AI-Based Adaptive Digital Twin Framework for Real-Time Leak Detection and Localization in Offshore Gas Pipelines
Notice bibliographique
Résumé
Abstract Digital twins are transforming the digitalization and automation of offshore gas pipeline systems by enabling realtime monitoring, predictive maintenance, and operational efficiency. This study introduces a novel adaptive digital twin framework designed for leak detection and localization in offshore gas pipelines. The framework integrates OLGA-generated synthetic data, validated experimental results, and advanced machine learning (ML) techniques, including transfer learning and ensemble models. The proposed framework achieves a classification accuracy of 98.2% for leak detection, with a mean absolute error (MAE) of 0.11 cm for leak size prediction and a mean absolute percentage error (MAPE) of 3.8% for leak localization. A core innovation of this framework is the calibration methodology, which recalibrates dimensionless nomographs and leak detection correlations for seamless adaptation to new pipeline geometries and operating conditions. Through systematic steps, the calibrated correlations predict leak size and location with high accuracy, leveraging pressure drop and mass flow difference data. Additionally, ML-driven models enable efficient generation of new nomographs for pipelines with varying configurations, enhancing scalability and reducing computational effort. The real-time implementation enables predictions with a latency of less than 2 seconds, significantly outperforming conventional methods in speed and accuracy. Also, the framework’s adaptability, supported by its digital twin visualization and real-time feedback mechanisms, significantly improves pipeline integrity management, operational safety, and environmental protection. The study demonstrates the framework’s robustness in handling complex flow dynamics and offers a scalable solution to enhance the digital transformation of offshore oil and gas operations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».