essential to mission success and safety. A sneak condition will occur when a designed circuit inhibits a wanted function or results in an unwanted function. Sneak conditions originate from one of the four following scenarios: a sneak path resulting in a flow of electrical current along an unexpected route; a sneak timing that may cause the activation of some desired/designed functionality at an unexpected time; a sneak indication in monitoring functions that may result in an ambiguous or false display of system operating conditions; and lastly, a sneak label which may induce operator error due to inappropriate instruction. This paper introduces a near miss event that occurred in the Sao Paulo monorail which was caused by a sneak time condition. Root cause analysis and design modifications are also discussed in the paper.

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)0,002
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,004
Science ouverte0,0020,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,052
Tête enseignante GPT0,317
Écart entre enseignants0,264 · 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'étudeÉtude de cas
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
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Mathematical Engineering and Management SciencesMême sujetEmbedded Systems and FPGA ApplicationsTravaux en français237 207