Critical Analysis of Train Derailments in Canada through Process Safety Techniques and Insights into Enhanced Safety Management Systems
Notice bibliographique
Résumé
Canada’s rail transportation network is a critical part of Canada’s integrated supply chain which connects industries, consumers, and resource sectors to ports on the Atlantic and Pacific coasts. One transportation activity that is essential to most industries, especially oil and manufacturing, is the rail transport of dangerous goods (DG). Although rail transportation of DG is beneficial to Canada’s economy, not paying attention to the safe transportation of these types of goods can have irreparable effects on the economy, human lives, and the environment. Recent rail accidents, such as Lake Wabamun in 2005 and Lac-Mégantic in 2013, have shown that there is still room to increase the safety of transportation of DG by rail through improving railways’ safety management systems (SMS). As a result, investigations to increase the safety of rail transportation of DG have been started. This work is part of these initiatives focusing on enhancing railways’ SMS, particularly DG main-track train derailments. The current study applied detailed root cause analysis (RCA), the bow tie analysis (BTA), and incident databases to identify the main causes and consequences of these types of accidents (2007–2017). Then, the relationship between these factors and gaps in SMS elements were identified and the frequency of each factor was investigated. The results showed that the main gaps are related to process and equipment integrity, incident investigation, and company standards, codes, and regulations. Furthermore, some useful recommendations are presented to improve the management of each SMS element and reduce these gaps.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».