MétaCan
Menu
Retour à la cohorte
Enregistrement W4312442826 · doi:10.1115/ipc2022-86735

Factors Affecting SMAW Pipeline Girth Weld Strength and Strain Concentration Under Tensile Loading

2022· article· en· W4312442826 sur OpenAlexaff
Eric Willett, GREG LEHNHOFF

Notice bibliographique

RevueVolume 3: Operations, Monitoring, and Maintenance; Materials and Joining · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiqueHydrogen embrittlement and corrosion behaviors in metals
Établissements canadiensAlberta Energy
Organismes subventionnairesnon disponible
Mots-clésWeldingMaterials scienceShielded metal arc weldingGirth (graph theory)Ultimate tensile strengthBendingTensile testingComposite materialStructural engineeringMetallurgyHeat-affected zoneGas metal arc weldingEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract This paper presents the findings of a study to investigate the phenomena of girth weld strength undermatching and strain concentration in SMAW girth welds of API 5L X70 pipe, and to identify the significance of some key factors that may affect these phenomena including filler metal strength, heat input, and carbon equivalency of pipe base material. Test welds were subjected to a novel small-scale instrumented cross-weld tensile testing (ICWT) method employing multiple extensometers in different regions of the gage section. Hardness mapping of each weld cross-section was also performed. This study highlights the importance of considering filler metal strength relative to base material strength when designing welded joints, as well as the importance of controlling welding heat input. It also points out potential issues with relying on failure location as an acceptance criterion in cross-weld tensile testing (CWTT) samples. The observations from this study may be useful in the development of strategies and practices for mitigating the risk of excessive weld strain concentration and premature girth weld failure under moderate tensile or bending loads typical of stress-based pipeline designs.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,264
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVolume 3: Operations, Monitoring, and Maintenance; Materials and JoiningMême sujetHydrogen embrittlement and corrosion behaviors in metalsTravaux en français237 207