Actualisation de la gestion intégrée des zones de récupération des matières dangereuses résiduelles à Hydro-Québec
Bibliographic record
Abstract
La gestion des matières dangereuses résiduelles en entreprise est complexe. Cette gestion doit être réalisée dans un cadre règlementaire très rigoureux et contraignant. De par ses nombreuses activités, Hydro-Québec génère des matières dangereuses résiduelles et se doit de les entreposer et de les gérer convenablement. Le modèle de gestion présentement en place dans l’entreprise est décentralisé et passe par plusieurs étapes. Beaucoup d’intervenants sont impliqués dans cette gestion, occasionnant par le fait même, des anomalies Afin d’optimiser ce processus, les façons de faire doivent être révisées et actualisée en vue de centraliser les opérations vers une même entité et ainsi, réaliser une gestion intégrée des matières dangereuses résiduelles. Le principal objectif de cet essai est de relever les problématiques actuelles au niveau des différentes étapes de récupération des matières dangereuses résiduelles à Hydro-Québec et de proposer des pistes de solutions afin d’en améliorer sa gestion. Ces solutions proposées doivent assurer le maintien de la conformité environnementale de cette activité tout comme l’augmentation de l’efficience de son processus de gestion actuel. Quatre scénarios ont été élaborés et trois d’entre eux analysés afin de faire ressortir un scénario optimal répondant aux principaux objectifs de cet essai. Cette analyse a pris en compte quatre critères soit : l’environnement, l’aspect technique, le volet social et l’économie. Le scénario ayant répondu le mieux à ces critères s’est avéré être une solution de collecte en vrac des matières dangereuses résiduelles. Par ce scénario, il est démontré que des ressources spécialisées d’une seule division prendraient en charge toutes les opérations reliées à la gestion des matières dangereuses résiduelles. Cette gestion ainsi centralisée assurerait une meilleure maîtrise de l'activité et une conformité constante aux exigences légales. Plusieurs pistes d’optimisation s’offrent à ce scénario et il est recommandé de faire un historique réel des matières dangereuses résiduelles collectées dans la première année, afin d’ajuster les visites de sites en fonction des besoins réels.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".