Collective thinking approach for improving leak detection systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Water mains, especially old pipelines, are consistently threatened by the formation of leaks. Leaks inherit increased direct and indirect costs and impacts on various levels such as the economic field and the environmental level. Recently, financially capable municipalities are testing acoustic early detection systems that utilize wireless noise loggers. Noise loggers would be distributed throughout the water network to detect any anomalies in the network. Loggers provide early detection via recording and analyzing acoustic signals within the network. The city of Montreal adopted one of the leak detection projects in this domain and had reported that the main issue that hinders the installed system is false alarms. False alarms consume municipality resources and funds inefficiently. Therefore, this paper aims to present a novel approach to utilize more than one data analysis and classification technique to ameliorate the leak identification process. In this research, acoustic leak signals were analyzed using Fourier Transform, and the multiple frequency bandwidths were determined. Three models were developed to identify the state of the leak using Naïve Bayes (NB), Deep Learning (DL), and Decision Tree (DT) Algorithms. Each of the developed models has an accuracy ranging between 84% to 89%. An aggregator approach was developed to cultivate the collective approaches developed into one single answer. Through aggregation, the accuracy of leak detection improved from 89% at its best to 100%. The design, implementation approach and results are displayed in this paper. Using this method helps municipalities minimize and alleviate the costs of uncertain leak verifications and efficiently allocate their resources.
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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle