Pipeline Corrosion Growth Modeling for In-Line Inspection Data Using a Population-Based Approach
Notice bibliographique
Résumé
To manage the integrity of corroded pipelines reliable estimates of the current and future corrosion growth process are required. They are often obtained from in-line inspection data by matching defects from two or more inspections and determining corrosion growth rates from the observed growth paths. In practice only a (small) subset of the observed defects are often reliably matched and used in the subsequent corrosion growth analysis. The information from the remaining unmatched defects on the corrosion growth process are typically ignored. Hence, all decisions that depend on the corrosion growth process such as maintenance and repair requirements and re-inspection intervals, are based on the information obtained from the (small) set of matched defects rather than all observed corrosion anomalies. A new probabilistic approach for estimating corrosion growth from in-line inspection data is introduced. It does not depend on defect matching and the associated defect matching uncertainties. The reported defects of an inspection are considered from a population perspective and the corrosion growth is determined from two or more defect populations. The distribution of the reported defect sizes is transformed into the distribution of the actual defect sizes by adjusting it for detectability, false calls, and sizing uncertainties. The obtained distribution is then used to determine the parameters of the assumed gamma-distributed corrosion growth process in order to forecast future metal loss in the pipeline. As defect matching is not required all reported corrosion defects are used in the probabilistic analysis rather than the truncated set of matched defects. A numerical example is provided where two in-line inspections are analyzed.
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 ».