Notice bibliographique
Résumé
Abstract Magnetic Flux Leakage (MFL) inspection tools are the most cost effective way to monitor corrosion on in-service oil and gas transmission lines. The MFL signal is used to derive defect depth and extent, from which calculations of Maximum Allowable Operating Pressure (MAOP) are made. Unfortunately MFL signals depend not only on defect geometry but also tool speed, tool configuration, pipe wall magnetic properties and stress. The combination of these makes accurate depth predictions difficult. Of these various factors, stress is the most complex and the least understood. Pipe wall operating stresses may exceed 70% of the yield strength, but much higher local stress levels are present around defects because of stress concentrations. Understanding how these stresses affect MFL signals is crucial to accurate defect depth predictions. We have conducted a number of experimental studies that investigate the effects of bulk, local and residual stresses on magnetic behaviour and MFL signals. MFL and Magnetic Barkhausen Noise (MBN) techniques were used to examine and characterize the magnetic behaviour samples in response to stress. In addition to experimental studies, we have conducted finite element analysis (FEA) to model the MFL signals from typical defects. Stress alters the magnetic behaviour of the pipe wall, making it anisotropic and also causing it to vary with position in the defect vicinity. The FEA models therefore are extremely complex, involving 3D modelling and incorporating anisotropic permeability that is spatially non-uniform. The results of experimental and FEA work will be presented and their relevance to MFL inspection discussed.
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 | 0,001 |
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 ».