MétaCan
Menu
Retour à la cohorte
Enregistrement W4410226874 · doi:10.1109/tim.2025.3566839

LSDC-RC-RAPID: An Improved Probabilistic Reconstruction Approach for Pipeline Corrosion Detection With UGWT

2025· article· en· W4410226874 sur OpenAlexaff
Jiatong Ling, Rakiba Rayhana, Zheng Liu, Min Liao, Chunsheng Yang, Andreas Schnabel, Robert Neubeck, Christian Wunderlich

Notice bibliographique

RevueIEEE Transactions on Instrumentation and Measurement · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Destructive Testing Techniques
Établissements canadiensNational Research Council CanadaUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésProbabilistic logicPipeline (software)CorrosionComputer sciencePipeline transportReliability engineeringMaterials scienceForensic engineeringEngineeringArtificial intelligenceMetallurgyMechanical engineeringProgramming language

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,240
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Instrumentation and MeasurementMême sujetNon-Destructive Testing TechniquesTravaux en français237 207