Pipeline Data Analytics: Enhanced Corrosion Growth Assessment Through Machine Learning
Notice bibliographique
Résumé
Effective integrity management of a corroded pipeline requires a significant quantity of data. Common data sources include in-line inspection (ILI), process monitoring, or external surveys. The key challenge for an integrity engineer is to leverage the data to understand the level of corrosion activity along the pipeline route, and make optimal decisions on future repair, mitigation and monitoring. This practice of gaining business insights from historical datasets is often referred to as ‘data analytics’. In this paper, a single application of data analytics is investigated — that of improving the estimation of corrosion growth rates (CGRs) from ILI data. When two or more sets of ILI data are available for the same pipeline, a process known as ‘box matching’ is typically used to estimate CGRs. Corresponding feature ‘boxes’ are linked between the two ILIs and a population of CGRs is generated based on changes in reported depth. While this is a well-established technique, there are uncertainties related to ILI sizing, detection limitations, and data censoring. Great care is required if these uncertain CGRs are used to predict future pipeline integrity. A superior technique is ‘signal matching’, which involves the direct alignment, normalization and comparison of magnetic flux leakage (MFL) signals. This delivers CGRs with a higher accuracy than box matching. However, signal matching is not always feasible (e.g. when conducting a cross-vendor or cross-technology comparison). When box matching is the only option for a pipeline, there is great value in understanding how the box matching CGRs can be improved in order to more closely resemble those from signal matching. This limits the extent to which uncertainties are propagated into any subsequent analyses, such as repair plan generation or remaining life assessment. Given their relative accuracy, signal matching CGRs can be utilized as a ‘ground truth’ against which box matching results can be validated. This is analogous to the ILI verification process, where in-field measurements (e.g. with laser scan) are used to validate feature depths reported by an ILI. By extension, a model to estimate CGRs following a box matching analysis can be trained with CGRs from a signal matching analysis, using supervised machine learning. The outcome is an enhanced output from box matching, which more closely resembles the true state of corrosion growth in a pipeline. Through testing on real pipeline data, it is shown that this new technique has the potential to improve pipeline integrity management decisions and support economical, safe and compliant operation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».