Time Dependent Reliability Analysis for Oil and Gas Pipelines: A Bayesian Spectral Analysis-Based Deterioration Model
Notice bibliographique
Résumé
Abstract Oil and gas pipelines are essential infrastructures that sustain the economy of modern society. They are designed for continuous and reliable operations over their service lives. Once installed, however, their reliability is affected by several threats among which external corrosion plays a significant role. Corrosion-based pit depth growth reduces the wall thickness over time that consequently affect the mechanical strength and the hydraulic performance of the pipeline. Pipeline utility managers rely on the corrosion growth rate models to plan their maintenance, rehabilitation and/or replacement. Existing pipeline deterioration models are mostly based on the power law function that relates the pit depth with the exposure time and rarely include the soil factors that can have effect on the corrosion growth rate. Moreover, the way these factors affect the corrosion rate is complex and cannot be captured with simple linear relationship. This paper uses data found in the literature to build a nonlinear pit depth growth model based on Bayesian spectral analysis regression technique. All continuous covariates are allowed to have smooth nonlinear spectral representations of their effect function on the pit depth growth. The discrete (i.e. categorical) factors are modeled using the ordinary least squared algorithm. The final semiparametric model allows to capture all pit depth measurements, even those difficult to be modeled using high degree polynomials. The stochastic nature of the pit depth growth is captured through the Bayesian approach. A time dependent reliability analysis using subset simulation is carried out to evaluate the changes occurring in the probability of failure of the pipe over time and allow for a better planning and management of these important infrastructure. The model is applied on a bare pipe directly exposed to the soil environment over time. The Bayesian pit depth growth model is accurate enough to allow the computation of the time dependent reliability of pipelines considering both the mechanical and hydraulic reliabilities.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».