On‐Line Warning System for Pipe Burst Using Bayesian Dynamic Linear Models
Notice bibliographique
Résumé
Abstract Pipe breaks are a recurrent problem in water distribution networks and detecting them quickly is crucial to minimize the economic and environmental costs for municipalities. This study presents a burst detection methodology applying Bayesian dynamic linear models (DLMs) on water flow time series combined with an outlier monitoring tool. The model is used to characterize the actual flow and, for each time, a one‐step ahead forecast distribution is obtained recursively before moving onto the next observation. The outlier detection method consists of comparing the main model with an alternative one wherein the mean flow is shifted to a higher value (as bursts tend to increase flow) to evaluate which model best fit the observed data. If the alternative model is favored, a burst alarm is issued. To verify the performance of this approach, the DLM and monitoring tool were applied on 2 yr of flow data from two district meter areas (DMAs) in Halifax (Canada), and a historical break data set is used to assess model accuracy. The model was able to detect up to 75% and 71.2% of the pipe breaks, with a false alarm rate of 5.15% and 12% in the first and second DMA, respectively. Finally, the proposed model allows for straightforward interpretation of model parameters, nonlinear relationship between flow and predictors of interest, naturally describes the uncertainty for future predictions, can easily accommodate missing values and can be tuned to maximize break detection or minimize false alarm rates to adapt to specific objectives of water infrastructure managers.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».