LSDC-RC-RAPID: An Improved Probabilistic Reconstruction Approach for Pipeline Corrosion Detection With UGWT
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
Corrosion is an irreversible form of damage to pipe materials, which leads to the degradation of their mechanical and chemical properties. Corrosion damage reduces the lifespan of materials and, in some cases, can even lead to catastrophic failures. Therefore, it is essential to detect corrosion damages and develop effective preventative measures to maintain the structural integrity of the pipelines. In recent times, ultrasonic guided wave testing techniques have been employed to detect and monitor corrosion damage as they are useful for scanning large areas and conducting tomographic analyses. The obtained guided wave signals are then analyzed using the Reconstruction Algorithm for Probabilistic Inspection of Damage (RAPID) to obtain imaging of the damages. However, conventional RAPID assigns the same signal difference coefficient to all reconstruction points along a sensing path, which limits its ability to capture localized signal variations. In addition, it lacks a mechanism for evaluating signal reliability, making it prone to false positives caused by noise. Thus, this paper proposes an improved RAPID-based algorithm by employing a local signal difference coefficient (LSDC) and reliability coefficient (RC) to ensure that damage is accurately detected. The LSDC is employed to enhance the sensitivity to damage by capturing localized signal variations, while the RC is developed to weigh the signal reliability. The experimental results demonstrate that the proposed method accurately predicts corrosion locations. It maintained a strong overlap between the predicted and the actual defect locations, with an overlapping rate between 73.02% and 79.43% throughout all cycles.
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