Neuro-Fuzzy Approaches for FRP Oil and Gas Pipeline Condition Assessment
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».