Reliability assessment of corroded pipeline considering multiple defects interaction based on an artificial neural network method
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».