MétaCan
Menu
Retour à la cohorte
Enregistrement W3121998015 · doi:10.1115/ipc2020-9655

Pipeline Plain Dent Fatigue Assessment: Shedding Light on the API 579 Level 2 Fatigue Assessment Methodology

2020· article· en· W3121998015 sur OpenAlexaff
Zeynab Shirband, Adrian Gosselin, Stuart Guest, Lee Falcon

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Integrity and Reliability Analysis
Établissements canadiensStantec (Canada)
Organismes subventionnairesnon disponible
Mots-clésPipeline transportStructural engineeringStructural integrityPipeline (software)Stress (linguistics)Failure assessmentDeformation (meteorology)EngineeringExcavationIntegrity managementFatigue testingForensic engineeringStress concentrationGeotechnical engineeringFracture mechanicsMechanical engineeringMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract For continued safe operation of pipelines, thousands of integrity digs are conducted every year to repair ILI detected defects. Integrity-driven pipeline excavations can be quite costly, present significant scheduling challenges with landowner consultation and seasonal access limitations, and an unmitigated defect may have required a pressure reduction or service outage, resulting in a loss of revenue from the asset. Dents are known to be one of the drivers for many integrity excavations, especially for liquid pipelines. A pipeline with a minimal mechanical deformation is not expected to fail immediately, however, severe pressure cycles combined with the geometric distortion can cause fatigue crack initiation and growth that can lead to failure. To account for the possibility of fatigue failure, recent changes to pipeline codes, such as CSA Z662, are requiring pipeline operators to repair any dent susceptible to fatigue failure unless an engineering assessment proves it is fit for service. A commonly used dent fatigue assessment methodology is outlined in API RP 579, also known as the EPRG-2000 model. The assessment methodology uses an S-N curve from DIN 2413 part 1 with a safety factor of 10, which has been derived from undamaged pressurized pipe sections experiencing pressure cycles with stress ratios of zero, and separate stress enhancement factors for dents and gouges which take into account the shape of dents and gouges. To account for the effect of mean stress, Gerber mean stress correction, which has been developed for pressure cycles with stress ratios of −1 (i.e., for fatigue bar specimens), is also applied on pressure cycles. According to the literature, API 579 Level 2 fatigue assessment methodology results in very conservative estimates of fatigue lives compared to experimental data. This paper will discuss the potential factors resulting in conservative assessments and propose refinements in the methodology. This will include the safety factor used for pipes with known operating pressure fluctuations and the mean stress correction model suitable for a pipeline with pressure cycles that have R ratios greater than zero. The acceptable number of cycles obtained using the proposed refinements were compared to experimental data and EPRG-1995 model’s predictions — the comparison revealed that the proposed methodology results in a more realistic safety margin for dented pipelines. The proposed methodology can be used as a part of engineering assessments in mechanical damage integrity management programs to improve the pipeline operator’s understanding of a dent’s remaining life and enable a more appropriate repair timeline.

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)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,003

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 Opus0,161
Tête enseignante GPT0,359
Écart entre enseignants0,198 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetStructural Integrity and Reliability AnalysisTravaux en français237 207