Using Dynamic Pressure Response for Erosion Detection in Hydraulic Tubes and Hoses
Notice bibliographique
Résumé
Abstract Numerical simulations were performed to study the feasibility of erosion detection in hydraulic tubes and hoses using fluid dynamic pressure response analysis. Reflected pressure signals caused by wall thinning were studied to locate and quantify pipe defects. Simulations were conducted for steel pipes as well as hoses. Results showed that for a steel pipe, since the stiffness of the fluid is much less than the pipe material’s, a very big change of wall thickness is needed to have a meaningful change in wave propagation speed and therefore the dynamic pressure response. For hoses, the wall stiffness is much less than steel pipes, hence it is more feasible to detect changes in stiffness. A dataset of 10 000 dynamic pressure impulse responses from samples with randomly generated eroded geometries was calculated to train a gated recurrent unit (GRU) neural network. Results showed that under perfect conditions (no noise), we are able to detect an eroded section’s location, length, and change in wave propagation speed with relative errors of 2.69%, 4.88%, and 3.79%, respectively. The changes in the wave propagation speed was also categorized into three classes of low, mild, and severe erosion with the accuracy of 97.3%. Under more practical conditions including sensor noise, the accuracy of erosion detection is degraded, especially in the case of steel tubing. By retraining the model with noisy data, the drop in the accuracy is compensated to about 96%.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».