Single and multiphase flow leak detection in onshore/offshore pipelines and subsurface sequestration sites: An overview
Notice bibliographique
Résumé
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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; 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 ».