Machine Learning Tools to Predict the Burst Capacity of Pipelines Containing Dent-Gouges
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
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.
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) | 0,001 | 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 découle