Using machine learning to automate ultrasound-based classification of butt-fused joints in medium-density polyethylene gas pipes
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.
Notice bibliographique
Résumé
Polyethylene (PE) pipes are widely used in gas distribution. Their joints are prone to various flaws and are the most problematic part of the pipeline, so the infrastructure industry requires an effective inspection technique. Butt-fusion (BF) is the most common method of joining PE pipes. In this research, we investigated the applicability of machine learning (ML) to automate the ultrasonic inspection of PE pipe BF joints. Flawless and defective joints were fabricated. A-scan signals were collected from each group of samples using a customized chord transducer, with the aim of developing and assessing the viability of ML approaches to the problem of joint classification. We compared several ML approaches to the problem and found that convolutional neural networks were most performant, classifying signals with an F1 score of 0.874 in a four-class problem (identifying defect presence and type) and of 0.912 in binary classification (defect presence/absence only). Our results show that an ultrasonic chord-type transducer approach can effectively resolve flawless samples versus those with coarse contaminants or cold fusions and that an ML approach can be used to effectively assess these ultrasonic signals. Our findings can be used to develop a portable, efficient, user-friendly, and inexpensive device for in-field joint inspections.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle