Developing a Risk Breakdown Matrix for the Construction of On-Shore Wind Farm Projects
Notice bibliographique
Résumé
Wind farm projects have recently gained popularity in many countries. However, since wind farms are a novel type of infrastructure for energy production for which limited historical data are available, numerous unique challenges are encountered during their construction. One of the main challenges involves risk management. Many researchers and practitioners have investigated on- and off-shore wind farm projects in terms of risk identification. However, they have mostly focused on off-shore wind farm projects; there is little research on risk identification for on-shore wind farm projects. To address this gap in the research, this paper develops a risk breakdown matrix (RBM) for the construction of on-shore wind farm projects. Due to a lack of research on risk identification for on-shore wind farm projects, in this paper, the case-based reasoning (CBR) technique is used to develop the RBM. First, the construction work packages (CWPs) of on-shore wind farm projects are identified. Then, by comparing the CWPs of these projects to those from other types of construction projects, the work-package-level risks that affect each CWP are identified based on the similarities between on-shore wind farm projects and other types of construction projects. The RBM developed in this paper can be used for the risk identification and risk management of on-shore wind farm projects. The contributions of this paper are twofold: First, it introduces CBR as a risk identification technique for on-shore wind farm or other similar construction projects, which is a topic that has not previously been comprehensively studied. Second, it identifies the work-package-level risks affecting these projects and maps each risk factor to the affected CWPs.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».