Comparison of Estimates From a Growth Model 5 Years After the Previous Inspection
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
A corrosion growth modelling procedure using repeated inline inspection data has been employed as part of the maintenance program planning for a pipeline in the Alberta portion of the TransCanada system. The methodology of matching corrosion features between the different in-line inspections, and estimating their severity at a future date, is shown to be an excellent proactive cost saving methodology. Throughout this paper estimated 80% confidence intervals for tool measurement error, total prediction error and growth methodology error are given. In this abstract the values have been rounded. For maximum penetration, for the features reported on three inspections, the confidence interval for total prediction error varies from ±12% to ±17%, and for the growth methodology from ±8% to ±10% of the wall thickness (for the 1998 and 1999 dig programs respectively). For features reported on two inspections the confidence interval varies from ±19% to ±22% for total prediction error (1998 and 1999 digs respectively), and is about ±17% for the growth methodology (for both dig programs). The estimated confidence interval for prediction error in failure pressure is about ±560 kPa for the 1998 dig program. For the 1999 dig program a good estimate of the confidence interval for total prediction error could not be obtained. Assuming the failure pressure data obtained from field measurements were perfect, the estimate of the maximum confidence interval was ±850 kPa. For the laser profile measurement field tool, compared to an ultrasonic pencil probe, the confidence interval for penetration is less than ±2% of the wall thickness. The true confidence interval values in some cases are expected to be smaller than reported above for several reasons discussed in this paper.
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 | 0,000 | 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 découle