A 5-M Approach to Control External Pipeline Corrosion
Notice bibliographique
Résumé
Abstract This paper presents a 5-M approach to the control of external pipeline corrosion. This approach includes: Mitigation, Modeling, Monitoring, Maintenance and Management: Mitigation:The pipeline coating is the first line of defence against external pipeline corrosion. If it fails, the cathodic protection (CP) system acts as a back up, protecting those areas where the coating has failed. The type of coating on the pipe has an effect on the formation of the environment that causes corrosion and stress-corrosion cracking (SCC). Based on the coating used, based on more than 175 standards, and based on the results obtained in those standard tests, the corrosion rate of a pipeline protected by the coating is projected.Model:Based on field operating conditions, the corrosion rate is adapted. Most of the data required in this process are the data required in the pre-assessment step of the NACE External Corrosion Direct Assessment (ECDA) and NACE Stress-Corrosion Cracking Direct Assessment (SCCDA) standards.Monitoring:Using the above-ground survey results, the corrosion rate is validated. Most of the data required in this process are the data required in the indirect assessment of ECDA and SCCDA or data required in the Canadian Energy Pipeline Association (CEPA) SCC recommended practice. This process in addition integrates the inline inspection (ILI) data, if available. Based on the below ground measurements, the corrosion rate is further verified.Maintenance:Proper maintenance of the pipeline prolongs its life expectancy. From the corrosion rate the remaining life of the pipeline is calculated as described in the post-assessment process of ECDA and SCCDA.Management:Freeware software to use this approach is available to integrate the processes as well as to manage the external corrosion of pipelines.
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 | 0,000 |
| 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) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».