Arctic Pipeline Leak Detection using Fiber Optic Cable Distributed Sensing Systems
Notice bibliographique
Résumé
Abstract Multiple offshore Arctic fields have been developed over the past three decades and the world demand for oil and gas will continue to drive hydrocarbon development in Arctic and sub-Arctic environments. Arctic pipelines are used for the safe and economic transportation of hydrocarbons. While pipelines are designed not to leak, excessive strains due to the effects of ice gouging, strudel scour, frost heave and permafrost thaw settlement along with other loading and failure mechanisms (i.e. corrosion, third party damage) could result in a leak. Failure to detect leaks in a timely manner could have severe safety, environmental, and economic impacts. Large leaks can easily be detected, but small chronic leaks may go undetected for a period of time, especially when pipelines are buried in remote locations or under seasonal ice cover. First, this paper reviews existing Leak Detection System (LDS) technologies for their potential use on Arctic and sub-Arctic pipelines. The technology evaluation based on regulatory requirements and functional criteria suggests that Fiber Optic Cable (FOC) distributed sensing systems have a high potential to be used on Arctic pipelines. Distributed sensing FOC can be used to detect and locate leakages. Pipeline leakage would generate a local change in temperature. These thermal anomalies can be captured by FOC Distributed Temperature Sensing (DTS) systems with good spatial and temporal resolution. Similarly, the acoustic signature generated by leaking fluid can be detected using FOC Distributed Acoustic Sensing (DAS) systems. Inelastic Brillouin and Raman backscattering principles are used for measuring temperature in DTS, whereas the Rayleigh backscattering principle is used for measuring acoustics in DAS. This paper presents information on applicable regulations, operating principles, optical budgets, system integration, sensor positioning, installation and maintenance assessment, technology status, risk analysis using Failure Mode, Effects and Criticality Analysis (FMECA) and field implementation challenges.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».