A risk‐based fuzzy arithmetic model to determine safety integrity levels considering individual and societal risks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Risk‐based techniques such as risk graph and Layer of Protection Analysis (LOPA) are used to determine the Safety Integrity Level (SIL) of safety instrumented functions to ensure that risk is reduced to a tolerable level. However, these techniques have some drawbacks. For instance, they need absolute and precise numbers to evaluate SIL parameters, which are rarely available or are highly uncertain. In addition, they are incapable of considering individual and societal risks simultaneously. Moreover, risk tolerance criteria are likely to be used incorrectly in the LOPA technique, and risk graph is difficult to calibrate. In the current paper, a novel comprehensive fuzzy arithmetic model has been developed to determine the required SILs in process industries. The fuzzy required Risk Reduction Factor (RRF) is calculated for both individual and societal risks. Fuzzy numbers are developed from crisp intervals, based on the expected interval of the fuzzy numbers. Expert fuzzy‐scaled elicitation has been applied to obtain the SIL parameters. In the proposed model, the overall risk tolerance criterion and apportionment factor are defined as SIL parameters for both individual and societal risks to ensure that the applied risk criteria are compliant with the requirements of the system. In addition, an approach is introduced for determining the required SIL based on the fuzzy required RRF. The proposed methodology was demonstrated to alleviate the limitations, and thus, can be considered as a more precise alternative to the conventional methods.
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.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle