Notice bibliographique
Résumé
L'étude des événements de givrage atmosphérique sur les réseaux de transport de l'énergie électrique constitue une préoccupation importante des habitants des régions de climat froid, telles que la province de Québec. Ceci inclut la compréhension de plusieurs phénomènes complexes en vue de réduire les risques de dommages aux réseaux de transmission existants et à ceux qui seront être implantés dans le futur. Dans cette perspective, il est important de comprendre ces phénomènes par l'analyse des événements de givrage atmosphériques antérieurs et de les modéliser. La présente recherche, effectuée dans le cadre des travaux de la Chaire industrielle NSERC/HYDRO-QUÉBEC/UQAC sur le givrage atmosphérique des équipements des réseaux électriques (CIGELE), avait pour but d'analyser les événements passés tels qu'enregistrés par le réseau de mesure SYGIVRE d'Hydro-Québec, et de créer un modèle de prédiction en temps réel de l'évolution des tempêtes de verglas pour différentes régions du Québec. Les informations météorologiques disponibles dans la base de données SYGIVRE, mesurées à l'aide d'un givromètre amélioré (ice rate meter), couvrent 6 ans, à partir de 1992, ceci pour un total de 28 stations. Une technique par réseaux de neurones a été choisie comme base pour le travail de modélisation. L'analyse exploratoire des événements de verglas contenus dans la base de données SYGIVRE constitue la première étape de l'étude. Cette étude a consisté à extraire de la base de données les tempêtes de verglas, à faire ressortir les caractéristiques de chaque paramètre de la base de données et à rendre les données adaptées au traitement par réseaux de neurones. Quatre groupes de stations ayant un rapport géographique et météorologique sont impliqués dans la prédiction, chacun étant traité séparément. Un premier modèle prédictif basé sur la technique des réseaux de neurones a été conçu en vue d'étudier l'évolution des tempêtes en se basant sur la relation spatiale qui existe entre les stations d'un groupe. La variable à prédire à chaque point pour une station est une variable dichotomique qui prend la valeur 1 s'il y a un événement de givre et 0 sinon. Ce modèle constitue une grande amélioration comparativement à des modèles antérieurs décrits dans la littérature, basés sur la méthode de régression logistique. Afin d'obtenir un modèle plus réaliste, un second modèle a été créé pour prédire en temps réel le poids de la glace accumulée sur la structure. Le modèle utilise les informations binaires avec des variables météorologiques, et la prédiction est ajustée pour évaluer différents temps futurs. Les résultats ont montré que la meilleure performance possible du modèle peut être réalisée en ajoutant au modèle de prédiction les variables de température et du poids de la glace. Toutefois, le modèle détecte encore difficilement les événements de verglas extrême. En conclusion, il est apparu qu'inclure un plus grand nombre d'années d'observations aux deux modèles devrait améliorer la performance de la prédiction, puisque ceci augmenterait la quantité des informations à étudier. Il s'agit d'ailleurs d'une condition essentielle aux prédictions par réseaux de neurones.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,009 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».