Application of Error-in-Variable Model (EVM) for Estimating Gas Pipeline Internal Wall Roughness Before and After Pigging
Notice bibliographique
Résumé
Gas pipeline internal surface typically undergoes degradation for a variety of reasons such as fouling of the pipe inner surface, erosion, corrosion and deposits of objectionable materials that occasionally enter the gas stream at receipt points. Accurate monitoring of the pipe internal surface condition can hugely benefit the planning of cleaning activities. Theoretically the pipe wall roughness for a given pipe segment can be extracted based on measured flow data and other system parameters. The challenge lies in the fact that measured data all contain varying degrees of uncertainty, and the system becomes more complex to analyze when it contains different segments connected in series or parallel like many typical gas gathering and lateral networks. This paper demonstrates the application of the Error-in-Variable Model (EVM) using the Markov Chain Monte Carlo (MCMC) solution method in analyzing a complex pipeline network on the TransCanada NGTL System. EVM, a well-established Bayesian parameter estimation technique, accounts for uncertainties in the measured variables, such as flow and pressure data, when determining the most probable estimates of unknown parameters such as pipe internal wall surface roughness. In this work, the EVM problem is solved using the MCMC Metropolis-Hastings algorithm. The MCMC approach is demonstrated to be robust, easy to implement and capable of handling large quantities of data. It has the potential to analyze complex networks and monitor the pipe wall surface condition on-line with SCADA data. Using this method, the internal wall surface roughness for the segments of interest in this network were extracted from measured data collected before and after the pigging operation. Results demonstrate the model’s capability in estimating the degradation of the pipe wall internal surface and the effectiveness of pigging. Details on implementation and challenges in applying such methodology to analyze complex gas networks are discussed.
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 ».