Data Analysis to Evaluate Reliability of a Main Engine
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
Maritime transportation is the essence of international economy. Today, around ninety percent of world trade happens by maritime transportation via 50,000 merchant ships. These ships transport various types of cargo and manned by over a million mariners around the world. Majority of these ships are propelled bymarine diesel engines, hereafter referred to as main engine, due to its reliability and fuel efficiency. Yet numerous accidents take place due to failure of main engine at sea, the main cause of this being inappropriate maintenance plan. To arrive at an optimal maintenance plan, it is necessary to assess the reliability of the mainengine. At present the main engine on board vessels have a Planned Maintenance System (PMS), designed by the ship management companies, considering, advise of the engine manufacturers and/or ship’s chief engineers and masters. Following PMS amounts to carrying out maintenance of a main engine components at specifiedrunning hours, without taking into consideration the assessment of the health of the component/s in question. Furthermore, shipping companies have a limited technical ability to record the data properly and use them effectively. In this study, relevant data collected from various sources are analysed to identify the mostappropriate failure model representing specific component. The data collected, and model developed will be very useful to assess the reliability of the marine engines and to plan the maintenance activities on‐board the ship. This could lead to a decrease in the failure of marine engine, ultimately contributing to the reduction ofaccidents in the shipping industry.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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