Hyperparameter Sensitivity Analysis of Deep Learning-Based Pipe Burst Detection Model for Multiregional Water Supply Networks
Notice bibliographique
Résumé
In a deep learning model, the effect of the model may vary depending on the setting of the hyperparameters. Despite the importance of such hyperparameter determination, most previous studies related to burst detection models of the water supply pipe network used hyperparameters applied in other fields as-is or made a trial-and-error setting based on experience, which is a limitation. In this paper, a study was conducted on the deep learning hyperparameter determination of a deep neural network (DNN)-based real-time detection model of pipe burst accidents. The pipe burst model predicted water pressure by using operation data in units of 1 min, and the data period applied for the model training was less than 1 month (1, 2, and 3 weeks) in order to consider frequent changes in the system. A sensitivity analysis was first performed on the type of activation function and the period of the learning data, which may have different effects depending on the characteristics of the target problem. The number of hidden layers related to the network structure and the number of neurons in each hidden layer were set as hyperparameters for additional sensitivity analysis. The sensitivity analysis results were derived and compared using four quantified prediction error indicators. In addition, the model running time was analyzed to evaluate the practical applicability of the development model. From the results, it was confirmed that excellent effects could be expected if using a rectifier function as the activation function, 144 nodes in the hidden layer, which is eight times the number of nodes in the input layer, and four hidden layers. Additionally, by analyzing the appropriate period of training data required for model pressure prediction through prediction error and driving time, it was confirmed that it was most appropriate to use the data of two weeks. By applying the hyperparameter values determined through detailed sensitivity analysis and by applying the data of one week including actual burst accidents to the built-up pressure prediction model, the accident detection and predictive performance of the model were verified. The rational determination of the period of input factors for the optimal hyperparameter setting and model building, as in this study, is very necessary and very important as it can serve to ensure the continuity of the operation effects of the deep learning model.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».