Locating Leaks in Water Distribution Systems Using Network Modeling
Notice bibliographique
Résumé
Water distribution systems can experience high levels of leakage resulting in major financial, supply and pressure losses. Locating and repairing system leaks can drastically reduce the amount of water that is lost, as well as reduce the costs for obtaining, treating and pressurizing water distribution systems to meet current and future demands. This chapter describes an efficient step-testing network modeling approach that solves the leakage detection problem using a direct application of network modeling and field testing. The technique involves bracketing the test area with excessive leakage into a tight branched network with a flow meter installed on its input main. Working from the valve furthest away from the flow meter, the size of the area is systematically reduced by closing valves to cut off different pipe sections in succession (so that less and less of the test area is supplied through the meter), at the same time recording changes in flow rate at the meter and comparing with model results. The sequence of closing valves is followed working backward towards the flow meter until the meter is reached (when the flow becomes zero). A disproportionate change in flow discrepancy between two successive steps indicates a leak in the section of pipe that was last shut off. The sequence is repeated by opening valves in reverse order. The method can effectively narrow down leaks to specific pipe segments of the distribution system. It is normally carried out at night before the morning high demand to minimize supply interruption and inconvenience to customers. An example application is used to illustrate the
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 | 0,001 |
| 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 ».