MétaCan
Menu
Retour à la cohorte
Enregistrement W3010542466 · doi:10.2118/201096-pa

Leakage Prevention and Real-Time Internal Detection in Pipelines Using a Built-In Wireless Information and Communication Network

2020· article· en· W3010542466 sur OpenAlexaff
Renato J. Cintra, Thiago de Almeida Oliveira, Martin P. Mintchev

Notice bibliographique

RevueSPE Journal · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueEnergy Efficient Wireless Sensor Networks
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPipeline transportLeakage (economics)WirelessPipeline (software)LeakComputer scienceWireless networkEmbeddingReal-time computingPetroleum engineeringEngineeringTelecommunicationsArtificial intelligenceMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Summary A series of recent pipeline leakage incidents created severe societal concerns to a point of impeding, or even completely preventing, building new pipelines in North America. Various systems have been proposed to identify and locate leakages. However, despite the fact that pipelines remain the safest means of oil and gas transportation, incidents still persist and pipeline acceptance from the public has become compromised. In order to address the need for early leakage detection, while providing comprehensive leakage prevention, a novel pipeline system is proposed. This concept builds on the already existing pipe-in-pipe design by segmenting the pipeline system with segmentation rings and embedding a linear wireless network in the annular airgap between the two pipe layers. Presence of fluid in the case of a leakage into the interpipe space causes degradation of the wireless network to a point of interrupting the communication in a particular pipeline segment well before any external leak occurs. Thus, the internal leak is detected in real time by an external central unit connected to the linear wireless network, as demonstrated with a 6 ft 8 in. experimental pipeline setup.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,432
Score d'incertitude au seuil0,404

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 savante0,0000,001
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 Opus0,015
Tête enseignante GPT0,246
Écart entre enseignants0,231 · 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'étudeSimulation ou modélisation
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

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSPE JournalMême sujetEnergy Efficient Wireless Sensor NetworksTravaux en français237 207