PR652-203801-R01 Large Standoff Magnetometry (LSM) Technology Literature Review
Notice bibliographique
Résumé
With improving accuracy and sensitivity of magnetic sensors, an attractive branch of the magnetic memory method (MMM) technique has been developed. Large Standoff Magnetometry (LSM) is an emerging non-destructive, remote, passive, non-contact and magnetic test method based on Villari effect, which could be applied to detect anomalies related to elevated stresses. The robust technology searches for Stress Concentration Zones (SCZs) in steel pipelines and ferromagnetic structures. These hot spots are mainly associated with corrosion, crack and mechanical damages such as dent and bucket, or landslide, which could be as a result of geohazards or external loadings. The technique has become very attractive because of its operational simplicity and economic advantages especially in hard-to-pig pipelines. The LSM Technology has potential to be deployed as a screening tool to identify areas that require further examination, to improve target inspections, and prioritize excavations. At its current state of development, the technique could be considered as a complementary technique in integrity assessment technology. The applications of LSM technology include ground movement (geohazard), stress corrosion cracking, winkle bends, weld mismatch, buried casing, and depth of coverage prediction. Because it is a remote inspection technique, there are no limitations due to the pipeline manufacturing and installation conditions, such as curvature, weld type, thickness and diameter.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».