Mitigation of Health and Safety Risks to Employees at Remote Locations Through Shift Scheduling
Notice bibliographique
Résumé
The fly-in fly-out (FIFO) system is typical in remote mineral, oil, and energy operations, where employees work on-site for 2-3 weeks followed by an equal period at home. This schedule, involving shifts of 8, 10, or 12 hours, often leads to mental health, economic, and social impacts. This paper introduces an optimization model to address the atypical scheduling problem of two 12-hour shifts with unequal numbers of employees. Formulated as a mixed-integer non-linear model, the objective is to minimize the relative risks associated with night shifts. The model ensures an even distribution of night shifts among the team throughout the year, reducing night shifts to 6 hours per day with at least 6 hours of rest before and after a given nighttime work shift, implementing serial sleeping, and limiting cumulative night shift hours to less than 56 per month. Two case studies were carried out. The first case is a one-shot and solved by AMPL. The second case is a consecutive description and solved by an intelligent algorithm due to the size of the problem. Compared to the current schedule in the practice of working 14x12h=168h/m night hours, as well as to the benchmark/threshold 8x8h=64h/m night hours, the new schedule presents less risk to employees and by extension, to the operation by limiting the night-time working hours. This model improves workforce efficiency, safety, work quality, and can lead to financial savings for companies by distributing night shifts evenly among team members and avoiding permanent or block assignments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».