Bayesian Estimates of Measurement Error for In-Line Inspection and Field Tools
Notice bibliographique
Résumé
Knowledge of the measurement errors of an in-line inspection tool and field tool are important (i) for determining the corrosion feature severity and the probability of failure of the pipeline due to that corrosion feature, (ii) for verifying the tool vendors claimed accuracy, (iii) as a component of the tools development program, (iv) as a reference for other inspection tools and (v) for probability of corrosion/crack detection assessments. When in-line inspection tool reporting is used in site specific probability of failure analyses or growth modelling applications, the measurement error of the tool plays a significant role in determining the distributions of penetration and rupture pressure at the time of inspection, or any time in the future. Often, the in-line inspection tools are compared with data obtained from a reference (field) tool which is usually assumed to be perfect, but in reality no tool is perfect. In the late 1940’s a procedure was developed that decomposes the total scatter between tools being compared and assigns an appropriate scatter or measurement error to each tool individually. The procedure is based on a suite of assumptions, which sometimes fail. The typical result is an estimate of measurement error that is negative, similar to a sums of squares estimate in an analysis of variance being negative, which is clearly wrong and unacceptable. Late researchers have suggested methods that overcome this difficulty. These estimators also suffer from certain limitations. In this paper a Bayesian methodology that can overcome some of these recognized limitations is presented.
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 ».