Using Eliminative Argumentation to Enhance Trust in ILI Results
Notice bibliographique
Résumé
Abstract Pipeline operators have traditionally relied on unity plots from integrity digs and their confidence in the in-line inspection (ILI) tool vendor as a basis for trust in the results of ILI. However, past digs provide a narrow view of ILI success, and operators have limited visibility into the vendor’s equipment and processes. In this paper, we describe an analytical approach for the pipeline operator and the tool vendor to collaboratively enhance trust in ILI results. Borrowing methods from safety assurance decision-making in the automotive, rail and nuclear power industries, we present a live and reuseable assurance case framework in eliminative argumentation (EA) produced following this approach. This approach covers all factors impacting inspection results, from identifying required inspection performance to equipment and processes used by the vendor. Safety performance indicators derived from the assurance case can be used as warning signs that adverse events might have occurred during the inspection and that an ILI run might require further examination to confirm the trustworthiness of the results. We also describe our experience applying this methodology to create an assurance case for an actual ILI program. Our experience demonstrated the benefits of involving the vendor directly in constructing the assurance case. The structure of the assurance case clearly defines the causal connection or “golden thread” between the evidence (including indicators) and trust in the inspection. This traceability allows the operator to differentiate between minor deviations from the norm that do not impact the trustworthiness of the ILI results, and anomalies that are of greater concern. Overall, this approach yields a comprehensive, robust, and examinable basis for trust in ILI results while reducing reliance on integrity digs.
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 | 0,072 | 0,185 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,012 | 0,014 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».