Maximizing MFL ILI Sizing Confidence and Accuracy Using High-Resolution Field Measurement Data
Notice bibliographique
Résumé
Magnetic Flux Leakage inspection tools are generally calibrated on a series of manufactured defects. This has been shown to give good results on a wide range of defects in varying wall thicknesses, velocities and pipeline conditions. Significant improvements in sizing performance can be achieved if sizing algorithms can be optimized on high resolution field data with low uncertainty that more closely reflects the actual line specific corrosion dimensions and profiles. The effects of defect profile can be significant to the MFL signal response. In order to achieve this goal, very high resolution and accurate field measurement techniques are needed to map the combined profile of a significant number of corrosion defects. This paper discusses a process for developing high performance sizing algorithms that consistently better industry standards for MFL sizing performance in areas of high density or complex corrosion in both oil and gas pipelines through the incorporation of high resolution laser scan technology. Complex corrosion may be considered as an area wherein individual corrosions interact together such that they no longer behave as a single corrosion and the MFL response experiences a superposition of leakage signals. A review of the methodology will be discussed and the results demonstrated through case studies from both Enbridge Pipelines Inc. and TransCanada Pipelines Ltd. where high-resolution field data was used as the basis for sizing model optimization.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».