Development of the Methodology for Pipe Burst Detection in Multi-Regional Water Supply Networks Using Sensor Network Maps and Deep Neural Networks
Notice bibliographique
Résumé
Multi-regional waterworks are large-scale facilities for supplying tap water to the public and industrial parks, and interruptions in the water supply due to leaks result in massive social and economic damages. Accordingly, real-time, around-the-clock accident monitoring is necessary to minimize secondary damage. In the present study, a section of a large-scale waterworks transmission mains system with frequent changes in its physical boundaries was defined for sensor network map-based deep learning input and output. A deep neural network (DNN)-based pressure prediction model, able to detect pipe burst accidents in real-time using short-term data collected over periods within 1 month, was developed. A sensor network map refers to a sensor-based hierarchy diagram, which is expressed using a hydraulically divided area. A hydraulically independent area can be determined using known value information (e.g., the known flow, pressure, and total head) in a complex water supply system. The input data used for the deep learning model training were: the water levels measured at 1 min intervals, flow rates, ambient pressure, pump operation state, and electric valve opening data. To verify the developed methodology, two sets of real-world data from past burst accidents in different multi-regional waterworks systems were used. The results showed that the difference between the pressure as measured by pressure meters and an estimated pressure was extremely small before an accident, and that the difference would reach a maximum at the time point when an accident occurs. It was confirmed that an approximate estimation of an accident occurrence and accident location could be estimated based on predicted pressure meter data. The developed methodology predicts a mutual influence between pressure meters and, therefore, has the advantage of not requiring past data covering long time periods. The proposed methodology can be applied immediately and used in currently operational large-scale water transmission main systems.
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 | 0,001 | 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 ».