in which an in-depth accident study

in which an in-depth accident study in traffic operation was discussed
to illustrate the effectiveness of the proposed methodology.
Although fault tree analysis was successfully applied to handling
and solving a variety of accidents, there were very few studies
applied to the field of the high-speed railway accidents. For this
reason, this paper will employ fault tree analysis combined with
quantitative analysis to implement in-depth analysis for
high-speed railway accidents. The following will focus on introducing
the procedure of fault tree analysis method.
Fault tree analysis is a deductive and diagrammatic method to
capture the failure possibility or probability of an accident.
Starting from the top event (an accident occurred), we search
and analyze all possible reasons level-by-level until all relevant
basic events are found out. According to the relationships and
interactions among basic events, a fault tree logic diagram can be
easily established with the aid of symbols for the fault tree GB/T
4888-2009 (2009). Moreover, in conventional fault tree analysis
method, the failure possibilities or probabilities of basic events
were regarded as crisp values. However, it is difficult to capture
the failure possibilities or probabilities of basic events from past
experience due to the complexity and changeability of practical
environment or the incompleteness of the prior information, and
moreover, the basic events which have never occurred before are
also needed to consider. Hence, some researchers employed the
fuzzy set theory to avoid the potential shortcomings. For instance,
Tanaka et al. (1983) analyzed the fault tree by employing fuzzy
probability. That is, the failure probability of a basic event was
defined as a fuzzy set on [0, 1] instead of a unique value.
Kenarangui (1981) employed fuzzy sets logic to account for
imprecision and uncertainty in data and a fuzzy event tree was
established to analyze electric power protection system additionally.
In addition, the fuzzy or stochastic optimization methods
have been applied to a variety of real-world decision-making
problems up to now (see Ni and Liu, 2011, 2013; Ni, 2012; Yang
and Zhou, 2014; Yang et al., 2014, 2012, 2013). Motivated by these,
the failure possibilities of basic events in this paper will be
represented as intuitionistic trapezoidal fuzzy numbers to characterize
the basic events’ uncertain characteristics.
In this paper, some arithimetic operations of intuitionistic
trapezoidal fuzzy numbers will be defined to calculate the failure
possibility of the top event in the quantitative analysis procedure.
In addition, investigating the importance degrees of all basic events
is also important, because we can easily identify which basic event
is the main reason for an accident. Therefore, we need to rank the
intuitionistic trapezoidal fuzzy numbers to obtain the importance
degrees for basic events. In some existing references, some ranking
methods have been proposed. For example, Li (2010) developed a
ratio ranking method based on the value index to the ambiguity
index for ranking triangular intuitionistic fuzzy numbers.
Mitchell (2004) interpreted an intuitionistic fuzzy number as an
ensemble of fuzzy numbers and introduced a ranking method.
However, both of those ranking method were not directly aim at
intuitionistic trapezoidal fuzzy numbers (ITFNs). Hence, this paper
will develop a new ranking method for ITFNs by calculating the
corresponding expected value and compromise possibility.
The rest of this paper is organized as follows. In Section 2, after
introducing fundamental concept of ITFNs, some arithmetic
operations of ITFNs associated with some properties (like closure
property, commutative law, associative law and distributive law)
are formally presented. Moreover, the ranking criterion is proposed
to give a sequence of the different ITFNs. Section 3 gives a
description of the procedure of fault tree analysis combined with
quantitative analysis. Then, two numerical examples are implemented
in Section 4 to illustrate the application and effectiveness
of the proposed approaches. Finally, some conclusions are made in
Section 5.

ผลลัพธ์ (ไทย) 1:

ในอุบัติเหตุในเชิงลึกซึ่งศึกษาในการจราจรได้กล่าวถึงเพื่อแสดงให้เห็นถึงประสิทธิภาพของวิธีการนำเสนอแม้ว่าการวิเคราะห์แผนภูมิบกพร่องถูกนำไปใช้การจัดการและแก้ไขอุบัติเหตุที่หลากหลาย มีการศึกษาน้อยมากนำไปใช้กับฟิลด์ของอุบัติเหตุรถไฟความเร็วสูง ในการนี้เหตุผล กระดาษนี้จะใช้การวิเคราะห์แผนภูมิบกพร่องร่วมกับการวิเคราะห์เชิงปริมาณใช้การวิเคราะห์เชิงลึกอุบัติเหตุรถไฟความเร็วสูง ต่อไปนี้จะเน้นการแนะนำขั้นตอนของวิธีการวิเคราะห์แผนภูมิบกพร่องข้อบกพร่องการวิเคราะห์แผนภูมิเป็นวิธี deductive และ diagrammatic การจับภาพความล้มเหลวเป็นไปได้หรือน่าเป็นอุบัติเหตุเราเริ่มต้นจากเหตุการณ์ด้านบน (เกิดอุบัติเหตุ), ค้นหาและวิเคราะห์ทั้งหมดสาเหตุระดับระดับจนทั้งหมดที่เกี่ยวข้องเหตุการณ์พื้นฐานจะพบ ตามความสัมพันธ์ และโต้ตอบระหว่างเหตุการณ์พื้นฐาน ข้อบกพร่องทรีลอจิกไดอะแกรมได้ได้ก่อตั้งขึ้น ด้วยความช่วยเหลือของสัญลักษณ์ในแผนภูมิบกพร่อง GB/T4888-2009 (2009) นอกจากนี้ ในการวิเคราะห์แผนภูมิข้อบกพร่องทั่วไปวิธี ความล้มเหลวไป หรือกิจกรรมของกิจกรรมพื้นฐานไม่ถือเป็นค่ากรอบ อย่างไรก็ตาม มันเป็นเรื่องยากในการจับภาพความล้มเหลวไปหรือกิจกรรมของเหตุการณ์พื้นฐานจากอดีตประสบการณ์ครบความซับซ้อนและ changeability ของจริงสภาพแวดล้อมหรือเกอเดลข้อมูลก่อนหน้านี้ และนอกจากนี้ มีกิจกรรมพื้นฐานที่ไม่เคยเกิดขึ้นก่อนนอกจากนี้ยัง ต้องพิจารณา ดังนั้น การทำงานของนักวิจัยบางทฤษฎีเซตเอิบเพื่อหลีกเลี่ยงการแสดงศักยภาพ ตัวอย่างทานากะ et al. (1983) วิเคราะห์ต้นข้อบกพร่อง โดยใช้เอิบความน่าเป็น นั่นคือ ความน่าเป็นความล้มเหลวของเหตุการณ์พื้นฐานได้กำหนดเป็นแบบวิภัชบน [0, 1] แทนค่าที่ไม่ซ้ำกันชุดเอิบตรรกะการทำงาน Kenarangui (1981)imprecision และความไม่แน่นอนในข้อมูลและต้นไม้เหตุการณ์ชัดเจนก่อตั้งขึ้นเพื่อวิเคราะห์ระบบป้องกันไฟฟ้านอกจากนี้นอกจากนี้ วิธีการเพิ่มประสิทธิภาพพร่าเลือน หรือแบบเฟ้นสุ่มใช้ความหลากหลายของตัดสินใจจริงปัญหาถึงตอนนี้ (ดู Ni และหลิว 2011, 2013 Ni, 2012 ยางและ โจว 2014 ยาง et al., 2014, 2012, 2013) แรงจูงใจจากเหล่านี้โอกาสล้มเหลวของเหตุการณ์พื้นฐานในเอกสารนี้จะแสดงเป็นตัวเลขชัดเจน trapezoidal intuitionistic เพื่อกำหนดลักษณะของเหตุการณ์พื้นฐานแน่ใจลักษณะในเอกสารนี้ ดำเนินการบางอย่าง arithimetic ของ intuitionisticจะถูกกำหนดหมายเลขเอิบ trapezoidal คำนวณความล้มเหลวเป็นไปได้ของเหตุการณ์ด้านบนในขั้นตอนการวิเคราะห์เชิงปริมาณนอกจากนี้ ตรวจสอบองศาความสำคัญของเหตุการณ์พื้นฐานทั้งหมดความสำคัญ เนื่องจากเราสามารถระบุเหตุการณ์ที่พื้นฐานง่าย ๆเป็นเหตุผลหลักสำหรับอุบัติเหตุ ดังนั้น เราจำเป็นต้องลำดับหมายเลขเอิบ trapezoidal intuitionistic ได้รับความสำคัญองศาสำหรับเหตุการณ์พื้นฐาน ในอ้างอิงที่มีอยู่บางอย่าง บางอันดับวิธีได้รับการเสนอชื่อ ตัวอย่าง Li (2010) พัฒนาเป็นจัดลำดับตามดัชนีค่าการย่อที่วิธีอัตราส่วนดัชนีการจัดอันดับสามเหลี่ยมเลขเอิบ intuitionisticMitchell (2004) ตีความหมายเลขเอิบ intuitionistic เป็นการวงดนตรีของตัวเลขที่ชัดเจน และแนะนำวิธีการจัดอันดับอย่างไรก็ตาม ผู้จัดอันดับวิธีการทั้งสองไม่ตรงจุดมุ่งหมายที่intuitionistic trapezoidal เอิบเลข (ITFNs) ดังนั้น กระดาษนี้จะพัฒนาวิธีการจัดอันดับใหม่สำหรับ ITFNs โดยคำนวณการค่าคาดหมายที่สอดคล้องกันและประนีประนอมความเป็นไปได้ส่วนเหลือของเอกสารนี้มีการจัดระเบียบดังนี้ ในส่วน 2 หลังแนะนำแนวคิดพื้นฐานของ ITFNs เลขคณิตบางการดำเนินงานของ ITFNs ที่เกี่ยวข้องกับคุณสมบัติบางอย่าง (เช่นปิดคุณสมบัติ สลับกฎหมาย กฎหมายที่เกี่ยวข้อง และกฎหมายแจกแจง)มีอย่างเป็นกิจจะลักษณะแสดง นอกจากนี้ การนำเสนอเกณฑ์การจัดอันดับเพื่อให้ลำดับของ ITFNs แตกต่างกัน หมวดที่ 3 ให้เป็นคำอธิบายของขั้นตอนการวิเคราะห์แผนภูมิบกพร่องร่วมกับการวิเคราะห์เชิงปริมาณ จากนั้น ดำเนินการตัวอย่างตัวเลขใน 4 ส่วนเพื่อแสดงแอพลิเคชันและประสิทธิผลของวิธีการนำเสนอ ในที่สุด ทำบทสรุปบางอย่างในส่วน 5

ผลลัพธ์ (ไทย) 2:

ซึ่งในการศึกษาการเกิดอุบัติเหตุในเชิงลึกในการดำเนินงานการจราจรที่ถูกกล่าวถึงในการแสดงให้เห็นถึงประสิทธิภาพของวิธีการที่นำเสนอ. แม้ว่าการวิเคราะห์ความผิดต้นไม้ถูกนำมาใช้ประสบความสำเร็จในการจัดการและการแก้ความหลากหลายของการเกิดอุบัติเหตุที่มีการศึกษาน้อยมากที่นำไปใช้ในด้านการสูงเกิดอุบัติเหตุรถไฟความเร็วสูง สำหรับเรื่องนี้เหตุผลที่บทความนี้จะจ้างการวิเคราะห์ความผิดต้นไม้ร่วมกับการวิเคราะห์เชิงปริมาณในการดำเนินการวิเคราะห์ในเชิงลึกสำหรับการเกิดอุบัติเหตุรถไฟความเร็วสูง ต่อไปนี้จะมุ่งเน้นไปที่การแนะนำขั้นตอนของวิธีการวิเคราะห์ความผิดต้นไม้. ความผิดพลาดการวิเคราะห์ต้นไม้เป็นวิธีนิรนัยและแผนภาพที่จะจับความเป็นไปได้ความล้มเหลวหรือความน่าจะเป็นของการเกิดอุบัติเหตุ. เริ่มต้นจากเหตุการณ์บน (การเกิดอุบัติเหตุที่เกิดขึ้น) เราค้นหาและวิเคราะห์ทั้งหมดเหตุผลที่เป็นไประดับโดยระดับที่เกี่ยวข้องทั้งหมดจนกว่าเหตุการณ์พื้นฐานพบ ตามความสัมพันธ์และการมีปฏิสัมพันธ์ในหมู่เหตุการณ์พื้นฐานแผนภาพตรรกะความผิดต้นไม้สามารถจัดตั้งได้อย่างง่ายดายด้วยความช่วยเหลือของสัญลักษณ์สำหรับความผิดต้นไม้GB / T 4888-2009 (2009) นอกจากนี้ในความผิดธรรมดาต้นไม้วิเคราะห์วิธีการความเป็นไปได้ความล้มเหลวหรือความน่าจะเป็นของเหตุการณ์พื้นฐานถูกมองว่าเป็นค่าที่คมชัด แต่ก็เป็นเรื่องยากที่จะจับความเป็นไปได้ความล้มเหลวหรือความน่าจะเป็นของเหตุการณ์พื้นฐานจากที่ผ่านมามีประสบการณ์เนื่องจากความซับซ้อนและความไม่แน่นอนของการปฏิบัติสภาพแวดล้อมหรือความไม่สมบูรณ์ของข้อมูลก่อนและยิ่งไปกว่านั้นในกิจกรรมพื้นฐานที่ไม่เคยเกิดขึ้นก่อนที่จะยังต้องพิจารณา ดังนั้นนักวิจัยบางคนลูกจ้างทฤษฎีเซตคลุมเครือเพื่อหลีกเลี่ยงข้อบกพร่องที่อาจเกิดขึ้น ยกตัวอย่างเช่นทานากะ, et al (1983) การวิเคราะห์ต้นไม้ผิดโดยการเลือนความน่าจะเป็น นั่นคือความน่าจะเป็นความล้มเหลวของเหตุการณ์พื้นฐานกำหนดเป็นชุดเลือนบน [0, 1] แทนที่จะเป็นค่าที่ไม่ซ้ำกัน. Kenarangui (1981) การจ้างงานชุดเลือนตรรกะบัญชีสำหรับแน่ชัดและความไม่แน่นอนในข้อมูลและต้นไม้เหตุการณ์เลือนเป็น. จัดตั้งขึ้นเพื่อวิเคราะห์ระบบป้องกันพลังงานไฟฟ้านอกจากนี้นอกจากนี้ยังมีวิธีการเพิ่มประสิทธิภาพเลือนหรือสุ่มได้รับนำไปใช้กับความหลากหลายของการตัดสินใจที่แท้จริงของโลกปัญหาถึงตอนนี้(ดู Ni และหลิว 2011, 2013; Ni, 2012; ยางและโจว 2014. ยาง et al, 2014, 2012, 2013) แรงบันดาลใจจากเหล่านี้เป็นไปได้ที่ความล้มเหลวของการจัดกิจกรรมพื้นฐานในบทความนี้จะแสดงเป็นตัวเลขเลือนสี่เหลี่ยมคางหมูintuitionistic ลักษณะเหตุการณ์พื้นฐานลักษณะที่ไม่แน่นอน. ในกระดาษนี้บางการดำเนินงาน arithimetic ของ intuitionistic ตัวเลขเลือนสี่เหลี่ยมคางหมูจะถูกกำหนดในการคำนวณความล้มเหลวในความเป็นไปได้ของเหตุการณ์ชั้นนำในขั้นตอนการวิเคราะห์เชิงปริมาณ. นอกจากนี้ยังมีการตรวจสอบองศาความสำคัญของเหตุการณ์ที่เกิดขึ้นทุกขั้นพื้นฐานเป็นสิ่งที่สำคัญเพราะเราสามารถระบุกรณีพื้นฐานคือเหตุผลหลักที่ทำให้เกิดอุบัติเหตุ ดังนั้นเราจึงจำเป็นที่จะต้องจัดอันดับตัวเลขเลือนสี่เหลี่ยมคางหมู intuitionistic ที่จะได้รับความสำคัญองศาสำหรับการจัดกิจกรรมพื้นฐาน ในการอ้างอิงที่มีอยู่บางการจัดอันดับวิธีการได้รับการเสนอ ยกตัวอย่างเช่นหลี่ (2010) การพัฒนาวิธีการจัดอันดับอัตราส่วนขึ้นอยู่กับดัชนีค่าความคลุมเครือดัชนีสำหรับการจัดอันดับตัวเลขเลือนสามเหลี่ยมintuitionistic. มิทเชลล์ (2004) ตีความจำนวนเลือน intuitionistic เป็นชุดของตัวเลขเลือนและแนะนำวิธีการจัดอันดับ. อย่างไรก็ตาม ทั้งสองวิธีการจัดอันดับผู้ที่ไม่ได้มีจุดมุ่งหมายโดยตรงที่หมายเลขเลือนintuitionistic สี่เหลี่ยมคางหมู (ITFNs) ดังนั้นบทความนี้จะมีการพัฒนาวิธีการจัดอันดับใหม่สำหรับ ITFNs โดยการคำนวณค่าที่คาดหวังที่สอดคล้องกันและเป็นไปได้ประนีประนอม. ส่วนที่เหลือของบทความนี้มีการจัดระเบียบดังต่อไปนี้ ในส่วนที่ 2 หลังจากการแนะนำแนวคิดพื้นฐานของITFNs บางคณิตศาสตร์การดำเนินงานของITFNs ที่เกี่ยวข้องกับคุณสมบัติบางอย่าง (เช่นการปิดสถานที่ให้บริการกฎหมายสับเปลี่ยนกฎหมายเชื่อมโยงและกฎหมายการจำหน่าย) จะถูกนำเสนออย่างเป็นทางการ นอกจากนี้เกณฑ์การจัดอันดับที่มีการเสนอที่จะให้ลำดับของ ITFNs ที่แตกต่างกัน มาตรา 3 ให้รายละเอียดของขั้นตอนของการวิเคราะห์ความผิดต้นไม้ร่วมกับการวิเคราะห์เชิงปริมาณ จากนั้นสองตัวอย่างตัวเลขจะดำเนินการในส่วนที่ 4 การประยุกต์ใช้เพื่อแสดงให้เห็นและประสิทธิผลของวิธีการที่นำเสนอ สุดท้ายข้อสรุปบางอย่างจะทำในมาตรา 5

ผลลัพธ์ (ไทย) 3:

ซึ่งในการศึกษาเชิงลึกในการเกิดอุบัติเหตุการจราจรที่กล่าวถึง
แสดงถึงประสิทธิผลของการนำเสนอวิธีการวิเคราะห์ผิด
ถึงแม้ว่าต้นไม้ถูกใช้เรียบร้อยแล้วเพื่อการจัดการ
และแก้ไขความหลากหลายของการเกิดอุบัติเหตุ มีการศึกษาน้อยมาก
ใช้สนามของอุบัติเหตุรถไฟความเร็วสูง ด้วยเหตุผลนี้
, กระดาษนี้จะใช้ร่วมกับ
การวิเคราะห์ต้นไม้แห่งความล้มเหลวการวิเคราะห์เชิงปริมาณเพื่อใช้วิเคราะห์เชิงลึกสำหรับ
อุบัติเหตุรถไฟความเร็วสูง ต่อไปนี้จะเน้นแนะนำ
ขั้นตอนของวิธีวิเคราะห์ต้นไม้ผิด .
ต้นไม้การวิเคราะห์ข้อผิดพลาดเป็นวิธีการนิรนัยและเกี่ยวกับแปลน

จับวายความเป็นไปได้หรือความน่าจะเป็นของอุบัติเหตุ
เริ่มจากเหตุการณ์ด้านบน ( เกิดอุบัติเหตุ ) เราค้นหา
และวิเคราะห์สาเหตุที่เป็นไปได้ทั้งหมดที่เกี่ยวข้องทุกระดับโดยระดับพื้นฐานจนถึง
เหตุการณ์พบออก ตามความสัมพันธ์และปฏิสัมพันธ์ระหว่างเหตุการณ์
พื้นฐานผิดตรรกะแผนภาพต้นไม้สามารถ
จัดตั้งขึ้นได้อย่างง่ายดายด้วยความช่วยเหลือของสัญลักษณ์สำหรับความผิดต้นไม้ GB / T
4888-2009 ( 2009 ) นอกจากนี้ ในการวิเคราะห์แบบผิดวิธีต้นไม้
, ความล้มเหลวของความเป็นไปได้หรือความน่าจะเป็นของ
กิจกรรมพื้นฐานถือว่าค่า กรอบ อย่างไรก็ตาม มันเป็นเรื่องยากที่จะจับ
ความล้มเหลวความเป็นไปได้หรือความน่าจะเป็นของเหตุการณ์พื้นฐานจากประสบการณ์ที่ผ่านมา
เนื่องจากความซับซ้อนและความแปรผันของสภาพแวดล้อมการปฏิบัติ
หรือ incompleteness ของข้อมูลก่อนและ
นอกจากนี้ กิจกรรมพื้นฐาน ซึ่งไม่เคยเกิดขึ้นก่อนหน้านี้
ยังต้องพิจารณา ดังนั้น นักวิจัยบางคนใช้
ทฤษฎีเซตคลุมเครือเพื่อหลีกเลี่ยงข้อบกพร่องที่อาจเกิดขึ้น ตัวอย่างเช่น
ทานากะ et al . ( 1983 ) วิเคราะห์ต้นไม้ผิดโดยอาศัยความน่าจะเป็นแบบฟัซซี่

นั่นคือความล้มเหลวของความน่าจะเป็นของเหตุการณ์พื้นฐานคือ
กำหนดเป็นฟัซซี่เซตใน [ 0 , 1 ] แทนของค่าพิเศษ . . . .
kenarangui ( 1981 ) ใช้ฟัซซี่เซตตรรกศาสตร์บัญชี
คลุมเครือและความไม่แน่นอนในข้อมูลและเหตุการณ์คลุมเครือคือ
ต้นไม้ก่อตั้งขึ้นเพื่อวิเคราะห์ระบบป้องกันไฟฟ้านอกจากนี้ .
นอกจากนี้ คลุมเครือ หรือวิธี Stochastic optimization
ได้ใช้ความหลากหลายของจริงการตัดสินใจ
ปัญหาจนถึงตอนนี้ ( เห็นฉันและหลิว , 2011 , 2013 ; N , 2012 ; ยาง
และโจว ปี 2014 ; ยาง et al . , ปี , 2012 , 2013 ) แรงจูงใจเหล่านี้
ความล้มเหลวความเป็นไปได้ของเหตุการณ์พื้นฐานในกระดาษนี้จะ
แสดงเป็น intuitionistic สี่เหลี่ยมคางหมูตัวเลขเลือนในลักษณะของเหตุการณ์พื้นฐานไม่แน่ใจ

ลักษณะ ในกระดาษนี้ มีการ arithimetic ของ intuitionistic
สี่เหลี่ยมคางหมูตัวเลขเลือนจะกำหนดคำนวณความเป็นไปได้ของความล้มเหลว
เหตุการณ์ด้านบนในขั้นตอนการวิเคราะห์เชิงปริมาณ .
นอกจากนี้ตรวจสอบความสำคัญของพื้นฐานทั้งหมดเหตุการณ์
องศายังเป็นสิ่งสำคัญ เพราะเราสามารถระบุเหตุการณ์ที่
พื้นฐานเป็นเหตุผลหลักสำหรับอุบัติเหตุ ดังนั้นเราจึงต้องการที่จะจัดอันดับ
intuitionistic สี่เหลี่ยมคางหมูตัวเลขเลือนได้รับความสำคัญ
องศาสำหรับกิจกรรมพื้นฐาน ในบางเดิมอ้างอิง บางวิธีการจัดอันดับ
ได้รับการเสนอ ตัวอย่างเช่น หลี่ ( 2010 ) พัฒนา
อัตราส่วนวิธีตามการจัดอันดับดัชนีค่าความ
ดัชนีการจัดอันดับสามเหลี่ยม intuitionistic ตัวเลขเลือน .
มิทเชลล์ ( 2004 ) ตีความตัวเลขฟัซซี intuitionistic เป็น
ทั้งมวลของตัวเลขเลือนและแนะนำวิธีการจัดอันดับ
อย่างไรก็ตาม ทั้งสองวิธีที่ไม่ตรงเป้าหมายที่การจัดอันดับ
intuitionistic สี่เหลี่ยมคางหมูตัวเลขเลือน ( itfns ) ดังนั้น
กระดาษนี้จะพัฒนาวิธีการใหม่สำหรับการจัดอันดับ itfns โดยการคำนวณ
ที่สอดคล้องกันของค่าคาดหวังและความเป็นไปได้ในการประนีประนอม
ส่วนที่เหลือของบทความนี้คือการจัดดังนี้ ในส่วนที่ 2 หลังจาก
แนะนำแนวคิดพื้นฐานของ itfns บางคณิตศาสตร์
งาน itfns เกี่ยวข้องกับคุณสมบัติบางอย่าง ( เช่นการปิด
คุณสมบัติ สมบัติการสลับที่และการกระจายที่เกี่ยวข้องกฎหมาย , กฎหมาย )
เป็นการนำเสนอ นอกจากนี้ เกณฑ์การจัดอันดับเสนอ
ให้ลำดับของ itfns แตกต่างกัน มาตรา ๓ ให้รายละเอียดของขั้นตอนของการวิเคราะห์

ผิดต้นรวมกับการวิเคราะห์เชิงปริมาณ จากนั้นสองตัวเลขตัวอย่างจะใช้
มาตรา 4 แสดงให้เห็นถึงการใช้และประสิทธิผล
ของเสนอวิธี ในที่สุดก็มีข้อสรุปให้
มาตรา 5