Application of Machine Learning Coupled with Stochastic Numerical Analyses for Sizing Hybrid Surge Vessels on Low-Head Pumping Mains
Notice bibliographique
Résumé
In surge protection, low-head profiles are deemed a challenge in pump failure events since they are prone to severe negative pressure surges that require an uneconomical surge vessel volume. A hybrid surge vessel with a dipping tube can provide required protection with reasonable economic volume. This work presents novel analyses for the hybrid surge vessel and develops a simple model for its optimum sizing using a stochastic numerical approach coupled with machine learning. Practical ranges for correct sizing of vessel components, such as ventilation tube, inlet/outlet air valves, and compression chamber, are presented for optimal protection and performance. The water hammer equations are iteratively solved using the hybrid surge vessel’s revised boundary conditions within the method of characteristics numerical framework to generate 2000 cases representing real pump failures on low-head pipelines. Genetic programming is utilized to develop simple relations for prediction of the hybrid vessel initial and expanded air volumes in addition to the compression chamber volume. Moreover, the developed model presented a classification index for low-head pipelines on which the hybrid vessel would be most economical. The developed model yielded good prediction error statistics. The developed model proves to be more accurate and easier to use than the classical design charts for the low-head pumping mains. The model clearly showed the relation between various hydraulic and pipe parameters, with pipe diameter and static head as the most influencing parameters on compression chamber volume and expanded air volume. The developed model, together with the classification indices, can be used for preliminary surge protection sizing for low-head pipelines.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».