Pipeline Rupture Detection Using Real-Time Transient Modelling and Convolutional Neural Networks
Notice bibliographique
Résumé
Demonstrating the ability to reliably detect pipeline ruptures is critical for pipeline operators as they seek to maintain the social license necessary to construct and upgrade their pipeline systems. Current leak detection systems range from very simple mass balances to highly complex models with real-time simulation and advanced statistical processing with the goal of detecting small leaks around 1% of the nominal flow rate. No matter how finely-tuned these systems are, however, they are invariably affected by noise and uncertainties in a pipeline system, resulting in false alarms that reduce system confidence. This study aims to develop a leak detection system that can detect leaks with high reliability by focusing on sudden-onset leaks of various sizes (ruptures), as opposed to slow leaks that develop over time. The expected outcome is that not only will pipeline operators avoid the costs associated with false-alarm shut downs, but more importantly, they will be able to respond faster and more confidently in the event of an actual rupture. To accomplish these goals, leaks of various sizes are simulated using a real-time transient model based on the method of characteristics. A novel leak detection model is presented that fuses together several different preprocessing techniques, including convolution neural networks. This leak detection system is expected to increase operator confidence in leak alarms, when they occur, and therefore decrease the amount of time between leak detection and pipeline shutdown.
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 ».