MétaCan
Menu
Retour à la cohorte
Enregistrement W3137212223 · doi:10.18280/ejee.230105

Unmanned Fault Detection in Distribution Lines

2021· article· en· W3137212223 sur OpenAlexvenueno aff
Dhananjaya Balladka

Notice bibliographique

RevueEuropean Journal of Electrical Engineering · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueIoT-based Smart Home Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFault (geology)GSMCrewFault indicatorFault detection and isolationReal-time computingPower (physics)ArduinoComputer scienceIdentification (biology)Reliability engineeringFault coverageEmbedded systemEngineeringTelecommunicationsElectrical engineeringActuator

Résumé

récupéré en direct d'OpenAlex

The companies supplying electric power round the globe are facing various issues related due to the occurrence of fault in the distribution lines. Most of them are investing on the research and development of state-of-art technologies to boost continuous supply of energy to the users. The consumers can be guaranteed of flawless power if it is possible to identify and rectify the faults at the shorter time span than usual. The usual way to identify the fault and fault location is with the aid of man power. This work deals with the design and fabrication of an intelligent system based on the GSM. This system helps in efficient identification of the fault and location of the fault, initiating a message to the respective crew members and the control station and ensures that the technical crew will be able to reach the location very accurately in shorter time and recapitulate power at the earliest. The setup includes a current sensor, Arduino and a GSM module. The system identifies the location of fault and the data regarding the location of fault is efficiently conveyed to the control personnel or monitoring system over GSM. The location of the fault thus obtained is very fine and accurate, and the time needed to identify the location of flaw is greatly reduced.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,176
Écart entre enseignants0,171 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Electrical EngineeringMême sujetIoT-based Smart Home SystemsTravaux en français237 207