Multivariate Regression Models for Predicting Pump-as-Turbine Characteristics
Notice bibliographique
Résumé
Installing pumps as turbines (PaTs) in water distribution networks can recover otherwise wasted energy, as well as reduce leakage caused by high water pressure. However, a barrier to their implementation is the lack of information on their performance in turbine mode. Previous studies have proposed models to predict PaT characteristics based on pump best efficiency points (BEPs), using regressions with one or two dependent variables, or more complex artificial neural networks (ANNs). While ANNs were found to improve the accuracy of predictions, these models are known to be unstable with small datasets. Other types of regressions with multiple variables have not been explored. Furthermore, because only small datasets are available to train these models, multivariate regression methods could yield better results. The present study develops multivariate regression models to predict BEPs and characteristic curves of PaTs. A database of 145 BEPs and 196 characteristic curve PaT experimental records was compiled from previous literature. Twenty-four types of multi-variate regressions, as well as ANN were compared, with dimensioned and dimensionless versions of the datasets. The multivariate regression models consistently outperformed previous models, including ANN. The R2 of the head and efficiency curves were 0.997 and 0.909, respectively. Results also showed that XGB regressors and a dimensionless dataset yielded the best-fit models overall. The high accuracy of the models, combined with their lower computational cost compared to ANN, make them a robust solution for selecting PaTs in practice.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| 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) | 0,002 | 0,001 |
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.
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 ».