Machine Learning-Based Severity Assessment of Pipeline Dents
Notice bibliographique
Résumé
Abstract One challenge to pipeline operators is to identify potentially injurious dents among thousands of reported deformation features using limited information (e.g., reported dent’s length, width, and depth) and to prioritize the efforts and allocate the resources to obtain additional more detailed information (e.g., dent profiles) for those potentially severe dents. An innovative approach based on machine learning predictions stemming from a representative dictionary of finite element analysis (FEA) generated prototypes was developed. The proposed approach predicts multiple severity-based indicators for each dent, then combines them in an overall severity score, which finally is used to prioritize the acquisition of dent profiles. Once the dent profiles are available, detailed level 3 FEA quantitative reliability analyses, following previously developed and published methodology (QuAD) [1], is performed allowing pipeline operators to confirm dent’s severity more accurately and perform an integrity risk informed decision (IRIDM) leading to a safer and more efficient integrity management. Three severity indicators were considered herein and intended to address both formation-induced and service-induced failure mechanisms. The maximum dent formation plastic strain and accumulated ductile failure damage were used for evaluating the likelihood of forming a crack during indentation. The third indicator was the stress concentration factors (SCFs) to assess the potential of service-induced failure due to fatigue. A machine learning model, as an emulator, trained and tested using ∼4000 FEA-based dent prototypes was shown to be able to effectively predict dent severity indicators previously referred to. These predicted dent severity indicators are combined to produce an overall severity score, which was finally used to prioritize the acquisition of the detailed dent profiles. Once profiles are obtained, detailed FEA quantitative reliability assessments will ultimately confirm the severity and hence drive repair/no repair decisions, enabling in this way an efficient and effective allocation of resources.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».