Maximum Likelihood Estimation to Localize Leaks in Water Distribution Networks
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
Leaks cause significant water loss in underground water distribution networks, which makes it critical that utilities quickly detect, localize, and repair them. Acoustic leak detection and localization methods using hydrophones and accelerometers are the most studied technology; however, most studies for localizing leaks have focused on simple straight pipe segments using the cross-correlation technique. Leak localization in a network of pipes is significantly more challenging, and this problem remains largely unexplored in the literature. The difficulty arises because the cross-correlation between two acoustic sensor measurements yields multiple time delays corresponding to multiple paths between the acoustic source and the sensors in a network. Hence, the problem of localizing the leak correctly requires taking such multiple paths into account. In this paper, we propose a new method for localizing leaks in a network of pipes. Our method operates on multiple time difference of arrival (TDOA) by calculating the cross-correlation of the signals from different pairs of hydrophone sensors. A conditional probability distribution function is calculated corresponding to each TDOA, and the leak location is found based on the principle of maximum likelihood estimation. We also formally propose a new term called interior points where we define the conditions in which leaks can be pinpointed or only localized to the closest pipe joint. Using simulation studies, the proposed method is shown to accurately pinpoint leaks for the cases when the simulated leak satisfies appropriate conditions. The method is also validated by conducting experiments on a laboratory test bed where a simulated leak is pinpointed to within 10 cm of the actual leak location.
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 | 0,000 | 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 découle