Investigation and Characterization of Pipe Defects and Techniques, and Challenges Toward the Protection of Environmental Protection
Notice bibliographique
Résumé
Pipes have been used for many years to transport fluids safely. Historically, pipes have been used in many different ways; however, many internal and external parameters affect the use of pipes, such as leakage, chemical corrosion, fatigue, and sediment. Additionally, pipe environments and soil components, such as humidity, can cause problems. All these factors are sources of risks that affect the installation and maintenance costs of the pipelines. This paper provides pipelines, users with a comprehensive description of pipe defects, their type, and their potential cause, which can be used as a reliable reference to recognize and predict pipe defects and make proper arrangements to avoid catastrophic incidents. Therefore, pipelines and their inspection methods are examined from multiple perspectives, including material composition, design, applications, and overall performance. Besides, pipelines, defect causes visual changes, making visual inspection methods valuable to the manufacturing sector and inspectors. However, in all inspections, the pipe length, size, internal diameter, location, and toxic environment around the pipes are the main limitations of assessments. To improve defect recognition, completely categorized defect types, shapes, and pipelines, defect diagnostic systems are introduced and compared to the concept of defect shape and diagnostic platforms. As stated in this review, steel, concrete, and PVC are the most commonly used pipeline materials, with welding defects, cracks, and corrosion as major concerns. Vision-based robotic inspection, AI-driven analytics, and advanced modeling improve defect detection and predictive maintenance. Integrating these technologies enhances pipelines, monitoring, safety, and longevity. Additionally, vision-based inspection systems can leverage defect categorization to develop a standardized image database, expanding the capabilities of existing systems. Finally, a review of recent and essential analytical research and some areas that still need more work are presented. In particular, they can offer researchers opportunities for their future research.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 ».