Qualitative and Semi-Quantitative Model for Estimating the Probability of Failure at River Crossings
Notice bibliographique
Résumé
Abstract Pipeline river crossings are typically managed by using a combination of flood monitoring, ground inspections, integrity assessments, and remediations. Using a probabilistic model to assess the likelihood of failure at river crossings would enable combined consideration of all factors that contribute to the failure threat, provide site rankings to support discrete mitigation prioritizations, allow for evaluation of whether a crossing is acceptable in regard to a risk target, and provide a “check” to the deterministic integrity management methods. This paper describes two models for estimating the pipeline probability of failure at river crossings. The first model is a qualitative scoring model that can be easily implemented by operators and consultants. This model employs a weighting-factors approach to consider the multiple variables that contribute to pipeline exposures and overstress given exposure. The results may be applied to threat rank diverse crossings, as well estimate the probability of failure at a crossing relative to that at historical failure sites. The second model is a semi-quantitative model that 1) estimates the likelihood of a crossing exposure occurring, 2) estimates the associated scour length, 3) assesses the pipelines critical span length, and 4) quantifies the probability that a span length longer than the critical span length could form. This model may be applied to achieve the same goals as the qualitative model, and also compare the probability of failure at a river crossing to a reliability target. Due to the complexity of this model and the paper length limits, it is conceptually described within this paper. The results demonstrated that the model output site rankings correlated reasonably with those estimated by pipeline integrity program managers, the scour depth and length prediction results were consistent with measured historical scours, and the pipeline probability of failure at the assessed river crossings were within expected ranges.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».