Reconstruction of 3-D pipeline defect profile based on MFL signals and hybrid neural networks
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
The pipelines' in-line inspection (ILI) is critical within the integrity management framework in the oil and gas industry. Furthermore, the reconstruction of defects' three-dimensional (3-D) profile using the magnetic flux leakage (MFL) signals acquired has great significance. However, most existing methods only focus on estimating defect sizes or shape parameters instead of the defect's 3-D profile. This study proposes an innovative approach for reconstructing the defect profile using a novel hybrid neural network to accurately and efficiently map three-axial MFL signals to the defects' 3-D profile. This paper utilizes the neural ordinary differential equation (ODE) as a module within the neural network architecture. The neural ODE is used to map the processed MFL signals to the spatial position of each point on the defective concave surface. Additionally, the model incorporates the Fourier integration kernel (FIK) to enhance computational efficiency. The proposed model is trained using finite element (FE) simulation data and then transferred to an experimental dataset, which addresses the challenge of limited availability of experimental data while maintaining accuracy. Furthermore, the proposed method also exhibits a high degree of accuracy in reconstructing the rotational angles of the defects. Therefore, the proposed method helps visualize defects in underground pipes via the analysis of MFL signals, facilitating operators in undertaking subsequent maintenance measures and providing a foundation for pipeline digital integrity management.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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