Digital Twin for Industrial Asset Management: A Case Study for Pipeline Maintenance
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
Industrial asset management (IAM) is crucial for the sustainability and efficiency of industries that depend on significant infrastructure, especially pipelines. Pipelines are vital assets in the global energy supply chain, transporting oil, natural gas, and chemical products, and their maintenance is essential to prevent severe environmental and economic consequences. However, current methods such as manual visual inspections are limited by their invasiveness, the requirement for periodic shutdowns, and a lack of real-time accuracy. These limitations present substantial challenges to effective IAM. This paper introduces an innovative digital twin ecosystem integrated with information and communication technology to enhance IAM for pipelines. This ecosystem creates a dynamic, interactive digital twin that accurately reflects the physical state of pipelines, bolstered by real-time data transmission from sensors. The ecosystem comprises physical pipelines equipped with sensors, a comprehensive data knowledge library that records and updates damage information, a virtual pipeline twin, and an interactive platform that facilitates detailed visualization and interaction. Through a detailed case study of pipeline damage detection on cracks and corrosion using visual imaging techniques, this paper demonstrates enhanced results and visualizations compared to existing methods. The observed damage features sharper contrasts, higher resolution, and clearer boundaries in affected areas, significantly improving the accuracy of damage localization. Additionally, the relative accuracy of the calculated damage stress intensity factor by the virtual twin model reaches 95%. In summary, the capabilities for real-time, remote interaction and comprehensive visualization within the digital twin ecosystem significantly enhance the management efficiency of digital and intelligent pipeline IAM.
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 | 0,000 |
| 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