Development of an expert system for assessing failures in oil and gas pipelines due to microbiologically influenced corrosion (MIC)
Notice bibliographique
Résumé
This study highlights the modeling of an expert system for the classification of internal microbiologically influenced corrosion (MIC) failures related to pipelines in the upstream oil and gas industry. The model is based on artificial neural networks (ANNs) and involves the participation of 15 MIC experts. Each expert evaluated a number of model case studies ranging from MIC- to non-MIC-driven upstream pipeline failures. The model accounts for variations in microbiological testing methods, microbiological sample types, and degradation morphology, among other variables. It also accounts for missing datasets, which is commonly the case in actual failure assessments. The outcome is an expert system model whose outputs are classes (classification ANN) which comprises MIC potential and data confidence. The performances of two approaches are contrasted in this study. One classifies the output in 5 classes, a 5-output classification (5OC) model; the other in 3 classes, a 3-output classification (3OC) model. The 5OC model had an accuracy of 62.0% while the simpler 3OC model had a better accuracy of 74.8%. This modelling exercise has demonstrated that knowledge from experts can be captured in a reasonably effective model to screen for possible MIC failures. It is hoped that this study not only may contribute to a better understanding of the prevalence of MIC in the oil and gas sector, but also may highlight the key areas necessary to improve the diagnosis of MIC failures in the future.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».