Corrosion Growth Modeling by Learning a Dynamic Bayesian Network From Multiple In-Line Inspection Data
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
This paper establishes a dynamic Bayesian network to model the growth of corrosion defects on energy pipelines. The integrated model characterizes the growth of defect depth by a homogeneous gamma process and considers the biases and random errors associated with the in-line inspection (ILI) tools. The distributions of the mean value and coefficient of variation of the annual growth of defect depth are learned from multiple ILI data using the parameter learning technique of Bayesian networks. With the same technique, the distributions of the biases and standard deviation of random errors associated with ILI tools are learned from ILI data and their corresponding field measurements. An example with real corrosion management data is used to illustrate the process of developing the model structure, learning model parameters and predicting the corrosion growth and time-dependent failure probability. The results indicate that the model can in general predict the growth of corrosion defects with reasonable accuracy and the ILI-reported and field-measured depth can be used to update the time-dependent failure probability in a near-real-time manner. In comparison with existing growth models, the graphical feature of Bayesian networks makes it more intuitive and transparent to users. The employment of parameter learning provides a semi-automated and convenient approach to elicit the probabilistic information from ILI and field measurement data. The above advantages will facilitate the application of the model in the practice of corrosion management in pipeline industry.
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