A Statistical Predictive Model to Prioritize Site Selection for Stress Corrosion Cracking Direct Assessment
Notice bibliographique
Résumé
Pipeline stress-corrosion cracking (SCC) is an ongoing integrity concern for pipeline operators. A number of different strategies are currently employed to locate and mitigate SCC. Ultrasonic in-line inspection tools have proven capable of locating SCC, but reliability of these tools in gas pipelines remains in question. Rotating hydrotest programs are effectively employed by some companies but may not provide useful information as to the location of SCC along the pipeline. NACE Standard RP0204-2004 (SCC Direct Assessment Methodology) outlines factors to consider and methodologies to employ to predict where SCC is likely to occur, but even this document acknowledges that there are no well-established methods for predicting the presence of SCC with a high degree of certainty. Predictive modelling attempts to date have focused on establishing quantitative relationships between environmental factors and SCC formation and growth; these models have achieved varying degrees of success. A statistical approach to SCC predictive modelling has been developed. In contrast to previous models that attempted to determine direct correlations between environmental parameters and SCC, the new model statistically analyzed data from dig sites where SCC was and was not found. Regression techniques were used to create a multi-variable logistic regression model. The model was applied to the entire pipeline and verification digs were performed. The dig results indicated that the model was able to predict locations of SCC along the pipeline.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; 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 ».