Application of uncertainty quantification techniques in the framework of process safety studies: Advanced dispersion simulations
Notice bibliographique
Résumé
Abstract In the framework of process safety studies, consequence assessment of accidental scenarios is a crucial step affecting the eventual risk profile associated with the facilities under analysis. Conventional models used for consequence assessment are based on integral models, and may not be adequate to cope with the dynamic evolution of accidental scenarios and their three‐dimensional features. On the other hand, consequence assessment models based on computational fluid dynamics (CFD) approaches are promising to cope with complex scenarios and environments, but setting the simulation introduces relevant uncertainties associated with both the input data, assumptions, and with the modelling of physical effects involved. In the present study, uncertainty quantification (UQ) techniques are applied to support advanced safety studies based on CFD simulations of hazardous gas dispersion. Firstly, the accidental scenarios are characterized by defining release scenarios and conditions and quantifying source terms using integral models. At the same time, input meteorological data are gathered. This enables the development of high‐fidelity CFD simulations of gas dispersion based on different input sets and eventually the implementation of UQ techniques. The generalized polynomial chaos (gPC) expansion is employed to obtain hazardous gas concentration based on the variation of wind direction and speed. The present method is applied for the analysis of a real plant featuring a complex layout. The results show the advantages of the present approach by quantifying the influence of meteorological conditions and providing indications for supporting the development of protection systems and emergency measures.
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 ».