A BiLSTM Based Pipeline Leak Detection and Disturbance Assisted Localization Method
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
Negative pressure wave (NPW) based fluid pipeline leak detection and localization method detects leaks by capturing the pressure inflecting trends and locates leaks by calculating the time difference of arrival (TDOA) of NPW between the upstream and downstream sensors. However, in practical situations, pressure variations under normal working conditions such as pump, valve operations etc., may be misidentified as leaks due to the similar pressure inflection transients caused. In addition, for leak localization, traditional TDOA method assumes the NPW propagation speed as a constant, which is inconsistent with the reality. In this paper, a deep learning based pipeline leak detection and disturbance assisted localization method is proposed. At first, unlike the traditional methods, which only focus on detecting pressure transients for leaks, a deep learning based pressure sequence classification scheme is proposed to identify not only the leaks but also the typical recurrent non-leak pressure disturbances. Secondly, instead of using an empirical constant as NPW speed to calculate leak locations, a disturbance assisted localization method is proposed to online update the NPW speed by exploiting non-leak disturbances. The proposed approach is data driven, i.e., only pressure signals are needed. For validation, the approach is tested on both simulation data and real-world pipeline leak experimental data. Comparison and case studies are also performed. It is shown that the proposed method achieves high detection accuracy with rare false alarms and significantly reduced leak localization errors.
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