Discrete event based hybrid framework for petroleum products pipeline activities classification
Notice bibliographique
Résumé
The importance of timely detection, classification and response to anomalies on petroleum products pipeline (PPP) have attracted pragmatic researches in recent times. There is need for efficient monitoring and detection of activities on PPP to guide leak detections and remedy decisions. This paper develops an intelligent hybrid system, driven by discrete event system specification (DEVS) and adaptive neuro-fuzzy inference system (ANFIS) for detection and classification of activities on PPP. A dataset comprising 330 records was used for training, validation and testing of the system. Result of sensitivity test shows that inlet pressure, inlet temperature, inlet volume and outlet volume have cumulative significance of 71.72% on flowrate of PPP. Hybrid learning algorithm was observed to converge faster than the back propagation algorithm in the detection of pipeline activities. ANFIS hybrid learning algorithm with training and testing errors of 0.11980 and 0.010233 yielded a correlation of 0.916 between the computed and the desired output and produced optimal consequent parameters to boost the intelligence of DEVS. A testing error of 0.0303 was observed in the evaluation of DEVS-ANFIS system on 33 test data sample, 32 precise detections were made with one incorrect detection, this gives 96.97% level of confidence in the DEVS-ANFIS model for detection, classification and localization of PPP activities.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».