MétaCan
Menu
Retour à la cohorte
Enregistrement W4407776980 · doi:10.20944/preprints202502.1514.v1

Adapting RIACT for Ice Storm Resilience of the Hydro-Québec Grid: A City-Level Approach

2025· preprint· en· W4407776980 sur OpenAlexfundaboutno aff
Seyed M. H. S. Rezvani, Marc Morissette, Dragan Komljenović, Maria João Falcão Silva, N. Almeida

Notice bibliographique

RevuePreprints.org · 2025
Typepreprint
Langueen
DomaineEngineering
ThématiqueInfrastructure Resilience and Vulnerability Analysis
Établissements canadiensnon disponible
Organismes subventionnairesInstituto Superior TécnicoFundação para a Ciência e a TecnologiaHydro-QuébecCivil Engineering Research and Innovation for Sustainability
Mots-clésResilience (materials science)StormGridEnvironmental scienceComputer scienceMeteorologyGeographyEnvironmental resource managementGeodesy

Résumé

récupéré en direct d'OpenAlex

This paper presents an adaptation and application of the Risk-Informed Asset-Centric (RIACT) process to analyze the resilience of a portion of Hydro-Québec's electric power grid against extreme ice storm risks, when supplying the densely populated Greater Montreal area, one of the power system’s major load centers. The key aspect consists in avoiding widespread or major blackouts and maintaining the functional performance of the area’s critical and essential services. The study identifies critical risks and asset exposures, analyzes potential solutions. The evaluation is aimed at deploying, on an urban grid, measures based on the PERA resilience stages: i) Preparation; ii) Endurance (Absorption); iii) Recovery; and iv) Adaptation. The proposed PERA plan aims to provide insights in implementing effective preventive measures while emphasizing the importance of monitoring, communication, and reporting throughout the process. By integrating resilience and asset management practices, this approach provides a simplified framework for managing risks associated with extreme weather events, ensuring the continuity of essential services.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,411
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,310
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetInfrastructure Resilience and Vulnerability AnalysisTravaux en français237 207