New Methods for Predicting Strain Demand of Arctic Gas Pipelines across Permafrost under Frost Heave Displacement
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
With increasing gas resource development in the Arctic region, gas pipeline installations in permafrost regions are becoming important. Frost heave of pipeline foundation soils may occur when a chilled gas pipeline passes through unfrozen areas with frost-susceptible soils. The stress and strain behaviors caused by the differential frost heave will directly affect the safety of the pipeline. A nonlinear finite element model (FEM) computing the mechanical responses of the buried gas pipeline subjected to frost heave load was established and successfully validated with the results of a large-scale indoor pipe-soil interaction experiment carried out in Caen in France. Utilizing C# language and object-oriented visual programming techniques, a new customized parametric strain calculation software was developed. The effects of pipe diameter, pipe wall thickness, pipe internal pressure, and peak soil resistance on the longitudinal strain of X60, X70, and X80 steel pipes have been investigated quantitatively. For the first time, a fitting semiempirical equation and trained backpropagation neural network (BPNN) for predicting pipeline strain demand subjected to frost heave load were proposed based on 2688 groups of FEM results. The comparison results have proved their high accuracy and lower running time cost. The proposed new methods can be applied in the strain-based pipeline design and safety evaluation of pipelines in service. It is in the hope of supplementing existing theory and identifying new approaches for arctic gas pipeline installations.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,012 | 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