Learning from Multiple Corrosion Growth Rate (Run-Comparison) Studies
Notice bibliographique
Résumé
Abstract Corrosion management using inline inspection is highly sensitive to the defect sizing accuracy and the also to the growth rates of these defects. In the pipeline industry corrosion growth has been measured using Run-comparisons. However many types of Run-comparison methodologies have been used in the past. Within the last decade or two Run-comparison techniques have evolved from box matching of defect samples to signal matching of the total defect populations. Theoretically some of the methods have been found to be superior. However in practice it is hard to validate this without multiple sets of Run-comparisons on the same pipeline. Multiple Run-comparison analyses have been performed on the TransCanada system to establish corrosion growth rates. Comparison of the results from these various analyses gives insight into the accuracy and uncertainty of each type of estimate. In an effective integrity management process the best available corrosion growth data should be used. To do so it is important to understand the conservatism and the uncertainty involved in each type of estimate. When using a Run-comparison to predict future growth it is assumed that the growth within the last ILI interval will continue (with associated uncertainty) during the next inspection interval. It is important to know if these assumptions hold in practice. The validity of this assumption is examined in this study. In the context of this paper these assumptions are validated for external corrosion on onshore pipelines. Characteristics of internal and offshore corrosion are very different in it space and time variation. Correlations of external corrosion growth in onshore pipelines with defect size and location are also examined. Learning from multiple corrosion growth studies gives insight into the actual corrosion rate variation along a pipeline as well as general growth characteristics. Different types of corrosion growth modeling for use in probabilistic integrity management programs are also discussed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».