MétaCan
Menu
Retour à la cohorte
Enregistrement W4396863642 · doi:10.1016/j.jlp.2024.105327

Single and multiphase flow leak detection in onshore/offshore pipelines and subsurface sequestration sites: An overview

2024· article· en· W4396863642 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Loss Prevention in the Process Industries · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueOil and Gas Production Techniques
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesQatar National LibraryQatar National Research FundQatar Foundation
Mots-clésSubmarine pipelinePetroleum engineeringPipeline transportMultiphase flowLeakGeologyLeak detectionPipeline (software)Environmental scienceGeotechnical engineeringEngineeringEnvironmental engineeringMechanicsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Leaks may occur in existing pipelines, even when designed with quality construction and appropriate regulations. The economic impact of oil spills and natural gas dispersion from leaks can be huge. Failure to detect pipeline leaks promptly will have an adverse impact on life, the economy, the environment, and corporate reputation. Therefore, early detection of leaks, their location, and their size with high sensitivity and reliability are important for efficient hydrocarbon transportation through a pipeline, both in onshore and offshore applications. Although several studies have been conducted on leak detection using various techniques, recent literature that comprehensively investigates and summarizes the different multiphase leak detection techniques could not be found. Therefore, this paper provides a comprehensive review of the different leak detection techniques in pipelines, wellbores, and subsurface sequestration wells. This is done by studying the different multiphase flow leak detection techniques using various Computational Fluid Dynamics (CFD), Mechanistic, Machine Learning models, and digital twin techniques in the pipeline as well as in sub-surface sequestration sites. A comprehensive investigation revealed that a few studies have been conducted related to integrated multiphase flow leak experiments, computational fluid dynamics, mechanistic models, and implementing extended real-time transient monitoring using machine learning. This type of systematic investigation is deemed to be more useful for field applications. Furthermore, a new set of recommendations is provided in the last section which shows how experimental, mechanistic, and CFD simulation data can be used to drive a statistical approach based on modern deep learning and digital twin techniques. This allows for the precise understanding of the leak events such as size, location, and orientation of the leak, without sending a remotely operated underwater vehicle or aircraft to scan the whole pipeline and ocean.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,949
Score d'incertitude au seuil0,349

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,329
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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