Modelling the Spread of Covid-19 in a Typical Oil and Gas Facility Setting
Notice bibliographique
Résumé
Abstract The spread of infectious diseases such as COVID-19 in a typical oil and gas facility setting, the health of employees, their families and their communities, is of real concern to the industry. In this work, a suitable predictive, agent-based model is used to predict the spread of COVID-19 in different settings as well as to evaluate strategies to block the spread. The agent-based modelling work is based on the simulation platform, Complex Organization and Bifurcation Within Environmental Bounds, or COBWEB. COBWEB simulates how a system of autonomous agents adapts to variation and sudden changes in the resource base or other features of their environment. Previous COBWEB simulation results illustrate that the tool is useful for predicting the evolution of COVID-19 spread and the effectiveness of various preventive actions including self-isolation of symptomatic people, social/physical distancing, effective PPE use, and ‘shielding’ (physical isolation) of the high-risk population. We adapted model parameters to better represent uncertainty about what might be expected in such a setting, in particular by shifting the distribution of risk severity towards ineffective PPE use, self-isolation and poor social distancing, which expectedly shows upward trend of the spread of the COVID-19. Ultimately, governments and industry can apply the predicted trends, as well as apply the model to specific settings, to make more informed decisions on the additional measures and preventative strategies to curb the spread of COVID-19.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».