Frequency Failure Causes Analysis of Pressure Vessel and Piping Equipment: Case Study of the Alberta Petrochemical Industry
Notice bibliographique
Résumé
Abstract In recent decades, many accidents involving pressure vessels and piping components (PVP) have occurred in North America. Several studies have been conducted to understand their causes and find suitable solutions to reduce their frequency. Most of the researches have focused on the technical causes of these accidents and the subsequent implementation of safety management strategies. These researches highlight that the main technical causes are leak and rupture. From this standpoint, it is important to deepen the study of these causes to better understand the risk of accident in PVP applications. In Alberta alone, the Alberta Energy Regulator (AER) showed that more than 15 root causes initiated leak and rupture failures in PVP since 1990. This paper presents an analysis of the frequency of accidents, their severity, their causes, and the risk associated in the Alberta petrochemical industry from 2008 to 2017. This study proposes an exponential decay function to estimate the frequency of accidents involving PVP and identifies the most important causes based on a severity analysis. The results based on the frequency model show that there is a good agreement between the predicted and observed accidents frequency from 2008 to 2017. The severity analysis results shows that the main factors contributing to accidents are corrosion, construction deficiency, and overpressure. Finally, the proposed model of frequency and severity of observed and predicted PVP failures, is a useful tool for risk assessment and prevention program implementation.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».