MétaCan
Menu
Retour à la cohorte
Enregistrement W2903081536 · doi:10.1115/pvp2018-85138

Methodology for Identifying Blunt Flaws Using Ultrasonic In-Service Inspection Data

2018· article· en· W2903081536 sur OpenAlexaff
Mikko I. Jyrkama, Mahesh D. Pandey, M. Li

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Destructive Testing Techniques
Établissements canadiensOntario Power GenerationUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésPipingEnhanced Data Rates for GSM EvolutionKrigingComputer scienceUltrasonic sensorUltrasonic testingPoint (geometry)Nondestructive testingAcousticsEngineeringMechanical engineeringComputer visionMathematicsGeometry

Résumé

récupéré en direct d'OpenAlex

This paper presents a methodology for identifying blunt flaws in piping using in-service data from ultrasonic inspection tools. The method is applicable to data obtained from predetermined inspection grids, or directly from bracelet or array type inspection tools. The flaw edge and size are identified by calculating the three-dimensional slope vector (i.e., magnitude and direction) of each point in the kriging interpolated wall thickness profile. The transition from a steeper slope to a relatively flat profile is then used by a search algorithm to determine the flaw edge. The method is applied to the flaw assessment of feeder piping in CANDU nuclear reactors. The results show that in addition to identifying blunt flaws, the developed methodology also provides a convenient way for characterizing the flaw dimensions for structural integrity assessment. The uncertainty in the results is mainly attributed to the signal loss and coverage error associated with the inspection data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,655
Score d'incertitude au seuil0,567

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,382
Tête enseignante GPT0,422
Écart entre enseignants0,040 · 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 tête enseignante, 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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNon-Destructive Testing TechniquesTravaux en français237 207