MétaCan
Menu
Retour à la cohorte
Enregistrement W1976002426 · doi:10.1115/ipc2014-33451

Application and Advancement of EMAT ILI Technologies for the Inspection of Cracks in Dents

2014· article· en· W1976002426 sur OpenAlexaff
Jeff Sutherland, Andrew W. Mann, Geoff Vignal, Arne Maier, Sean Keane

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Destructive Testing Techniques
Établissements canadiensPetroleum Technology Alliance Canada
Organismes subventionnairesnon disponible
Mots-clésPipeline (software)Deformation (meteorology)CrackingElectromagnetic acoustic transducerPipeline transportStress (linguistics)Forensic engineeringPetroleum engineeringEngineeringComputer scienceMarine engineeringMechanical engineeringConstruction engineeringStructural engineeringMaterials scienceAcousticsUltrasonic testingComposite materialUltrasonic sensorPhysics

Résumé

récupéré en direct d'OpenAlex

Pipeline dents and mechanical damage remain an integrity threat within the Oil & Gas pipeline industry. Such features typically consist of a localized deformation of the pipe wall. Under certain conditions, cracking may develop within or adjacent to the area of deformation due to stress concentration factors resulting from the deformation itself or from secondary damage such as a scrape or gouge. Conventional inline inspection technologies consistently to date have not explicitly addressed inspection capabilities for cracking within dents. This paper presents the results of a collaborative technical effort to assess and advance the abilities of EMAT inline inspection technologies to identify and characterize such mechanical damage features as found in liquid pipelines. The background and application of these advanced technologies for the targeted threats is discussed, as well as the experimental testing performed and results achieved.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,242
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNon-Destructive Testing TechniquesTravaux en français237 207