Predicting the Failure Pressure of SCC Flaws in Gas Transmission Pipelines
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
An important requirement for the management of stress-corrosion cracking (SCC) in natural gas transmission pipelines is the ability to predict accurately the burst failure pressure of flaws that have been discovered, particularly those found by crack detection in-line inspection (ILI). ASME B31.8S contains guidance for categorization of SCC based on predicted failure pressure for the cracks. Assessment of the segments is based on the severity category of SCC. As part of a Joint Industry Project (JIP) addressing the management of SCC in gas transmission pipelines, eight operators have assembled information relating to 85 in-service failures, hundreds of hydrostatic test failures, and dozens of pipe burst tests in which failure was due to SCC. Within the database are a wide range of pipe grades and sizes. Failures are due to both high pH and near-neutral pH SCC, and the flaws that initiated failure range from simple thumbnails to complex groups of cracks in a three-dimensional cluster. This paper presents some of the results from a comprehensive comparative study of the failure pressure predictions obtained using API 579 Level II, ln-secant, CorLAS® and PAFFC methods for around 40 of the best-characterized datasets within the above database. From the results obtained, the sensitivities of the calculations to the calculation method used and to the input data, such as flaw profile, are examined. The results provide useful guidance to all those involved in predicting failure pressures as part of their threat management activities.
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