Data Modeling Techniques for Pipeline Integrity Assessment: A State-of-the-Art Survey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pipelines are economical and efficient modes of transporting oil and gas. Pipelines will inevitably confront various risk factors through their lifespan, which could lead to defects. Defects in pipelines can compromise the integrity of the pipeline systems and may result in catastrophic accidents. Thus, it is vital to conduct the integrity assessment of pipelines so that the safe operation of the pipelines can be ensured. Up to the present, widely used approaches for pipeline integrity assessment include defect characterization, growth rate prediction, and failure pressure evaluation. Although the theoretical developments of pipeline integrity assessment methods have yielded fruitful achievements and significantly benefit the industry practices, there is still a lack of a systematic review covering the whole process from data collection to model establishment of the pipeline integrity assessment. Therefore, a comprehensive review is conducted in this paper on the pipeline defect integrity assessment from the data modeling perspective. Firstly, the description of data required to construct pipeline defect integrity assessment models is presented, where the required data for modeling can be obtained from pipeline inspection measurements, monitoring sensors, testing experiments, etc. Then, different modeling techniques applied to pipeline integrity assessment are reviewed, which are classified into physics-based models, data-driven models, and multi-model fusion. Also, the advantages and limitations of these techniques are discussed. Finally, the possibility of applying the existing models to a digital twin of pipeline defect is explored. This paper aims to provide a guideline for researchers to select optimal models according to data availability and research requirements, which can benefit the research community, as well as, the industry.
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.
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 | 0,001 | 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 découle