Neuro-Fuzzy Approaches for FRP Oil and Gas Pipeline Condition Assessment
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
Recent advances in ultrasonic, optical and piezoelectric sensors, and computing technologies have led to the development of inspection systems for underground and off-shore structures such as water lines, oil and gas pipes, and telecommunication conduits. It is now possible to use inspection technologies that require no human intervention (i.e., having had to go underground or off-shore); moreover, the inspection process can be fully automated, from data acquisition to data analysis, and eventually to condition assessment and repair. This paper describes the development of an automated data interpretation system for fiber-reinforced polymer composites (FRP) oil and gas pipelines, which would also be applicable to metallic pipes. The interpretation system obtains C-scan image data from so-called “smart pigs” and maps data using Geographic Information System (GIS) and Global Positioning System (GPS). Assessment of health of pipelines using neural networks is then performed to identify the high-risk locations in each pipeline or pipeline network, thus allowing the inspection to be properly targeted. The proposed system utilizes artificial neural networks and genetic algorithm to recognize various types of defects in FRP oil and gas pipelines. Image processing and wavelets techniques are used to find the detail of the damage geometry. An expert system is also developed, using fuzzy Logic, to perform damage condition assessment and suggest an optimum repair protocol. The framework of the developed system, thus includes GIS, risk map, modification of digital images for preprocessing, image feature segmentation, utilization of multiple neural networks for feature pattern recognition, the fusion of multiple neural networks via the use of fuzzy logic systems, and the proposed expert system for suggested repair.
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 | 0,000 | 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 découle