Application of physics-informed neural networks for nonlinear analysis of buried steel pipelines to support pipe reinforcement against ground movement
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
Buried pipelines are essential for the safe and efficient transportation of energy products such as oil, gas, and various chemical fluids. However, these pipelines are highly vulnerable to ground movements caused by geohazards such as seismic faults, landslide, liquefaction-induced lateral spreading, and soil creep, which can result in potential pipeline failures such as leaks or explosions. Response prediction of buried pipelines under such movements is critical for ensuring structural integrity, mitigating environmental risks, and avoiding costly disruptions. As such, this study adopts a Physics-Informed Neural Networks (PINNs) approach, integrated with a transfer learning technique, to predict structural response (e.g., strain) of both unreinforced and reinforced steel pipes subjected to Permanent Ground Displacement (PGD). The PINN method offers a meshless, simulation-free alternative to traditional numerical methods such as Finite Element Method (FEM) and Finite Difference Method (FDM), while eliminating the need for training data, unlike conventional machine learning approaches. The analyses can provide useful information for in-service pipe integrity assessment and reinforcement, if needed. The accuracy of the predicted results is verified against Finite Element (FE) and Finite Difference (FD) methods, showcasing the capability of PINNs in accurately predicting displacement and strain fields in pipelines under geohazard-induced ground movement.
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 | 0,001 |
| 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