Reliability Assessment of Offshore Asset under Pitting Corrosion Using Bayesian Network
Notice bibliographique
Résumé
Abstract Corrosion is a major cause of structural deterioration in marine and offshore industries. It affects the life of process equipment and pipelines resulting in structural failure, leakage, product loss, environmental pollution and the loss of life. Pitting corrosion is regarded as one of the most hazardous forms of corrosion in marine and offshore structures. Hence reliability assessments of these structures are crucial. The empirical and statistical degradation models are developed by either fitting field or lab data. However, these models are only useful for specific site or operating conditions and still carry a high degree of uncertainty. Other modeling approaches used for assessing rate of pitting corrosion in industry is phenomenological model which is based on corrosion scientific principles. These models provide strong understanding of corrosion process but are often hard to test in engineering applications. This paper presents a novel methodology for predicting the pitting corrosion rate of structural steel in long-term marine environment. The proposed methodology combines a multi-phase phenomenological and empirical model with calibrated real-world data using the Bayesian Network (BN) approach. A case study is presented which exemplifies the application of this methodology to predict the long-term pitting corrosion rate in marine environment. The result shows that the proposed BN based methodology is successful in predicting the time-dependent pitting corrosion rate for steel structures in different environmental conditions.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 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 ».