APPLICATION OF CASE BASED REASONING (CBR) METHOD IN DISTRIBUTION TRAFO DAMAGE EXPERT SYSTEM AT PLN UP3 BINJAI
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
In the world of electricity, transformers are widely used, both in the field of electric power and electronics. The use of transformers in the electric power system is used for each of its needs, for example the need for high voltage in the delivery of electrical power over long distances. Electrical equipment transformers are expensive and are very vital equipment. If the transformer is disturbed or in an abnormal condition, there may be an unexpected temporary cessation of electricity distribution and will cause losses for PLN and consumers who use electricity by disrupting the activities carried out. The Case Based Reasoning (CBR) method is a case-based reasoning system that uses previous experiences or cases so that they can solve new problems or cases. There are several stages in the case based reasoning method, including retrieve, reuse, revise, and retain. Case-based Reasoning (CBR) collects previous cases that are similar to the new problem and tries to modify the solution to fit the new case. The basic idea of Case-Based reasoning is the assumption that similar problems have similar solutions. While this assumption is not always true, it does depend on many practical domains. Where the previous case experienced an overvoltage transformer damage, using the CBR method will look for similarities to the previous case with existing characteristics, the CBR method will look for the same case on the existing Knowladge so that the damage is quickly detected. From the characteristics of the damage that is on the transformer, it is easy to diagnose transformer damage using the CBR method and the results of the CBR method will find a ranking that is almost similar to the existing case.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle