Development of a Fuzzy‐based Risk Assessment Model for Process Engineering
Notice bibliographique
Résumé
Global interest in sustainable development has increased emphasis on the social, environmental, and economic impacts of products and processes. Ample evidence is available on the triple bottom line impacts of engineered systems creating ecological and social risks. Hence, the management of triple bottom line based risks should be a key consideration in operational management. The risk matrix has been commonly used to prioritize the risks associated with the prevention and remediation of environmental damage. Despite its popularity, however, data uncertainty is the main challenge associated with the risk matrix. The published literature identifies imprecision of risk level and absence of data as added challenges. A fuzzy logic (FL) based risk matrix model (RMM) has been developed to overcome the aforementioned challenge. The proposed RMM adopts a unique approach, integrating frequency of the risk consequence and impact of the corresponding consequence. The frequency of risk consequence is based on four factors: (i) the frequency of risk events, (ii) exposure to risk events, (iii) the probability of failure on demand (PFD) of the safeguards, and (iv) the vulnerability of safeguards. The consequence impacts involve the impact on humans, the environment, properties, and the reputation of the industry. To facilitate the computations of RMM, a Simulink-MATLAB model was developed and demonstrated by using a case study of a reboiler oven in the petroleum industry. The study revealed that the results of the new RMM can be more reliable than traditional risk matrices.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».