Axial strain capacity of grouted sleeve repairs: A numerical investigation of critical design factors
Notice bibliographique
Résumé
While grouted sleeves are widely used to repair localized damage in pipelines, their capability to minimize geohazard-induced strains and resist slippage and pull-out forces during service is relatively less studied. In this research, finite element analysis (FEA) is employed to explore how grouted sleeve repair systems respond to axial strain in defective pipelines, emphasizing the role of key design parameters and their interactions. The analysis systematically varies these parameters to understand their influence on load transfer mechanisms and strain profiles. Findings show that repair length and grout thickness must be carefully optimized to reduce axial strain effectively, as further increases offer limited or even negative returns. Increasing grout stiffness contributes to lower strain levels, and the sleeve’s stiffness and thickness are major factors affecting overall repair performance. A key contribution of this study is the adoption and application of a strain-based failure criterion, enabling prediction of the limit state behavior under axial loading and guiding design limits for repair effectiveness. Simulations beyond service-level conditions demonstrate that all repaired models outperform the unrepaired pipe, with strain capacity improving as grout and sleeve parameters are optimized. However, these benefits plateau or decline beyond certain values, confirming the existence of optimal ranges for effective repair design. The study offers practical guidance for improving the design of grouted sleeve repairs, and it also provides a foundation for future experimental validation and ongoing numerical studies aimed at further quantifying system performance and supporting broader field implementation.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».