Assessing the Risks Associated with the Canadian Railway System Using a Safety Risk Model Approach
Notice bibliographique
Résumé
Canada’s national rail network plays a vital role in moving goods and people, transferring $320 billion worth of goods and over 100 million passengers annually. Severe train occurrences are rare events. But they have the potential to cause fatalities and injuries, as well as environmental and property damage. Recent severe incidents, such as Burlington in 2012 and Lac-Mégantic in 2013, have shown that there is still a need for increased awareness and enhanced risk assessment. This work focuses on risk assessment on the Canadian railway system using the Safety Risk Model (SRM). The study applied a customized Canadian SRM (C-SRM) to two groups of hazardous events: main-track derailments and collisions with fatality and injury consequences, calibrated for data between 2007 and 2017. The model used Fault Tree Analysis (FTA) and Event Tree Analysis (ETA) to identify the risks of hazardous events. The individual risks of the hazardous events were then evaluated for three groups of people: passengers, employees, and members of the public (MOP). Finally, the effectiveness of introducing a new control measure, Enhanced Train Control (ETC), was assessed. The results of the study showed that the collective risk of main-track derailments is higher than main-track collisions. Moreover, the risk to MOP and employees form the most significant proportion of individual risk. Finally, risk reduction analysis of the ETC revealed that developing this system reduced the risk of main-track derailments and collisions. This new control measure thus has the potential to make Canadian railways safer.
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 | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».