Investigating Vapour Cloud Explosion Dynamic Fatality Risk on Offshore Platforms by Using a Grid-Based Framework
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
The reliability of petroleum offshore platform systems affects human safety and well-being; hence, it should be considered in plant design and operation in order to determine its effect on human fatality risk. Methane Vapour Cloud Explosions (VCE) in offshore platforms are known to be one of the fatal potential accidents that can be attributed to failure in plant safety systems. Traditional Quantitative Risk Analysis (QRA) lacks in providing microlevel risk assessment studies and are unable to update risk with the passage of time. This study proposes a grid-based dynamic risk analysis framework for analysing the effect of VCEs on the risk of human fatality in an offshore platform. Flame Acceleration Simulator (FLACS), which is a Computational Fluid Dynamics (CFD) software, is used to model VCEs, taking into account different wind and leakage conditions. To estimate the dynamic risk, Bayesian Inference (BI) is utilised using Accident Sequence Precursor (ASP) data. The proposed framework offers the advantage of facilitating microlevel risk analysis by utilising a grid-based approach and providing grid-by-grid risk mapping. Increasing the wind speed (from 3 to 7 m/s) resulted in maximum increase of 21% in risk values. Furthermore, the integration of BI with FLACS in the grid-based framework effectively estimates risk as a function of time and space; the dynamic risk analysis revealed up to 68% increase in human fatality risk recorded from year one to year five.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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