MétaCan
Menu
Retour à la cohorte
Enregistrement W4382072439 · doi:10.59934/jaiea.v2i1.111

APPLICATION OF CASE BASED REASONING (CBR) METHOD IN DISTRIBUTION TRAFO DAMAGE EXPERT SYSTEM AT PLN UP3 BINJAI

2022· article· en· W4382072439 sur OpenAlexaff
Aris Wahyono Aris Wahyono, Akim Manaor Hara Pardede, Rahmadani Rahmadani

Notice bibliographique

RevueJournal of Artificial Intelligence and Engineering Applications (JAIEA) · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueDecision Support System Applications
Établissements canadiensKootenay Association for Science & Technology
Organismes subventionnairesnon disponible
Mots-clésCase-based reasoningTransformerElectricityComputer scienceElectric power distributionReuseDistribution transformerElectric powerElectric power systemReliability engineeringArtificial intelligenceEngineeringVoltageElectrical engineeringPower (physics)

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,284
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Artificial Intelligence and Engineering Applications (JAIEA)Même sujetDecision Support System ApplicationsTravaux en français237 207