Taking Advantage of Signal Processing Techniques for the Life Management of NPP Components
Notice bibliographique
Résumé
The long term management of nuclear power plants raises several major issues among which the aging management of key components ranks high, from both technical and economic points of view. In order to detect and characterize potential defects on cast components, a program of in-service inspections is carried out by non-destructive testing (NDT) methods. In general, defect detection is the first step of an inspection procedure. Should a defect be detected, the plant operator must evaluate whether the component should be replaced or repaired (now or later) and will be required to prove that the component still meets regulatory requirements. That is why the characterization of the defect in terms of locating and sizing is essential, especially when the proof relies on mechanical calculations. In this paper we provide an overview of advanced signal processing techniques based on regularization of inverse problems. Those techniques have a strong potential for improving defect positioning and sizing. This has already been demonstrated in several R&D studies in the field of radiography and ultrasonics, leading in some cases to expertise-oriented applications. After a presentation of the general principles, we detail how regularization can be applied to process eddy current probe signals and provide good estimates of the depth of small surface breaking defects. Encouraging laboratory results have been obtained so far, which may lead to re-consider the scope of the eddy current technique as presently used in the nuclear industry. For example, its eligibility as an alternative NDE method could be explored in cases dealing with this kind of defect, if ultrasonics failed to meet the required characterization performance.
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) | 0,000 | 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 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 ».