Integrated sensing technologies for detection and location of leaks in water distribution networks
Notice bibliographique
Résumé
Abstract Water distribution networks (WDNs) are infrastructure systems that have high socioeconomic values, for which efficient operation and management are required to ensure minimal amounts of waste which can be represented in the form of leaks. Leak detection is considered as one of the challenges faced by municipalities operating WDNs because it either involves shutting down the system or requires using expensive equipment and technologies. In this paper, a novel noninvasive and nondestructive methodology for detecting leaks in water pipes was tested. Ground penetrating radar was used for accurate determination of pipe location, followed by infrared (IR) thermographic imaging for determining the leak location using four different operating conditions. Results were statistically analyzed using analysis of variance and pairwise comparison methods. Several factors were found to affect the accuracy of the proposed methodology in predicting the leak location, namely, the characteristics of the studied surface (i.e. emissivity), the characteristics of the surrounding environment (i.e. ambient temperature and relative humidity), and the operating conditions of the IR camera (i.e. speed and height of the camera). The results obtained in this study have also shown that under high ambient temperatures and high relative humidity conditions, a higher speed of the IR camera would reduce the impact of noise on the collected thermal contrast and therefore, would give better leak location prediction results. The tested methodology proved the flexibility of the approach and the ability of accurately predicting the leak locations under different conditions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».