MétaCan
Menu
Retour à la cohorte
Enregistrement W2991440570 · doi:10.1115/pvp2019-93674

Importance of Accurate and Detailed Data Processing of Laser Mapping in Coke Drum

2019· article· en· W2991440570 sur OpenAlexaff
Daryl Rutt, Stephen Park, Darren Love, Egler D. Araque, Rick D. Clark

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMetallurgy and Material Forming
Établissements canadiensCanadian Food Inspection Agency
Organismes subventionnairesnon disponible
Mots-clésDrumLaser scanningNoise (video)LaserScannerCokeData processingComputer scienceRange (aeronautics)AcousticsOpticsMechanical engineeringEngineeringComputer visionArtificial intelligenceDatabasePhysicsAerospace engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Laser mapping is a well-accepted technique for obtaining surface profiles of coke drum walls to identify bulges. The resulting data is used to track and trend vessel distortions and mapped to illustrate the shape of the vessel from a base radius and or previous inspection. Monitoring the development and evolution of these distortions over time in an accurate and consistent manner has been demonstrated to be an effective tool for predicting bulging induced crack in a coke drum. In this paper, the authors discuss several aspects of the laser mapping technique such as scanner positioning, data noise, laser range accuracy, missing data and the repercussions in the assessment of bulging. The effects on second derivative-based analysis are covered in detail and the use of techniques to reduce the effects of data noise and sensor motion are discussed.

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)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,394
Score d'incertitude au seuil0,191

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,025
Tête enseignante GPT0,237
Écart entre enseignants0,212 · 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
GenreEmpirique

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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMetallurgy and Material FormingTravaux en français237 207