Application of data mining to minimize fire‐induced domino effect risks
Notice bibliographique
Résumé
Data mining (DM) has been applied in many advanced science and technology fields, but it has still not been used for domino effect risk management to explore minimum risk scenarios. This work investigates the feasibility of DM in minimizing the risk of fire-induced domino effects in chemical processing facilities. Based on DM, an evidential failure mode and effects analysis (E-FMEA), which could bridge chemical facilities' operational reliability and domino effect risk, is combined with fault tree analysis (FTA) for the occurrence risk modeling of loss of containment (LOC) event of chemical facilities, which is often the triggering point of fire-induced domino effects. Industry specific data such as reliability data, inspection records, and maintenance records are of great value to model the potential occurrence criticality of LOC. The data are used to characterize the LOC risk priority number (RPN) of chemical facilities through FTA and E-FMEA, search and statistics rules are proposed to mine inspection records to assess LOC risk factors. According to the RPN scores of facilities, inherent safety strategies to minimize risk via inventory control are proposed, and their effectiveness is tested using a well-known probit model. In this way, the approach proposes a unit-specific evidence-based risk minimization strategy for fire-induced domino effects. A case study demonstrates the capability of DM in the risk minimization of fire-induced domino effects.
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».