Machine Learning Tools to Predict the Burst Capacity of Pipelines Containing Dent-Gouges
Notice bibliographique
Résumé
Abstract Dent-gouges as a result of the mechanical damage have serious implications for the burst capacity of oil and gas pipelines. The burst capacity of pipelines containing dent-gouges is lower than that of the same plain dented pipelines without gouges and that of the same gouged pipelines without dents. The well-known burst capacity prediction model adopted by the European Pipeline Research Group, i.e. the EPRG model, results in predictions of the burst capacity with high variability. In this study, a machine learning tool is employed to improve the predictive accuracy of the EPRG model for pipelines containing dent-gouges. To this end, a relatively large number of full-scale burst tests of pipe specimens containing dent-gouges are collected from the literature. The Gaussian process regression (GPR) technique, which is a class of non-parametric Bayesian model widely used in the machine learning, is employed to improve the EPRG model based on the collected full-scale burst test data. The full-scale burst tests are used to evaluate the hyper-parameters involved in the GPR analysis and validate the predictive accuracy of the improved EPRG model after the application of GPR. To facilitate the practical application of the improved EPRG model, a computer program with a graphic user interface (GUI) is further developed to compute the burst capacity of pipelines containing dent-gouges by inputting key parameters such as the pipe geometry and material properties as well as sizes of the dent and gouge through a GUI. This research will improve the fitness-for-service assessment of pipelines containing dent-gouges.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 ».