Probabilistic Assessment of Fretting Wear in Steam Generator Tubes Under Flow Induced Vibrations
Notice bibliographique
Résumé
Successful life management of steam generators requires an ongoing operational assessment plan to monitor and address all potential degradation mechanisms. A degradation mechanism of concern is tube fretting as a result of flow-induced vibration. Flow induced vibration predictive methods routinely used for design purposes are based on deterministic nonlinear structural analysis techniques. In previous work, the authors have proposed the application of probabilistic techniques to better understand and assess the risk associated with operating power generating stations that have aging re-circulating steam generators. Probabilistic methods are better suited to address the variability of the parameters in operating steam generators, e.g., flow regime, support clearances, manufacturing tolerances, tube to support interactions, and material properties. In this work, an application of a Monte Carlo simulation to predict the propensity for fretting wear in an operating re-circulation steam generator is described. Tube wear damage is evaluated under steady-state conditions using two wear damage correlation models based on the tube-to-support impact force time histories and work rates obtained from nonlinear flow induced vibration analyses. Review of the tube motion in the supports and the impact/sliding criterion shows that significant tube damage at the U-bend supports is a result of impact wear. The results of this work provide the upper bound predictions of wear damage in the steam generators. The EPRI wear correlations for sliding wear and impact wear indicate good agreement with the observed damage and, given the preponderance of wear sites subject to impact, should form the basis of future predictions.
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 ».