Criteria-based critical review of artificial intelligence applications in water-leak management
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
Leakages in water distribution networks (WDNs) cause economic losses and environmental hazards. It is, therefore, unsurprising that water-leak management has been a focus of research over the last couple of decades, but leaks in WDNs still occur frequently. Thus, this domain is experiencing a transformation from traditional signal processing and statistical-based models to artificial intelligence (AI) based models for recognizing complex leak patterns, handling large datasets, and establishing accurate leak-management models, especially in leak detection and localization. However, a comprehensive review of the application of AI in water-leak management is largely missing from the literature. To bridge this gap, this review presents a criteria-based critical review to systematically investigate the existing literature on the application of AI in four sub-domains of leak management including leak detection, localization, prediction, and sizing. The first criterion (research attributes) established the (1) research trends, (2) links between influential countries and sources, and (3) popular keywords using scientometric analysis. The systematic analysis of the second criterion (research technicality) and the third criterion (research focus) revealed the (1) AI-techniques adopted, (2) equipment used for collecting data, (3) data features used in the models, (4) objectives of different models adopted, (5) type of experiments conducted to collect the data, and (6) types of pipes for which models were developed. The study highlighted research gaps, future research directions, and proposed a leak management framework for upcoming AI studies in this domain. This review is intended to serve early researchers by enhancing their understanding of existing research in AI-based leak management as well as seasoned researchers by providing a platform for future research.
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) | 0,001 | 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