Damage Assessment and Soft Reliability Evaluation of Existing Transmission Lines
Notice bibliographique
Résumé
Hydro One's extensive network of transmission lines has close to 45000 steel transmission structures. These structures have been built up over the past 95 years. Large numbers of these structures are still serving beyond their original design life of 50 years. To establish an efficient repair and maintenance program for those old structures, it is essential to first evaluate their damage states. Damage assessment of existing structures is, however, a very difficult task due to the lack of accurate information and the complex nature of structural deterioration. Characterization of uncertainties inherent in a transmission line and its operating environment is complicated by the presence of time. As soon as the line becomes energized or operational, it begins to age. As the system ages or goes through various upgrades and refurbishment, the inherent uncertainties will also undergo continuous change. As time passes microstructure will evolve, corrosion will invade steel components and strength will deteriorate. It becomes a constant battle to maintain and support the line system, typically the majority of the costs of a system are incurred during this stage of the system life cycle. Tower inspection results provide critical information for formulating transmission line improvement strategies. The effectiveness of these strategies relies heavily upon the quality of visual field inspection data. Because the procedure of assigning and combining rating information for line components are based on subjective judgement and intuition, the resulting rating for towers with similar condition can vary. Consequently, a procedure that can incorporate the subjective judgement (cognitive uncertainty) inherent in tower inspection would be useful. Cognitive uncertainty associated with visual inspection and assessment can best be handled using fuzzy logic. Fuzzy logic was specifically developed to deal with the fuzziness of human concepts such as those embodied in human perception and decision making. In addition, fuzzy logic provides a systematic framework for dealing with linguistic quantifiers such as "large, small, moderate, rusty, fair, very, many, few, good, bad, etc." which arises during visual inspection and damage assessment of existing transmission structures.
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) | 0,000 | 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 ».