Using Modeling and Metamodels for Reliability Study in Non-Destructive Evaluation
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
As in any other measurement process, NDE is subject to variability whose impact can be assessed to guarantee a given level of performance. Once NDE prevents catastrophic failures, deaths and environmental damage, identifying uncertainties and variability in NDE help to design more reliable inspections, therefore is a process that saves lives. This is the goal of a reliability study. Statistical indicators such as Probability of Detection (POD) curves give insights to allow building of mechanical designs with enough « secure margin » for structural integrity and to also define appropriate maintenance & inspection cycles. Simulation is very useful to support performance or reliability demonstrations that require a lot of data (such as POD studies and qualification campaigns), and where simulation can help by reducing the number of necessary mock-ups and experimental trials. In addition to physical models, the NDE simulation software CIVA now offers meta-modelling techniques. Built from an initial set of physical simulations, such surrogate models give the user the possibility to generate a massive amount of data while combining and exploring multi parametric variations. This is particularly efficient in the context of reliability studies, when you have to find the best settings, track the worst-case scenario or build POD curves. This paper illustrates the use of this meta-modelling approach for the reliability study of a longitudinal weld AUT inspection. Real pipe mill inspection data are provided and compared to modelling and meta-modelling results.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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