Detection and Localization of a Failure in a Pipeline Using a Kalman Filter: An Intelligent Integrated Approach Powered by Bayesian Classification
Notice bibliographique
Résumé
An integrated approach, based on the fusion of Model-Based Approach (MBA) and Model-Free Approaches (MFA) and powered by Bayesian classification, is proposed to ensure high probability of correct estimation of leakage detection and localization with low false alarm probability to prevent disastrous consequences to the economy and environment. To ensure mathematical tractability, the nonlinear model is better approximated using linear parameter-varying (LPV) model at various operating points indicated by scheduling variables. Flows at various pipeline sections are measured and transmitted wirelessly to a monitoring station. If there is a difference in the flows across a section, it indicates a leakage, and a drone is then sent to determine the exact location of the leakage. The pipeline trajectory is accurately estimated by a human operator. Using the input and the trajectory output, termed signal, an Autonomous Kalman filter (AKF) is designed to ensure accurate tracking of the desired trajectory. The emulator-generated data are used to identify the system, complement historical data to MFA, and develop the classifier fusion. The leakage is sequentially diagnosed by judiciously selecting the most appropriate approach (MFA or MBA) to ensure a fast and accurate diagnosis. The proposed scheme was evaluated on a physical system.
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 | 0,000 | 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 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 ».