A copula‐based method of risk prediction for autonomous underwater gliders in dynamic environments
Notice bibliographique
Résumé
Autonomous underwater gliders (AUGs) are effective platforms for oceanic research and environmental monitoring. However, complex underwater environments with uncertainties could pose the risk of vehicle loss during their missions. It is therefore essential to conduct risk prediction to assist decision making for safer operations. The main limitation of current studies for AUGs is the lack of a tailored method for risk analysis considering both dynamic environments and potential functional failures of the vehicle. Hence, this study proposed a copula-based approach for evaluating the risk of AUG loss in dynamic underwater environments. The developed copula Bayesian network (CBN) integrated copula functions into a traditional Bayesian belief network (BBN), aiming to handle nonlinear dependencies among environmental variables and inherent technical failures. Specifically, potential risk factors with causal effects were captured using the BBN. A Gaussian copula was then employed to measure correlated dependencies among identified risk factors. Furthermore, the dependence analysis and CBN inference were performed to assess the risk level of vehicle loss given various environmental observations. The effectiveness of the proposed method was demonstrated in a case study, which considered deploying a Slocum G1 Glider in a real water region. Risk mitigation measures were provided based on key findings. This study potentially contributes a tailored tool of risk prediction for AUGs in dynamic environments, which can enhance the safety performance of AUGs and assist in risk mitigation for decision makers.
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 | 0,001 |
| 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 ».