Fault tree analysis improvements: A bibliometric analysis and literature review
Notice bibliographique
Résumé
Abstract Fault tree analysis (FTA) is one of the most popular failure analysis techniques that reveal the potential pathways leading to systems or components failure. It has been widely employed in numerous sectors to understand how a system fails and is improved. However, the conventional FTA has been criticized due to a series of inherent shortcomings in the FTA state of the arts. Accordingly, scholars, engineers, and practitioners made their attempts to improve the FTA by dealing with its critical deficiencies over the last decade. However, a few works have been performed to review and synthesize the relevant studies on FTA improvement topics. Thus, the present study is aimed to carry out a systematic literature review of the state‐of‐the‐art theoretical and empirical findings concerning FTA improvement from 2011 to 2021 using the Scopus database collection. In this sense, an in‐depth investigation is conducted using statistical metadata analysis. This subject discusses frontier directions and development trends to reveal the research status. In addition, a bibliometric study is undertaken to ascertain the most productive and influential researchers, research centers, and hotspot fields. It also sheds light on the FTA shortcomings in the existing literature, the evolution in FTA improvement topics, and research opportunities. The outcomes of the present work highlighted that the annual publications on FTA improvement topics are significantly growing, especially after 2019. Besides, Jianxiu Wang, Yan‐Feng Li, and Yihuan Wang are the most productive, prolific, and highly cited authors worldwide; and Asia, particularly China, is the leading contributor in the FTA area. According to Bradford's law, one‐third of all publications (7995) in the field of FTA improvement have been published by 40 sources. Finally, “Decision‐making,” “Risk analysis,” “Uncertainty Analysis,” and “Bayesian Networks” are the four major hot topics integrated into improving the conventional FTA.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,210 | 0,184 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».