Progressive Integrity Assessment Solutions using Quantitative Methods
Notice bibliographique
Résumé
Abstract The paper presents a phased approach to the quantification of pipeline risk due to corrosion, SCC and other defect- based hazards. Public concern and pressure from regulatory bodies are accelerating the need for pipeline operators to formalize and intensify their approach to integrity management, and there is a growing acceptance of a risk-based approach to the prioritization, planning, and evaluation of integrity assessments. Varying amounts and quality of data are required to do risk assessments depending on the methodology used and the required outcome. For pipelines not currently on a formal assessment plan, the data available tend to be sparse and qualitative in nature. This level of data quality and availability seldom lends itself to a fully quantitative risk assessment, but is adequate for qualitative and/or semi-quantitative methods, and these methods, in turn, are adequate to address the initial prioritization of integrity assessments. As assessment data become available, the operator can take advantage of risk methodologies that progressively incorporate quantitative data. The phased quantitative methodologies described in this paper incorporate quantitative assessment data that caters to the developing needs of the operators. Most operators need a phased approach to progressively adopt the most relevant and needed assessments. These organized and relevant steps need to be introduced according to data available and maturity of the integrity management program. Each refinement to the quantification offers distinct advantages to the user. The paper explains these advantages. Corrosion is used as an example, but the approach is applicable to any time-dependent defect based hazard.
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 | 0,005 | 0,004 |
| 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) | 0,001 | 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 ».