Human Error in Autonomous Underwater Vehicle Deployment: A System Dynamics Approach
Notice bibliographique
Résumé
The use of autonomous underwater vehicles (AUVs) for various applications have grown with maturing technology and improved accessibility. 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 extremities in the Antarctic. A thorough analysis of risks is therefore crucial for formulating effective risk control policies and achieving a lower risk of loss. Existing risk analysis approaches focused predominantly on the technical aspects, as well as identifying static cause and effect relationships in the chain of events leading to AUV loss. Comparatively, the complex interrelationships between risk variables and other aspects of risk such as human errors have received much lesser attention. In this article, a systems-based risk analysis framework facilitated by system dynamics methodology is proposed to overcome existing shortfalls. To demonstrate usefulness of the framework, it is applied on an actual AUV program to examine the occurrence of human error during Antarctic deployment. Simulation of the resultant risk model showed an overall decline in human error incident rate with the increase in experience of the AUV team. Scenario analysis based on the example provided policy recommendations in areas of training, practice runs, recruitment policy, and setting of risk tolerance level. The proposed risk analysis framework is pragmatically useful for risk analysis of future AUV programs to ensure the sustainability of operations, facilitating both better control and monitoring of risk.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».