Assessing Geohazard Probability of Pipeline Failure: Lessons and Improvements From the Last 10 Years
Notice bibliographique
Résumé
Abstract Geohazards, consisting of geotechnical hazards where ground movements impact pipelines and hydrotechnical hazards where pipelines cross watercourses, can threaten pipeline integrity, causing leaks or ruptures. Given the vast geographies traversed by pipeline infrastructure, geohazard frequency can be high requiring triage of large inventories of identified geohazard sites. Since 2012, field screening probability of failure algorithms have been used to assess and prioritize geohazard threats to pipeline integrity. These algorithms were developed using empirical data from failure case histories, engineering judgement from geohazard professionals, and statistical rates of pipeline impact, exposure, and failure. When combined with consequences, the algorithms provide semi-quantitative risk assessments. The risk assessments are used to compare geohazard threats to other pipeline integrity threats to support cost-benefit decisions for pipeline operation. The algorithms have been applied to 243,000 sites on 440,000 km of oil and gas gathering, transmission, and distribution pipelines primarily in Canada and the United States. In this paper, lessons learned from applying probability of failure algorithms to geohazard sites over the past 10 years are shared. The algorithms have proved successful in that their use has allowed pipeline operators to focus their integrity management effort on higher probability of failure sites. Use of the algorithms also allows operators to reduce investment on low probability of failure geohazard crossings. For example, the probability of failure assessments provide justification for less frequent reinspection intervals of low probability of failure sites, while providing clear means of advocating for the need to mitigate and monitor high probability of failure geohazard sites. Over the past decade, recalibration of the algorithms has reduced conservatism in earlier versions. As well, advancements in data collection, storage, and quality assurance have been undertaken to improve accuracy. This paper describes the methods used to assess probability of failure for pipeline landslide and watercourse crossings. The use cases and limitations of the algorithms are also 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 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 | 0,018 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».