MétaCan
Menu
Retour à la cohorte
Enregistrement W3122510761 · doi:10.1115/ipc2020-9261

Application of Risk and Reliability in Designing Facility Site Containment

2020· article· en· W3122510761 sur OpenAlexaboutno aff
G.M. Ballard, Refaul Ferdous, Anthony Payoe, Amanda Kulhawy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueRisk and Safety Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContainment (computer programming)Pipeline transportAsset (computer security)Asset managementHazardous wasteRisk analysis (engineering)Risk managementEnvironmental scienceComputer scienceEngineeringBusinessWaste managementComputer securityEnvironmental engineeringFinance

Résumé

récupéré en direct d'OpenAlex

Abstract Enbridge is North America’s premier energy infrastructure company delivering the energy people need and want. Enbridge’s business value is asset intensive. With over 200 onshore liquids pipelines facility assets, operational safety and environmental protection are always top priorities. The embedment of risk management practices in business decisions is an effective way to appropriately optimize asset performance while avoiding catastrophic impacts to people and the environment. This includes understanding and managing these risk events and establishing barriers to prevent the impact. Facility site containment is an independent protection layer that mitigates the consequences of a spill. The United States Environmental Protection Agency and the National Fire Code of Canada provide requirements to contain overland flow of a spill from liquids pipelines facility assets. Although there are specific volumetric requirements for spill containment for facility tanks, there are no specific volumetric requirements for spill containment for pipeline facility assets such as pumps, valves, etc. Industry typically employs an index-based approach to determine the specific design volumes using catastrophic rupture volumes and facility location. This approach has several shortcomings, including design inadequacy, inconsistency, and challenges with scalability. A risk-based approach is appropriate in determining the required site containment volume based on oil spill history, facility assets, and environmental sensitivities. A probabilistic model can be created using historical facility oil spill data based on the Pipeline and Hazardous Materials Safety Administration’s (PHMSA’s) facility incident database to estimate the likelihood of a given size of release occurring. If available, company oil spill history can also be used or integrated with the PHMSA dataset. Combining the likelihood of the size of release occurring with the estimated consequence (by accounting for the volume of a release and the environmental sensitivity at the release location), it is possible to evaluate the risk of a release. This estimation of risk can then be leveraged to support facility site containment design to manage the risk to an acceptable level. By informing facility site containment with volumetric requirements using reliability and consequence models and risk management principles, an organization can prudently balance pipeline safety and capital constraints to comply with federal regulations. This paper demonstrates this approach and describes: • The value of available data and model development • Reliability modeling and consequence assessment • Risk-informed decision-making • Future model enhancements

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,032
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,032
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,322
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRisk and Safety AnalysisTravaux en français237 207