Evolving extreme events caused by climate change: A tail based Bayesian approach for extreme event risk analysis
Notice bibliographique
Résumé
Natural hazards are of significant concern for engineering development in the offshore environment. Climate change phenomena are making these concerns even greater. The frequency and extent of natural hazards are undesirably evolving over time; so risk estimation for such events require special consideration. In most cases the existing extreme models (based on the extreme value theory) are unable to capture the changing frequency and extremeness of natural hazards. To capture the evolving frequency and extremeness of natural hazards and their effects on offshore process operations, an advanced probabilistic approach is proposed in this paper. The approach considers a heavy right tail probability model. The model parameter is estimated through the Bayesian inference. Hill and the SmooHill estimators are used to evaluate the lowest and highest exponent of the probability model. The application of the approach is demonstrated through extreme iceberg risk analysis for the Jeanne d’Arc basin. This study shows climate change or global warming is causing to appear a significant number of icebergs every year in the study area. Offshore structures are often designed to withstand the impact of 1 MT icebergs weight; however, the study observes large icebergs (10 MT weight) are sighted in recent years (14% of the total number of cited icebergs for the period of 2002–2017). As a result, the design philosophy needs to be revised. The proposed risk-based approach provides a robust design criterion for offshore structures.
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 | 0,001 |
| 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) | 0,000 | 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 ».