MétaCan
Menu
Retour à la cohorte
Enregistrement W2031614523 · doi:10.1108/13552511311315968

Risk based integrity modeling of offshore process components suffering stochastic degradation

2013· article· en· W2031614523 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Quality in Maintenance Engineering · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueReliability and Maintenance Optimization
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésReliability engineeringComponent (thermodynamics)Process (computing)Degradation (telecommunications)Gamma processComputer scienceSubmarine pipelineBayesian probabilityStochastic processEngineeringStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper is to develop a risk‐based integrity model for the optimal replacement of offshore process components, based on the likelihood and consequence of failure arising from time‐dependent degradation mechanisms. Design/methodology/approach Risk is a combination of the probability of failure and its likely consequences. Offshore process component degradation mechanisms are modeled using Bayesian prior‐posterior analysis. The failure consequences are developed in terms of the cost incurred as a result of failure, inspection and maintenance. By combining the cumulative posterior probability of failure and the equivalent cost of degradations, the operational life‐risk curve is produced. The optimal replacement strategy is obtained as the global minimum of the operational risk curve. Findings The offshore process component degradation mechanisms are random processes. The proposed risk‐based integrity model can be used to model these processes effectively to obtain an optimal replacement strategy. Bayesian analysis can be used to model the uncertainty in the degradation data. The Bayesian posterior estimation using an M‐H algorithm converged to satisfactory results using 10,000 simulations. The computed operational risk curve is observed to be a convex function of the service life. Furthermore, it is observed that the application of this model will reduce the risk of operation close to an ALARP level and consequently will promote the safety of operation. Research limitations/implications The developed model is applicable to offshore process components which suffer time‐dependent stochastic degradation mechanisms. Furthermore, this model is developed based on an assumption that the component degradation processes are independent. In reality, the degradation processes may not be independent. Practical implications The developed methodology and models will assist asset integrity engineers/managers in estimating optimal replacement intervals for offshore process components. This can reduce operating costs and resources required for inspection and maintenance (IM) tasks. Originality/value The frequent replacement of offshore process components involves higher cost and risk. Similarly, the late replacement of components may result in failure and costly breakdown maintenance. The developed model estimates an optimal replacement strategy for offshore process components suffering stochastic degradation. Implementation of the developed model improves component integrity, increases safety, reduces potential shutdown and reduces operational cost.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,472
Score d'incertitude au seuil0,804

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,255
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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