MétaCan
Menu
Retour à la cohorte
Enregistrement W4312479124 · doi:10.1115/ipc2022-86946

Research on an Automated Process to Automatically Correlate ILI Features With NDT Laser Scans

2022· article· en· W4312479124 sur OpenAlexaff
Ron Brush, Pat Westrick, Wei Xiang, Colin Dooley, Terry Huang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Maintenance and Monitoring
Établissements canadiensAlberta Energy
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)LaserComputer scienceOverlaySoftwareNondestructive testingRaw dataArtificial intelligencePlot (graphics)Energy (signal processing)Pipeline (software)Data miningComputer visionOpticsMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract New Century Software has completed a research and development project in collaboration with TC Energy to automatically correlate ILI corrosion features with corresponding NDT laser scan data to validate ILI depth predictions with raw laser scan pit measurements and generate unity plots. The research project utilized a process that New Century developed that automatically compares ILI features with NDT 3D laser scan measurements to generate unity plots. This process automatically reads the ILI pipe tally reports and generates GIS graphics representing the pipe surface using actual pipe length and diameter dimensions. The process automatically reads raw laser scan data and overlays this data on the GIS pipe surface. The program automates an optimization algorithm that seeks to align the ILI features with the laser data to account for measurement differences between the ILI tool and the laser scan report. Each ILI feature is aligned and used to calculate the measured maximum depth. The ILI predicted depths and the laser measured depths are represented by a unity plot that illustrates the correlation of ILI-predicted features with 3D laser scan measured features. The goal of this project was to identify the best technical approach to automatically match these data and to provide recommendations to TC Energy through testing the technique on a large amount of data and fine-tuning the configuration settings in the algorithm. Also, quantitative approaches were developed and implemented to evaluate the automatically-generated unity plots. Automating this process will save significant time and cost over manual correlation methods and provide pipeline operators with information about the quality of ILI inspections from different vendors. It could also be used to create a bias factor for ILI Corrosion Growth Rate assessment as well as inform the pipeline risk assessment model.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,016
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,013
Tête enseignante GPT0,320
Écart entre enseignants0,307 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInfrastructure Maintenance and MonitoringTravaux en français237 207