Remote Geotechnical Monitoring of a Buried Oil Pipeline
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
Extensive but remote oil and gas fields in Canada and Russia require extremely long pipelines. Global warming and local anthropogenic effects drive the deepening of seasonal thawing of cryolithozone soils and enhance pathological processes such as frost heave, thermokarst, and thermal erosion. These processes lead to a reduction in the subgrade capacity of the soils, causing changes in the spatial position of the pipelines, consequently increasing the number of accidents. Oil operators are compelled to monitor the daily temperatures of unevenly heated soils along pipeline routes. However, they are confronted with the problem of separating anthropogenic heat losses from seasonal temperature fluctuations. To highlight heat losses, we propose a short-term prediction approach to a transformed multidimensional dataset. First, we define the temperature intervals according to the classification of permafrost to generate additional features that sharpen seasonal and permafrost conditions, as well as the timing of temperature measurement. Furthermore, linear and nonlinear uncorrelated features are extracted and scaled. The second step consists of selecting a training sample, learning, and adjusting the additive regression model. Forecasts are then made from the test sample to assess the accuracy of the model. The forecasting procedure is provided by the three-component model named Prophet. Prophet fits linear and nonlinear functions to define the trend component and Fourier series to define the seasonal component; the third component, responsible for the abnormal days (when the heating regime is changed for some reason), could be defined by an analyst. Preliminary statistical analysis shows that the subsurface frozen soils containing the oil pipeline are mostly unstable, especially in the autumn season. Based upon the values of the error metrics, it is determined that the most accurate forecast is obtained on a three-month uniform time grid.
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 | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle