On the feasibility of IoT‐based smart meters for earthquake early warning
Notice bibliographique
Résumé
The microelectromechanical systems (MEMS) accelerometer built into a smart meter (SM) has a nominal digital resolution of 16 bits. However, this resolution collapses to 7 bits of information per sample when used in an urban environment. This collapse in resolution limits the sensitivity required to effectively operate the earthquake early warning platform (EEWP). In this study, we evaluate the performance of the MEMS sensor in present SMs with respect to a reference sensor, with a special focus on its poor noise power spectral density (PSD, ). We also explore the general capacity of the SM in an IoT‐based EEWP and provide explicit information regarding the 16‐bit digital MEMS accelerometer. Then, we investigate the functionality of the sensor in the context of event detection in the presence of background vibration. When the value of acceleration root mean square (RMS) exceeds 20 mg, the meter's error decreases to <20%, whereas the peak ground acceleration error decreases to <20% for the peak value greater than ~70 mg. The MEMS sensor is unreliable for motions with a peak acceleration of less than 148 mg or those with an RMS value less than 46 mg. However, we note that SMs exhibit reasonable amplitude and phase coherence for frequencies above 1 Hz with respect to the reference accelerometer. To enhance the sensitivity, averaging 1000 coherent accelerometer observations enhances the digital resolution to 14 bits, which allows the efficient usage of the network bandwidth. Since the accelerometer is used as an anti‐tampering mechanism, the SM is similar to a tiltmeter. Therefore, it is necessary to reconfigure SMs for early warning systems. Despite the challenges, the use of SM for an IoT‐based EEWP is technically feasible.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».