Probabilistic Performance Assessment of Fiber Optic Leak Detection Systems
Notice bibliographique
Résumé
Leak Detection Systems play a major role in enhancing reliability and operability of oil and gas pipelines. They have the functional capabilities to detect, locate and quantify leaks before they can cause drastic effects to environment and operation. The performance of Leak Detection Systems is typically affected by three different failures that have severe consequences, namely, delayed detection, missed detection and false detection of a leak. These failures pose a financial burden on operating companies. Missed detection leads to oil spill and exposes operating companies to financial risk and destroyed image while false detection results in unnecessary deployment of personnel and equipment. To insure operation continuity and maintain safe environment, Leak Detection Systems should be assessed at regular basis. To fulfill this need, a probabilistic performance assessment scheme based on limit state approach for Fiber Optic Leak Detection System (LDS) has been developed. The inherent uncertainties associated with leak detection and reporting capabilities are modeled to determine the LDS detection failure probability that combines two failure events, missed detection and delayed detection. Moreover, the probability of false detection is derived in terms of the lowest detectable change, the threshold. These three parameters establish the basis for an overall assessment scheme that can be used at any time to provide an up to date assessment about the Leak Detection System. The results will serve as the basis for deciding the actions that need to be taken to upgrade, repair or replace the system components or the system as a whole. The proposed assessment scheme has been applied to a case study to demonstrate its usefulness and feasibility.
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 | 0,000 | 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 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 ».