Methodology for the Evaluation of Cleaning Pigs on Sludge Deposits from Corrosion Pits
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract For decades pipelines have been operated in remote and environmentally sensitive areas as well as within populated locations. Proper maintenance of pipelines can prevent internal corrosion to a remarkable degree. The methods employed are primarily mechanical cleaning (pigging) and chemical treatment (corrosion inhibitors, biocides), often used in combination. Corrosion issues arise in areas of the pipeline typically under localized areas containing sediments that tend to be an agglomeration of solids, waxes and water. The resulting corrosion defects can then become ideal locations for sediment and water to continue to gather and create deep, dirt filled localized pitting that cannot be protected through chemical treatment without the aid of mechanical cleaning (pigging). In an effort to increase the knowledge of the cleaning efficiency of typical pig designs at removing sludge and debris from pre-existing corrosion pits, a novel test setup and method has been devised. A recirculating flow loop was constructed with the capabilities of launching a 102 mm (4”) diameter cleaning pig using either crude oil or water as the pumped fluid. During the test, a pig would be passed through a test apparatus which housed flush mounted coupons with variously sized pits, packed with manufactured sediment (sludge). Following the pigging operation, the coupons were removed and analyzed via laser scanning techniques to measure sludge volume removal and maximum depth of cleaning. The pigs’ cleaning abilities were compared based on both metrics and information was gathered based on the profile of the sludge’s surfaces post pigging, as well as images of the pigs with adhered sludge.
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.
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 | 0,001 | 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 découle