Geohazard risk management for linear transportation
Notice bibliographique
Résumé
Railways that deliver ore from mines to market are critical to an operation’s viability. Two examples of such railways include the Rio Tinto Iron Ore (RTIO) railway in the Pilbara region of Western Australia, and the Iron Ore Company of Canada (IOC) railway in northeastern Canada. Both railways are the only transportation mode from 17 mine sites to the ports to deliver their products to markets; annually, these railways ship over 330 million tonnes of iron ore (RTIO) and over 10 million tonnes of iron pellets (IOC). Although separated by over 16,000 km, different terrains, climates and operating regulations, these railways face similar challenges with respect to assessing and managing the risks associated with geohazards, in particular rockfall, landslides, and flooding geohazards. This paper presents risk-based frameworks for the IOC and RTIO railways, and the development of web and mobile based platforms to support effective geohazard risk-management practices within corporate risk frameworks. The output risk rating for each credible geohazard affecting the railway is used to support risk management through inspections, remediation projects and optimisation of maintenance and in situ or remote monitoring efforts. The geohazard management systems are also used in combination with live monitoring data to actively alert railway operators of changing conditions and potential triggering events, such as flooding or heavy rainfall. The systems that will be presented are used to support decisionmaking and communication of geohazard threats within their organisations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».