System Dynamics Modelling for Dynamic Emergency Response to Accidents Involving Transport of Dangerous Goods by Road
Notice bibliographique
Résumé
For improving the emergency capacities during road transportation accidents of dangerous goods, this paper divides the accident emergency procedure into four subsystems: accident information processing, personnel rescue and evacuation, vehicle evacuation, and rescue materials delivery. On this basis, the causal mechanism and the loop diagrams of the emergency process are established by using the System Dynamics Method and Vensim software. First, six factors including transportation distance, the degree of mechanical modernization, delay time of personnel control, delay time of traffic information release, command level coefficient, and delay time of department arrival are selected as parameters to test the model’s sensitivity analysis. Then, the influences of the abovementioned factors on the observed value, such as the demand gap of on-site materials, number of people in safe area, number of vehicles in safe area, amount of disposal information, and the dynamic evolution behavior of the system, are analyzed. The results show that the transportation distance is shortened by half, and the time to fill the demand gap is reduced by 39%. The level of mechanical modernization is doubled, the peak inventory of materials in transit will increase by 9.2%, and the time to reach the peak will be shortened by 6.8%. If the delay time of personnel control is shortened by 480 s, the number of people to be evacuated in accident area will be reduced by 56. The delay time of traffic information release is shortened by 480 s, the number of vehicles to be evacuated is reduced by 74, and the time when the vehicle stops entering accident area is 1646 s in advance. The command level coefficient increases by 9.5%, and the speed of action execution increases by 9.6%.
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 | 0,000 | 0,000 |
| 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 ».