Use of HFACS and fault tree model for collision risk factors analysis of icebreaker assistance in ice-covered waters
Notice bibliographique
Résumé
With the global warming and a large amount of sea ice melting, the available Arctic Sea Route has greatly enhanced the value of Arctic shipping. Ship operations under icebreaker assistance have become an essential way to facilitate the safe navigation of merchant vessels sailing through the Arctic Sea Route in ice-covered waters, but they can also put the crew and the ship in danger caused by a possible collision between the assisted ship and the icebreaker. In this paper, a dedicated Human and Organizational Factors (HoFs) model of ship collision accidents between an assisted ship and an icebreaker is developed and analyzed with the aim to identify and classify collision risk factors. First, a modified model of the Human Factors Analysis and Classification System (HFACS) for collision accidents between a ship and an icebreaker in ice-covered waters is proposed, which helps to analyze ship collision reports. Then, a Fault Tree Analysis (FTA) model is utilized to analyze the fundamental collision risk factors according to the statistical analysis of accident reports and expert judgments based on the HFACS-SIBCI model. Finally, qualitative analysis is carried out to analyze collision risk factors under icebreaker assistance, where Risk Control Options (RCOs) are formulated. An important guidance for the risk control of ship collisions during icebreaker assistance in ice-covered waters is provided for lawmakers and shipping companies.
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 ».