MétaCan
Menu
Retour à la cohorte
Enregistrement W2900042474 · doi:10.1115/ipc2018-78233

A More Accurate and Precise Method for Large Metal Loss Corrosion Assessment

2018· article· en· W2900042474 sur OpenAlexaff
Shenwei Zhang, Jason Yan, Shahani Kariyawasam, Terry T.‐K. Huang, Mohammad Al-Amin

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Destructive Testing Techniques
Établissements canadiensTransCanada (Canada)
Organismes subventionnairesnon disponible
Mots-clésCorrosionReduction (mathematics)Computer scienceEnhanced Data Rates for GSM EvolutionMaterials scienceMetallurgyArtificial intelligenceMathematics

Résumé

récupéré en direct d'OpenAlex

Pipeline integrity decisions are highly sensitive to the assessment model. A less accurate and less precise model can conservatively trigger many unnecessary actions such as excavations without providing additional safety. Therefore, a more accurate and precise model will reduce excavations and provide higher assurance of safety. This is akin to using a more precise surgical tool such as a laser for cutting out a brain tumor where you can cut closer to the edge and be assured of cutting out more of the tumor (safer) and yet cut less of the surrounding brain tissue (less conservative). This paper presents a novel model for assessing large metal-loss corrosion based on in-line inspection (ILI) or field measurement. The model described in this paper utilized an unconventional approach, namely multiple plausible profiles (P2), to idealize the shape of the corrosion, and therefore is referred to as P2 model. In contrast, all existing models use one single profile for characterizing corrosion profile, e.g. RSTRENG utilizes a single worst-case river bottom profile to characterize the shape of corrosion. The P2 model has been initially validated using fourteen (14) full scale specimen-based hydrostatic tests on pipes containing real large corrosion features. Validation results showed that the P2 model is safe, but less conservative and more precise than RSTRENG. The magnitude of reduction in conservatism depends on the corrosion morphology. On average, the P2 model achieves 15% reduction in model bias and 44% reduction in standard deviation of model error. Further validation was provided using the testing data published by PRCI and PETROBRAS. Another set of burst tests are being conducted by TransCanada as part of the continuous validation of P2 model. The effectiveness of the P2 model was demonstrated through two case studies (denoted by Case study 1 and 2). Case Study 1 included 170 external metal-loss corrosion features that were excavated from different pipeline sections, and have field-measurements using laser scan tool. Case Study 2 included 154 ILI-reported external metal-loss corrosion features with RSTRENG calculated rupture-pressure-ratio (RPR) of less than or equal to 1.25 (i.e. RPR ≤ 1.25); hence, these features were classified as immediate features. The Case Studies showed that the use of the P2 model resulted in 80% less number of ILI-reported features requiring immediate action (i.e., RPR ≤ 1.25) and 89% less number of excavated features requiring repair (e.g., sleeve or cut-out) compared to the respective number of features identified by RSTRENG-based assessment. The reduction in the number of features requiring excavation or repair is highly morphology-dependent with the highest reduction achievable for pipeline containing long and wide corrosion clusters (e.g., tape-coated pipeline). However, the P2 model is applicable to all clusters regardless of the number of individual corrosion anomalies associated with the cluster.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,357
Écart entre enseignants0,333 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNon-Destructive Testing TechniquesTravaux en français237 207