Maintaining water pipeline integrity
Notice bibliographique
Résumé
Recent developments in the field of diagnostic techniques for water distribution and transmission systems have given water utilities new options for inspecting and assessing the condition of their pipelines. These new techniques include the remote field effect for inspecting both metallic and prestressed concrete pipes, refinements to leak detection systems for inspecting plastic and large diameter pipes, and impact echo, spectral analysis of surface wave and acoustic emission monitoring systems for the inspection or monitoring of prestressed concrete pipes. These techniques can provide specific information on the condition of the pipes and may indicate the depth of corrosion pits in a cast iron pipe, the number of wires broken in a prestressed concrete pipe or the precise location of leaks in a plastic pipe. However, the best uses of the data from the new techniques are not necessarily clear. While the presence of a leak would normally call for repairs, the appropriate action to deal with a corrosion pit of a specific depth or aparticular number of broken wires depends on many factors, including the size and type of the pipe, past break histories, surrounding environmental conditions and the way in which the pipe is likely to fail. This paper gives an overview of an approach to using diagnostic and other information tools for maintaining pipeline integrity. The key components to the approach will be presented. Some of these components include knowledge of the failure mechanisms for the various pipe materials, the diagnostic techniques themselves, methods for estimating the likelihood of pipe failure, and techniques for prioritising pipereplacements or repairs. Areas where further research is needed will be indicated and the implications of the approach for pipeline management will be discussed.
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 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) | 0,004 | 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 tête enseignante, 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 ».