MétaCan
Menu
Retour à la cohorte
Enregistrement W4224314106 · doi:10.4043/31851-ms

Robots for Normally Unattended Facilities

2022· article· en· W4224314106 sur OpenAlexaff
Narayanan Kumar, Swetha Thimmaiah, Christophe Sintive

Notice bibliographique

RevueOffshore Technology Conference · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueUnderwater Vehicles and Communication Systems
Établissements canadiensCybernet Systems Corporation (Canada)
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasOperating expenseCapital expenditureControl roomInstrumentation (computer programming)EngineeringComputer scienceElectrical engineeringBusiness

Résumé

récupéré en direct d'OpenAlex

Abstract Based on economic reasons and safety considerations, Normally Unattended Facilities (NUF) have been proven as a viable option in offshore oil and gas Industry for developing marginal fields. Developments in digitalization and communication are fundamental reasons for this paradigm shift. Digital technologies and robotics have helped operators to considerably lower Person on Board (POB) count on existing attended facilities. This reduced operating expenses (OPEX). Due to minimal operators presence, these facilities require smaller hotel facilities and safety escape devices. These facilities are also designed with walk-to-work as basic maintenance philosophy with supply vessels providing major utilities. This reduces capital expenditures (CAPEX). The associated advantage of these facilities is the reduction in greenhouse gas (GHG) emissions. Due to lower power requirements, most of these new facilities are powered by solar or wind energy. This negates burning fuel gas for power generation. The facilities are designed with one visit per year as basis of operation. Limited supply vessel visits and offshore operators’ trips contributes to GHG reduction. Apart from oil and gas facilities, offshore wind turbines are designed as unattended installations due to limited space availability. Operation and inspection of these installations are carried out remotely. Most of the unattended installations are designed with control from remote locations. Availability of reliable and current data is of paramount importance for remote control. Collecting data from source of truth is a critical activity. Current developments in transducers and smart instrumentation have achieved proven means for operational data collection. However, for maintenance data like deck corrosion, paint condition etc., operators primarily depend upon manual methods. Collection of data required for periodic inspections, like pressure vessel wall thickness or piping erosion, are predominantly manual. Robots can be successfully deployed as data collectors. At present robots are used as aids for operators to carry out risky and dangerous operations. These robots can be either teleported or autonomous robots and require continuous supervision and command. To a limited extent, customized robots are used for data collection in some facilities. This paper highlights some of commercially available robotics applications for offshore installations, discusses cost savings and proposes an integrated approach for robots as data collectors in normally unattended facilities. This paper will also cover some of the aspects to be taken care while designing offshore facility to suit robots’ deployment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,076

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0230,008

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 Opus0,023
Tête enseignante GPT0,216
Écart entre enseignants0,193 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOffshore Technology ConferenceMême sujetUnderwater Vehicles and Communication SystemsTravaux en français237 207