A Neural Network-Enhanced Finite Difference Approach for Strain Demand Prediction of Inelastic Pipes Subjected to Ground Displacement
Notice bibliographique
Résumé
Abstract Permanent ground displacement induced by geohazards poses a significant threat to the integrity of pipelines due to the potential for excessive strain. Accurately predicting strain demand is critical for guiding the design of new pipelines and assessing the risks associated with existing ones crossing geohazard zones. Previously, a finite difference approach for strain demand prediction in pipes subjected to permanent ground displacement was developed by the authors. It has been proven to be a simple and valuable technique for practical use in the pipeline industry, compared with conservative empirical formulas and time-consuming finite element modeling. However, the existing method relies on explicit expressions for axial force and bending moment, derived under the assumption of a bilinear stress-strain curve for the material, which restricts its applicability when dealing with more complex constitutive models that require numerical integration. To remedy this situation, a novel approach that models constitutive law using deep neural networks is proposed, serving as an alternative means for capturing stress-strain relationship. This novel approach is integrated into the finite difference scheme to overcome the constraints of the original method, thereby enhancing its applicability. A comprehensive case study was conducted to evaluate the effectiveness of the proposed neural network-enhanced finite difference approach in comparison to the original method. Results from this study demonstrated that the proposed method can achieve comparable accuracy to the original finite difference method when dealing with small ground displacements. The finding indicates the potential advantages of the proposed method in efficiently handling more complex constitutive relations, which will be explored in future work.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».