An ANN‐based failure pressure prediction method for buried high‐strength pipes with stray current corrosion defect
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
Abstract With continued increasing construction of both electrified facilities and buried high‐strength pipelines in China, stray current corrosion defects have become an nonignorable threat for these pipelines. A comprehensive investigation on a new failure pressure prediction model for high‐strength pipes with stray current corrosion defects was conducted in this study. The mechanism of stray current corrosion in steel pipes was firstly elaborated in brief. After that, a parameterized finite element model for stress analysis of pipes with external corrosion defects was programmed by APDL code developed by general software ANSYS. By comparing numerical results with full‐scale experimental results, both the numerical model and the failure criteria for pipe burst were proven to be reasonable. Based on the finite element model, parametric analysis was performed using a calculation matrix set by orthogonal testing method to investigate the effects of three main dimensionless factors, that is, ratio of pipe diameter to wall thickness, nondimensional corrosion defect length, and nondimensional corrosion defect depth on pipe's failure pressure. Utilizing the parametric analysis results as database, a multilayer feed‐forward artificial neural network (ANN) was developed for failure pressure prediction. By comparison with experimental burst test results and results of previous failure pressure estimation model, the ANN model results were proven to have both high accuracy and efficiency, which could be referenced in residual strength or safety assessment of high‐strength pipes with corrosion defects.
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 | 0,001 |
| 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