Review and Gap Analysis of MIC Failure Investigation Methods in Alberta's Oil and Gas Sector
Notice bibliographique
Résumé
This chapter highlights a review and analysis of MIC-related pipeline incidents in the province of Alberta, Canada, over a three-year period (2017–2019). The intent of this work was to quantify the occurrence of MIC failures relative to other corrosion mechanisms, and to conduct a gap analysis of MIC failure investigation techniques being used relative to the current state of the art. Over this three-year period, MIC was found to be responsible for 13.6% and 4.8% of all pipeline leak incidents due to internal and external corrosion, respectively, either as the main failure mechanism or as a contributing factor. Most of these failures were seen to occur in small diameter upstream pipelines (with less than or equal to 220.3 mm outside diameter) carrying mainly multiphase fluids (oil-water emulsions) or produced water. In terms of the failure investigation methods currently being used, it was noted that there was some inconsistency among reports and a number of important gaps were identified. Various assessments lacked microbiological test data, in particular, tests which specifically identify microbial functional groups or speciation, which is critical to confirm observed corrosion mechanisms. Furthermore, a number of these assessments identified MIC primarily on the basis of corrosion morphology, which has been shown to be an incorrect assumption and approach without additional evidence. Details related to sampling methods were also lacking in these assessments, which created some uncertainty as to the quality of data obtained. Overall, most assessments did a reasonable job in characterizing and including chemical (solids, fluids and corrosion products), metallurgical, and operating data. However, the integration of these various layers of evidence (i.e., connecting corrosion to microbiological activity, and eliminating possible abiotic corrosion mechanisms) was missing in many reports and would have significantly strengthened the final assessment conclusions. It is hoped that this analysis contributes to a better understanding of the prevalence of MIC in the oil and gas sector, and highlights the key areas necessary to improve the diagnosis of MIC failures in the future.
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 | 0,011 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,026 | 0,030 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 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 ».