Optimization of firefighting strategies in process plants with emphasis on domino effects and safe evacuation
Notice bibliographique
Résumé
Abstract Effective firefighting and evacuation are integral parts of emergency response plans in process plants, which play a key role in protecting human lives and assets in the event of major fires. Given sufficient firefighting resources, firefighters would suppress all the burning vessels and cool off all the exposed vessels in order to contain the fire and prevent a fire‐induced domino effect. However, when the number of critical units—whether on fire or exposed to fire—exceeds the firefighting resources, firefighters should decide how to optimally allocate the resources so as to best satisfy the safety goals. To facilitate such decisions, the present work aims to develop a methodology for effective firefighting under insufficient resources. The methodology seeks out two safety goals via optimal firefighting strategies: (1) providing for the safety of evacuees, and (2) reducing the risk of domino effects. Although both safety goals are attempted to be satisfied at the same time, a higher priority is assigned to the first goal as long as the evacuation is underway. When the evacuation is complete, all the resources are focused on the second goal. The study shows that a multi‐objective optimization approach to identifying firefighting plans outdoes single‐objective optimization approaches in that several safety goals could be met at once. Although only two safety goals are considered in the present study, the methodology is flexible enough to accommodate several goals such as safety of offsite people and assets.
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 | 0,001 | 0,001 |
| 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 ».