Application of Gaussian Process Regression for the Accuracy Assessment of a Three-Dimensional Strain-Based Model
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 Dents are one of the common integrity threats of long-distance transmission pipelines. The current CSA Z662 standard assesses dents based on the dent depth. However, the severity of dent features is a function of many factors. Most recently, numerical modeling via finite element analysis (FEA) has been utilized to assess dent severity, however the approach is computationally expensive. Recently, the authors’ research group developed a robust but much simplified analytical model to evaluate the strains in dented pipes based on the geometry of the deformed pipe. When the strain distribution predicted using the analytical model is benchmarked against the strains by nonlinear FEA they showed a good agreement with certain error. The procedure, however, predicts more conservative results in terms of the maximum equivalent plastic strain (PEEQ). In order to estimate the accuracy in the recently developed model, a series of nonlinear FEA pipe indentation simulations were conducted using the finite element analysis tool, ABAQUS and compared with the analytical prediction. This paper presents an application of a Bayesian machine learning method named Gaussian Process Regression (GPR) for the accuracy assessment of the developed analytical model for dent strain assessment, quantifying the error in comparison with the FEA in terms of the maximum PEEQ. The Gaussian Process (GP) model holds many advantages such as easy coding, prediction with probability interpretation, and self-adaptive acquisition of hyper-parameters. By varying the dent depth and the indenter radius, this paper provides a model that quantifies the error in the developed analytical model. The proposed model can be utilized to rapidly determine the severity of a dent along with the accuracy of the prediction. This analysis method can also serve as a reference for other analytical expressions.
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