Matching of Corrosion Features in Multiset Pipeline In-Line Inspection Data Utilizing Relative Point Positions
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.
Notice bibliographique
Résumé
Abstract Pipeline in-line inspection (ILI) stands out as an effective approach for comprehensively understanding the conditions of pipelines. Matching of corrosion features detected in multiset pipeline ILI is an essential prerequisite to determining corrosion growth. State-of-the-art methods for corrosion defect matching require the iterative process to find the optimal affine transformation or the extraction of individual defect attributes for matching model training. However, not only are these processes labor intensive, but the collection of substantial amounts of data is also challenging. To simplify the matching process, an automated method was proposed to match corrosion features that use the position of the features. This algorithm requires only the positions of detected corrosion points and applies to complex defect scenarios with high corrosion density. Firstly, triangles are constructed based on corrosion features. Secondly, local matching was employed to identify matching triangle pairs within two ILIs. Then, a global matching strategy was applied to refine the initially identified matches, filtering the false matches based on predefined requirements. Finally, the points in the final pairs of matched triangles serve as correspondences to determine the registration transformation. Experiments were conducted to validate the efficacy of the proposed method. The results demonstrate its reliability in accurately matching features within pipelines, which supports the integrity and risk assessment of pipeline systems.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle