Dynamic Risk Analysis Using Imprecise and Incomplete Information
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Accident modeling is a vital step, which helps in designing preventive measures to avoid future accidents, and thus, to enhance process safety. Bayesian networks (BN) are widely used in accident modeling due to its capability to represent accident scenarios from their causes to likely consequences. However, to assess likelihood of an accident using the BN, it requires exact basic event probabilities, which are often obtained from expert opinions. Such subjective opinions are often inconsistent and sometimes conflicting and/or incomplete. In this work, evidence theory has been coupled with BN to address inconsistency, conflict and incompleteness in the expert opinions. It combines the acquired knowledge from various subjective sources, thereby rendering accuracy in probability estimation. Another source of uncertainty in BN is model uncertainty. To represent multiple interactions of a cause–effect relationship Noisy-OR and leaky Noisy-AND gates are explored in the study. Conventional logic gates, i.e., OR/AND gates can only provide a linear interaction of cause–effect relationship hence introduces uncertainty in the assessment. The proposed methodology provides an impression how dynamic risk assessment could be conducted when the sufficient information about a process system is unavailable. To illustrate the execution of a proposed methodology, a tank equipped with a basic process control system has been used as an example. A real-life case study has also been used to validate the proposed model and compare its results with those using a deterministic approach.
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.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle