Methodologies for Establishing the Probability of Pipeline Failure at Slope Crossings
Notice bibliographique
Résumé
Pipelines in transmission pipeline networks often traverse land slopes along the right-of-way; especially near water crossings. While the vast majority of these slopes are stable, some might have a potential for instability related movements. Accordingly, pipelines subjected to these movements are susceptible to strain overload which may cause loss of containment in terms of buckling and/or tensile elongation failure modes. In order to analyze the risk of failure of pipelines due to slope movement it is beneficial to establish probabilistic approaches that can predict the likelihood of failure at each site given both aleatory and epistemic uncertainties. Estimation of such likelihood would support prioritization of integrity mitigation actions and confirm pipelines’ safety. There is a gap in pipeline literature in terms of available probabilistic approaches to analyze, assess, and manage such an integrity threat. Two probabilistic approaches are presented herein; a qualitative ranking analysis of slope hazards (QuRASH) and a semi-quantitative analysis of slope hazards (SQuASH). QuRASH is a qualitative approach that adopts site scores based on available slope characteristics, historical movements, expert opinion, and mitigation strategies. SQuASH is a reliability-based explicit limit state approach. Both approaches were applied to a large simulated sample of slope crossings that exhibit characteristics representative of North America transmission pipeline slope crossings. The resulting probabilities of failures were directly compared to those predicted based on expert judgement. The high ranked sites compared favorably with those evaluated by experts to exhibit elevated threats. This successful comparison provides a certain level of confidence in the proposed approaches.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».