Detection of Mechanical Damage Using the Magnetic Flux Leakage Technique
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
Since magnetism is strongly stress dependent, Magnetic Flux Leakage (MFL) inspection tools have the potential to locate and characterize mechanical damage in pipelines. However, MFL application to mechanical damage detection faces major hurdles, which make signal interpretation problematic: 1) the MFL signal will be a superposition of geometrical and stress effects, 2) the stress distribution around a mechanically damaged region is very complex, consisting of plastic deformation and residual (elastic) stresses, 3) the effect of stress on magnetic behaviour is not well understood. This paper summarizes a number of our studies concerned with mechanical damage and the effects of elastic and plastic deformation on MFL signals. The first series of experiments was conducted using uniaxial loading into the plastic deformation regime. Magnetic measurements made in situ with this uniaxial deformation showed that magnetic behaviour is far more sensitive to elastic, compared to plastic, deformation. Unloading the samples resulted in a combination of plastic deformation and residual stress. Subsequent ‘staged’ stress relieving heat treatments enabled us to progressively remove the residual stresses, and characterize their effects on magnetic behaviour and MFL signals. In a second series of experiments we simulated mechanical damage using a tool and die press to progressively ‘dent’ a number of plate samples. As with true mechanical damage, the resulting MFL signals arise from both geometrical and residual stress effects. Subsequent stress relieving heat treatments were used to separate and compare the ‘geometrical’ MFL signal from the ‘residual stress’ MFL signal.
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