Reliability assessment of corroded pipeline considering multiple defects interaction based on an artificial neural network method
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
Because of the corrosivity of the external environment and internal media, oil, and gas pipelines are prone to be corroded. Corrosion defect, as one of the most common and dangerous pipeline damages, could weaken the loading capacity of a pipeline and may result in serious pipeline incidents, such as pipeline leakage and rupture. According to previous in-line inspection records, corrosion defects on the pipeline walls commonly don't exist in isolation. The reliability of corroded pipelines significantly affected by the interaction of multiple corrosion defects. However, hardly any previous research involves the reliability assessment of pipelines with multiple corrosions.In this paper, a simulation-based method is proposed to estimate the reliability of pipelines with multiple corrosions. The reliability assessment of this method is realized by integrating multiple approaches, including finite element analysis, sensitivity analysis, Monte Carlo simulation, and artificial neural networks (ANN). A new interaction rule considering the effect of corrosion depth for multiple corrosions is developed based on finite element analysis. The optimized PCORRC burst model determines the limit state of corroded pipelines. Sensitivity analysis is employed to reduce the number of ANN inputs for performance improvement. Data sets used to train and test the artificial neural network are generated by Monte Carlo Simulation. The proposed method is compared with the traditional reliability analysis method through a case study, and the results show that the new method could achieve accurate reliability prediction for pipelines with multiple corrosions while improving computational efficiency.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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