Probabilistic-Based Assessment of Corroded Pipelines: A Comparison Between Closed Form and Surrogate Limit States
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Protecting steel pipeline systems from failure due to corrosions defects is a crucial issue in pipeline industry. Reliability models that use the rate of corrosion growth combined with closed form solutions for the failure pressure are often used to estimate the time periods before excavation and repair. A methodology is presented for the assessment of predicted failure pressure based on finite element analysis (FEA) and reliability analysis. Deterministic failure equations are transformed to probabilistic limit state models. The failure mode is considered to be controlled by the stresses due to internal pressure and the presence of corrosion. A response surface method (RSM) is utilized to build a surrogate model of the limit state function. A comparison between closed-form and the surrogate model approach is discussed. A stochastic model is assumed to match the uncertainty inherent in both loads and strength. Simulation-based approaches and asymptotic methods for probability of failure evaluation are used, namely, Monte Carlo simulation, importance sampling, First Order Reliability Method (FORM) and Second Order Reliability Method (SORM). An adaptive building of the numerical experimental design for the surrogate limit state is proposed. A new artificial neural network (ANN) is developed in order to reduce the computational cost of experimental design scheme’s evaluation. The outcomes obtained from such an approach are useful as a decision-making tool for the maintenance, repair or optimization of pipelines systems.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 découle