MétaCan
Menu
Retour à la cohorte
Enregistrement W645581224 · doi:10.1299/jsmeicone.2003.16

ICONE11-36262 Initiating Stochastic Maintenance Optimization at Candu Power Plants

2003· article· en· W645581224 sur OpenAlexaff
Kevin E. Doyle

Notice bibliographique

RevueThe Proceedings of the International Conference on Nuclear Engineering (ICONE) · 2003
Typearticle
Langueen
DomaineEngineering
ThématiqueReliability and Maintenance Optimization
Établissements canadiensBruce Power (Canada)
Organismes subventionnairesnon disponible
Mots-clésReliability engineeringComputer sciencePreventive maintenanceBoomPhase (matter)Component (thermodynamics)Operations researchRisk analysis (engineering)EngineeringBusiness

Résumé

récupéré en direct d'OpenAlex

As previously reported at ICONE 6 in New Orleans (1996), the use of various innovative maintenance optimization techniques at Bruce has lead to cost effective preventive maintenance applications for complex systems. Further cost refinement of the station maintenance strategy is being evaluated via the applicability of statistical analysis of historical failure data. Since the statistical evaluation was initiated in 1999 significant progress has been made in demonstrating the viability of stochastic methods in Candu maintenance. Some of the relevant results were presented at ICONE 10 in Washington DC (2002). Success with the graphical displays and the relatively easy to implement stochastic computer programs was sufficient to move the program along to the next significant phase. This next phase consists of investigating the validity of using subjective elicitation techniques to obtain component lifetime distributions. This technique provides access to the elusive failure statistics, the lack of which is often referred to in the literature as the principle impediment preventing the use of stochastic methods in large industry. At the same time the technique allows very valuable information to be captured from the fast retiring "baby boom generation". Initial indications have been quite positive.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,086
Score d'incertitude au seuil0,637

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,013
Tête enseignante GPT0,186
Écart entre enseignants0,173 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Proceedings of the International Conference on Nuclear Engineering (ICONE)Même sujetReliability and Maintenance OptimizationTravaux en français237 207