MétaCan
Menu
Retour à la cohorte
Enregistrement W4313177622 · doi:10.1115/ipc2022-86856

Influence of Strain Hardening Model on the CorLAS™ Model for Cracked Pipelines

2022· article· en· W4313177622 sur OpenAlexaff
Xinfang Zhang, Meng Lin, Muntaseer Kainat, Nader Yoosef‐Ghodsi, Juliana Y. Leung, Samer Adeeb

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Integrity and Reliability Analysis
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésStrain hardening exponentMaterials scienceHardening (computing)Pipeline transportPlasticityUltimate tensile strengthExponentMechanicsStructural engineeringComposite materialMechanical engineeringEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Underground steel pipelines may experience failure due to the occurrence of cracks or crack-like anomalies as a result of internal and external factors such as manufacturing imperfection and geotechnical movement. Metallic materials like steel often undergo strain hardening as deformation increases. The strain hardening characteristics of materials are usually described by strain hardening models. Accurate approximations of the stress-strain curves are essential for numerical simulations. For pipelines containing longitudinally-oriented cracks, a software-based model often referred to as CorLAS™ is widely accepted and commonly used by the pipeline industry to estimate the failure pressures. In CorLAS™, the stress-strain behavior of pipeline steel is modeled based on a simple power-law relationship known as the Hollomon equation. However, the Hollomon model cannot characterize the full-range strain hardening behavior of metallic materials, which is an approximation by design. Additionally, the strain-hardening exponent, n, in the CorLAS™ model is estimated based on an expression using yield strength and ultimate tensile strength. By contrast, the n value in mathematical models such as the Ramberg-Osgood equation, Swift equation, Ludwik equation, Ludwigson equation can be evaluated by using curve-fitting regression techniques, i.e., fitting the experimental true stress versus true strain data to the empirical models. This paper reviews the most frequently used strain hardening formulas and explores the applicability and accuracy of these stress-strain models including the hardening exponent expression in CorLAS™ (Version 2). This is followed by a sensitivity study to investigate the effect of n on the failure pressure predicted by CorLAS™. The holistic accuracy of CorLAS in predicting burst pressure, compared to other widely accepted models, is not explored.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,028
Tête enseignante GPT0,244
Écart entre enseignants0,215 · 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'étudeSimulation ou modélisation
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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetStructural Integrity and Reliability AnalysisTravaux en français237 207