Corrosion surface morphology‐based methodology for fatigue assessment of offshore welded structures
Notice bibliographique
Résumé
Abstract This work employed a novel corrosion‐based fatigue model to determine the fatigue life of offshore welded structures to enable the fatigue assessment of welds under corrosive conditions. In addition to the material's ultimate strength, endurance limit, and stress ratio (mean stress effect), the model includes a corrosion factor concept to account for the impact of corrosion pits on the fatigue performance of welded S355 steel, which is the novel contribution in this paper. X‐ray computed tomography scans of corroded S355 specimens in a salt spray chamber were characterized. Surface texture characterization was employed to obtain surface roughness, size, and aspect ratio of corrosion pits. The corrosion factor was determined based on notch and surface fatigue theories using the characterized pit size, aspect ratio, and surface roughness. Fatigue S‐N curves were then predicted for critical pits and compared against the fatigue code DNVGL‐RP‐C203 and experimental data from the literature. The novel approach combining corrosion characterization method with corrosion‐based fatigue model for the prediction of fatigue S‐N curves provided a minor deviation of only 2.8% between predicted and measured data. This approach can potentially be integrated into predictive frameworks for the remaining life assessment of offshore structures.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».