MétaCan
Menu
Retour à la cohorte
Enregistrement W2993607976 · doi:10.1109/ojia.2019.2956987

Shaft Failure Analysis in Soft-Starter Fed Electrical Submersible Pump Systems

2019· article· en· W2993607976 sur OpenAlexafffund
S. F. Rabbi, Jalal Taheri Kahnamouei, Xiaodong Liang, Jianming Yang

Notice bibliographique

RevueIEEE Open Journal of Industry Applications · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueOil and Gas Production Techniques
Établissements canadiensUniversity of SaskatchewanMemorial University of Newfoundland
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMotor soft starterStarterEngineeringTorsion (gastropod)Submersible pumpMechanical engineeringAutomotive engineeringStatorRoot causeStructural engineeringMarine engineeringInduction motorVoltageElectrical engineeringReliability engineering

Résumé

récupéré en direct d'OpenAlex

Electric submersible pumps (ESPs) are widely used for high volumetric oil and gas recovery from downhole wells. ESPs in oil fields can be equipped with multiple ac motors in tandem. To assist a motor start-up, a solid-state soft-starter can be deployed in such ESP wells. ESP shafts have a long axial length, and thus experience significant dynamic torsion when started from reduced voltage soft-starters. Premature shaft breakdowns had occurred in the field during the motor start-up for soft-starter fed ESPs. This paper investigates the shaft breakdown phenomenon in a 750-HP ESP system using a real-world case scenario. A lumped parameter electro-mechanical model for the ESP system is developed to observe its dynamics. The effects of static as well as fluctuating torsional stress on the interconnected pump shafts are analyzed to determine the root cause of the shaft breakdown. Criteria for successful start-up for soft-starter driven ESP systems are also presented to increase the equipment's operational life.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,012
Tête enseignante GPT0,258
Écart entre enseignants0,246 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations17
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Open Journal of Industry ApplicationsMême sujetOil and Gas Production TechniquesTravaux en français237 207