MétaCan
Menu
Retour à la cohorte
Enregistrement W2334291935 · doi:10.4043/27026-ms

Pipeline Leak and Impact Detection System - PipeLIDS - Monitoring Product Dedicated to Onshore Pipelines

2016· article· en· W2334291935 sur OpenAlexaff
Daniel Mabily, Virginie Lehning

Notice bibliographique

RevueOffshore Technology Conference · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueWater Systems and Optimization
Établissements canadiensCybernet Systems Corporation (Canada)
Organismes subventionnairesnon disponible
Mots-clésPipeline transportNoise (video)Pipeline (software)BeaconGlobal Positioning SystemLeakEngineeringLeak detectionReal-time computingComputer scienceMarine engineeringTelecommunicationsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Onshore pipelines may be subjected to third party damage (civil works), corrosion leaks, mechanical issues (valve or pumps failures), land movements or (in extreme cases) theft of the product. These threats may lead to leaks or even more dramatic explosions. The impact on human life and the environment can be significant. The pipeline operator's public image can be damaged with non- negligible economic or political consequences. PipeLIDS has been developed to minimize the consequences of leaks from onshore pipelines. It uses acoustic technology for detection of noise generated by impacts or leaks. This noise propagates in both directions over long distances inside the pipe. Intrusive acoustic sensors are installed regularly on the pipeline (every ten kilometers) to detect this noise. Each sensor is connected to an intelligent beacon with GPS synchronization. By measuring the sound wave's amplitude and phase time shift and analyzing the acoustic signature, PipeLIDS detects the origin and location of the event and raises an alarm. This paper presents latest technical improvements implemented on the PipeLIDS as installed on the latest SPSE Fos-sur-Mer (France) diesel pipeline for permanent survey. Acoustic sensors have been redesigned for better reliability. Software was reviewed and updated to give more efficient data processing, detecting and locating any accidental events within few minutes while being able to eliminate false alarms. Finally, very good performances of the system is demonstrated as well as its simplicity in terms of installation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,223
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOffshore Technology ConferenceMême sujetWater Systems and OptimizationTravaux en français237 207