Fuzzy System Dynamics Risk Analysis (FuSDRA) of Autonomous Underwater Vehicle Operations in the Antarctic
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
With the maturing of autonomous technology and better accessibility, there has been a growing interest in the use of autonomous underwater vehicles (AUVs). The deployment of AUVs for under-ice marine science research in the Antarctic is one such example. However, a higher risk of AUV loss is present during such endeavors due to the extreme operating environment. To control the risk of loss, existing risk analyses approaches tend to focus more on the AUV's technical aspects and neglect the role of soft factors, such as organizational and human influences. In addition, the dynamic and complex interrelationships of risk variables are also often overlooked due to uncertainties and challenges in quantification. To overcome these shortfalls, a hybrid fuzzy system dynamics risk analysis (FuSDRA) is proposed. In the FuSDRA framework, system dynamics models the interrelationships between risk variables from different dimensions and considers the time-dependent nature of risk while fuzzy logic accounts for uncertainties. To demonstrate its application, an example based on an actual Antarctic AUV program is presented. Focusing on funding and experience of the AUV team, simulation of the FuSDRA risk model shows a declining risk of loss from 0.293 in the early years of the Antarctic AUV program, reaching a minimum of 0.206 before increasing again in later years. Risk control policy recommendations were then derived from the analysis. The example demonstrated how FuSDRA can be applied to inform funding and risk management strategies, or broader application both within the AUV domain and on other complex technological systems.
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 | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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