Optimizing the Prioritization of First-Time ILIs Using Quantitative Risk and Machine Learning
Notice bibliographique
Résumé
Abstract Inline inspections (ILIs) are one of the most effective methods for managing the integrity of pipelines. However, many older pipelines were not designed to accommodate ILI tools. Pipeline operators often prioritize which pipelines to make inspectable on a risk-basis. While this risk-based approach has many merits, it does not necessarily result in the maximum risk reduction for a given budget as the risk-reduction from completing the inspection is not considered. An optimized prioritization strategy should consider both the uninspected risk and amount of risk reduction. Since post-ILI risk are calculated based on the detected imperfections, it is not possible to directly calculate the risk-reduction from performing a first-time ILI. To overcome this, TC Energy (TCE) completed an exploratory analysis of numerous first-time ILI results to identify key parameters and built machine learning models which predicts the risk impact of performing first-time ILIs. Several machine learning algorithms (neural network, decision tree, etc.) were trained on data from pre and post-ILI risk results from TCE’s quantitative risk assessment. The models were trained at a dynamic segment level and aggregated to an ILI assessment path evaluation. The best-performing machine learning model was selected that accurately predicts the risk reduction achieved from a first-time ILI. These results demonstrate the risk-reduction of a first-time ILI can be accurately predicted before the inspection is performed. Combining the traditional risk-based prioritization approach with the predictive abilities to estimate risk-reduction will allow TCE to optimize the selection of first-time inspections by maximizing the amount of risk reduction.
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 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) | 0,000 | 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 tête enseignante, 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 ».