Application of Noise Filtering Techniques for the Quantification of Uncertainty in Dent Strain Calculations
Notice bibliographique
Résumé
Abstract The integrity assessment of dents in pipelines is primarily driven by the dent depths as per the stipulations in current codes and standards. There is a provision for strain-based analysis to quantify the severity of dents based on their shapes in the ASME B31.8 non-mandatory Appendix R. In recent years, the pipeline industry has also started leveraging more advanced techniques such as Finite Element Analysis (FEA) for dent assessment. These assessments require the detailed deformation profile of dents, which are available from In-line Inspection (ILI) tools. The ILI tools use caliper arms that roll along the inside of the pipeline and scan the inner profile. The measurements recorded by each caliper arm are susceptible to noise due to the vibration of the ILI tool, and as a result, the dent shapes obtained from ILI are not smooth. Strain assessments of dents typically require the calculation of radius of curvature in the longitudinal and circumferential directions. This becomes a complex problem while the ILI data contains noise, particularly for relatively shallow dents, when the dent depth approaches the magnitude of the noise in the data. In these cases, the radius of curvature estimation can become highly inaccurate. Furthermore, the amount of noise in the data can vary between dents, and so the accuracy of the estimation varies as well. This paper presents several methods to resolve the above-mentioned issues. To address the issue of data noise itself, a combination of Fast Fourier Transform (FFT) and Gaussian filtering is used to produce a smooth profile that can be used to calculate the maximum radius of curvature of the dent. The smoothed profile also results in a better estimation of dent depth. To estimate the amount of uncertainty in the data, we apply many independent iterations of random noise to the smoothed curve. Characteristics required for further reliability analysis, such as dent depth or radius of curvature, are calculated for each iteration. This forms a distribution for each characteristic, and the properties of each distribution are used to quantify the uncertainty in the ILI data.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».