Visual Twin for Pipeline Leak Detection
Notice bibliographique
Résumé
Abstract Objectives/Scope We describe a visual digital twin system to allow for both operation and training of a data-driven pipeline leak detection system. We show system design in terms of its data inputs and the software system which incorporates this data in real time. This system allows visualization of pipeline data and machine learning-driven leak detection in a pipeline sitting in a subsea context. The intended purpose of the system is to both train operators of the leak detection system in its use and also provide high situational awareness to those tasked with monitoring pipeline deployments. The visual digital twin system uses gaming engine technology to achieve high visual quality. We also construct a novel software system enhancement to incorporate live data streams into the gaming engine environment. This allows real-time driving of gaming engine visualization elements with which we may augment the gaming engine environment. In terms of visualization, we focus on addressing problems of large ranges of multiple scales and providing high situational awareness which minimize operator fatigue and cognitive load. We show how multiple camera views in combination with a convenient user interface can help to address these issues. We demonstrate a digital twin system for leak detection. We show its realtime operation in a gaming engine environment with the ability to instantaneously incorporate outside data sources into the visualizations. We demonstrate using simulated pipeline flow data from sensors such as pressure, temperature, etc. This is visualized in the context of a subsea pipeline on a sea floor. Given the large range of scales, we demonstrate how we can view both the full kilometer scale pipeline and smaller subsections in the context of specific sensor data streams. The overall system demonstrates a novel combination of advanced software systems which incorporates real-time data stream with visualization using a high-fidelity gaming engine. The data used represents a leak detection scenario where both operator training and situational awareness are key desired outcomes.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,003 |
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 ».