Machine Learning Modeling for Predicting Tensile Strain Capacity of Pipelines and Identifying Key Factors
Notice bibliographique
Résumé
Abstract Machine learning (ML) techniques have recently gained great attention across a multitude of engineering domains, including pipeline materials. However, their application to tensile strain capacity (TSC) modeling remains unexplored. To bridge this gap, this study developed and evaluated an ML model to predict the tensile strain capacity of girth-welded pipelines. The model was trained on over 20,000 data points derived from a TSC equation available in the literature. The ML model demonstrated robust performance in predicting tensile strain capacities. Evidence of this lies in the near-zero means, minimal standard deviations, and normal distribution of residuals for both the training and test datasets. These collectively suggest that the model provides a good fit for the data. Furthermore, the model's loss behavior indicates successful convergence and generalization, without signs of overfitting or underfitting. An analysis using the random forest method revealed that the geometry of the flaw, specifically the flaw depth, is the most influential variable in predicting the TSC. This could be attributed to its significant impact on the fracture toughness of materials. In contrast, material properties and fracture toughness exert less influence relatively, despite their contributions to the model. This finding underscores the importance of flaw geometry in TSC prediction models. Overall, the development of a data-driven TSC model has shown efficient TSC modeling. This model leverages ML techniques, allowing for continuous updates with new data via deep learning.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».