An Integrated Reliability Method with a Newly Developed Interaction Rule for Steel Pipelines with Multiple Corrosion Defects
Notice bibliographique
Résumé
Although essential contributions have been made to the reliability analysis of corroded pipelines, the interacting effect between adjacent corrosion defects is rarely considered, let alone the effects of the corrosion depth and steel grade on the interacting effect. This paper proposes a new reliability method to fill the gap. First, the finite-element method and regression analysis were applied to investigate how the corrosion depth and steel grade impact the interacting effect and develop new interaction rules. Second, the new interaction rule, burst pressure model, Monte Carlo simulation (MCS), sensitivity analysis, feature scaling, and artificial neural network (ANN) were integrated to predict reliability. The proposed method combines several approaches to achieve a more accurate and efficient reliability estimation of pipelines with multiple corrosion defects than conventional assessment methods. An example is given to demonstrate the method. Results show that the limit spacing distance grows as the corrosion depth increases. The growth of the limit spacing distance of the X80 pipeline is more significant than that of the X65 pipeline. Existing interaction rules introduce conservatism to the prediction of the limit spacing distance. Two new interaction rules were developed and can realize better prediction accuracy by considering the corrosion depth and steel grade. Besides, the interacting effect significantly affects the maintenance time. The maintenance time lag between the X65 pipeline ignoring and considering the interacting effect is about 7.5 years. Different interaction rules result in different reliability descending paths. Because the new interaction rule was developed for this case, it could provide a more accurate reliability analysis. The trained ANN shows excellent prediction accuracy and high computing efficiency. The mean squared error in the reliability predicted by the ANN is 2.4×10−6. The elapsed time of the ANN prediction is about 50 times shorter than that of the MCS.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».