Laboratoire canadien de recherche ferroviaire : Résumé des résultats du plan de recherche annuel 2023-2024
Notice bibliographique
Résumé
This report provides the summary of results for the research projects carried out by the Canadian Rail Research Laboratory (CaRRL) for fiscal year 2023-2024. The projects include: • Detailed Quantitative Model for Rail Transport of Dangerous Goods (DG): This project developed a detailed, practicable model to quantitatively estimate the risk for rail transport of DG. Fault Tree Analyses (FTA) and Event Tree Analyses (ETA) process model were developed for rail transport operations. • Ground Hazard Risk Evolution with Climate Change: This project evaluated the ground hazard weather triggers and mechanisms through morphological and probabilistic approaches to quantify their relationship with weather and extrapolated the ground hazard frequency utilizing the climatic projections for Canada. • Wildfire Hazard Identification and Risk Assessment: This project aims to develop an automated framework to assess the wildfire-related risks to railway infrastructure. • The Resilience of the Railway Network: This project aims to improve the resilience of the railway network in the context of natural and human-induced disasters. • Fundamental Steel Behaviour and Properties: This project aims to develop a database of rail material properties from both in-service rail and broken rail to identify potential presence of transverse cracking. • Human Factors of Trespassing and Grade Crossings: This study will identify the most significant causal factors contributing to high-way railroad grade crossings (HRGC) crashes, such as visibility, season, type of vehicle, and driver actions, which were not included in any other studies for HRGC crashes in Canada.
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 | 0,012 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,020 |
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 ».