MétaCan
Menu
Retour à la cohorte
Enregistrement W3124993560 · doi:10.1115/ipc2020-9681

Leveraging IOT Telemetry to Improve the Tracking of Inline Inspection Tools for Oil and Gas Pipelines

2020· article· en· W3124993560 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Destructive Testing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTelemetryPipeline transportPipeline (software)Computer scienceReal-time computingTracking (education)InstallationTracking systemEngineeringTelecommunicationsKalman filter

Résumé

récupéré en direct d'OpenAlex

Abstract To ensure the safe transportation of energy, Canadian pipeline operators spend roughly $1.5 billion every year on pipeline integrity. The most practiced form of pipeline integrity is the use of inline inspection (ILI) tools. To ensure that an ILI inspection occurs with minimal to no complications, operators often utilize tracking techniques for the runs. These techniques can be costly and have large safety risks and environmental impacts due to the nature of using manpower to perform the operation. Using advanced Intemet of Things (IOT) telemetry devices, the tracking of ILI tools can be completed from remote locations by installing IOT devices semi-permanently along a pipeline right -of-way. This advancement has ensured the efficient, safe and reliable tracking of ILI tools while eliminating risks involved with conventional tracking. Furthermore, the current generation of IOT telemetry devices offers a tailored suite of ILI tracking sensors such as magnetics, ultrasonic frequency, extremely low frequency (22 Hz), and geophone. This multi sensor tracking solution increases an operator’s confidence in pig passages and flow rate estimations which allows the operator to optimize pump station bypassing. Finally, the IOT telemetry devices are supported by Global System for Mobile Communications (GSM) and satellite link which has ensured global coverage to remotely track tools. The communication module for the semi-permanent tracking solution is decided based on network availability and endpoints. This paper will present a comprehensive analysis that compares conventional ILI tracking to cutting-edge IOT telemetry ILI tracking and illustrates improvements in operational efficiency, operational risk, overall safety, environmental impact, and cost-effectiveness. In addition, case studies from recent tracking runs will be shared to demonstrate advancements in IOT telemetry, tracking sensor technology, dynamic user interface capabilities, advanced data dissemination methods, and high precision benchmarking.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,324
Score d'incertitude au seuil0,327

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,263
Écart entre enseignants0,224 · 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

En bref

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNon-Destructive Testing TechniquesTravaux en français237 207