Comparative Evaluation of Two Algorithms for Locating Contaminant Ingress Points
Notice bibliographique
Résumé
A procedure involving Data Mining based on Flow Direction and shortest flow time (DMFD) is described, which consists of two components: (i) possible ingress nodes (PINs) identification and (ii) probability quantification. PINs identification is completed based on the flow information, i.e. the flow direction and time in each pipe. Through shortest time which is calculated by Dijksta algorithm, from one node to a specific sensor, ingress time in the node is obtained. A distance metric is described to quantify the probability of one node as PIN. A multi-stage response is described to decrease the elapsed time before a contaminant ingress event is identified and responded to, which is essential to minimize the risk from consumption of the hazard. The roles of two algorithms, namely a Data Mining method based on Injection and Detection information (DMID) and DMFD, are examined. A case study is employed in a network with 285 nodes and 5 sensors. The five sensors all alarm to the injection event. With DMID, the number of PINs is decreased from 44 in the 1st stage to 18, 11, 11 and 11 subsequently; For DMFD, the number is reduced from 44 in the 1st stage to 21, 21, 21 and 21 in the following stages; DMID identifies the true intrusion node 44 with the highest probability in the five stages, while DMFD identifies it with the highest probability in the 3rd and 4th stage; the run time of both DMFD and DMID is less than 2 min, which suggests the two are effective in guiding emergency response.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».