Developing An Intelligent System For Modeling The Dam Behaviour Based On Statistical Pattern Matching Of Sensory Data
Notice bibliographique
Résumé
Structural condition and health monitoring is an important issue for dam safety. Dams are usually large and located in remote areas. A computerized monitoring system is very useful for detecting any abnormal behaviour in a dam. Although manual inspection is performed periodically, automatic acquisition of data from the sensors and instruments installed in a dam provide valuable information about its performance. The volume of data acquired from the sensors could be huge. Validating the sensor data, correlating them to the observation from manual inspection and interpreting the data to evaluate the performance of a dam presents a great challenge. This article presents a number of data driven models based on statistical pattern recognition technique. The models have been developed for representing the sensor data in a dam to capture the relationship between the parameters related to the cause and effect. The present models are based on statistical methods such as multi-linear regression analysis. Although such models have been used in the past, a number of limitations have been identified with the existing methods. This paper presents a more robust set of statistical pattern recognition models, where physical parameters such as water level, temperature and deformation play the key roles. The results show a marked improvement from the existing model where some of the governing parameters are artificially created. A case study using the data obtained from a Canadian dam will be presented to demonstrate the effectiveness of the proposed methods. The system developed using the proposed method can be used for validating the sensor data in immediate future, identifying anomaly in dam behaviour, and aiding in decision-making.
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 | 0,000 |
| 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 ».