Making a Smart Pressure Reducing Valve for Reducing Pressure Fluctuation Caused by Water Hammer in Water Distribution Network Using Input-Output Feedback Linearization
Notice bibliographique
Résumé
Using pressure reducing valves to reduce the pressure in water distribution systems to the minimum of required value is one of the most effective ways for leakage reduction. Valve opening/closing, switching a pump on/off and water consumption fluctuation by a large consumer cause transient flows. Interference between transient flow and a PRV with constant needle-valve setting may intensify pressure waves in WDS. Applying smart PRVs can limitpressure fluctuation. In this research, Input-output feedback linearization method has been used for smart PRV control. The results of this method have been compared with PRV with CNVS and proportional-integral-derivative controller. A theoretical network taken from references was used to evaluate the proposed methods. Network demands include normal consumers and an industrial large consumer. Water hammer caused by consumption variations, PRV with CNVS operation, IOFL method and PID controllers were modeled in Simulink. PRV outlet head fluctuation in PRV with CNVS is 18 to 28 m in PID controller and in IOFL method are 26 to 28 m. Also, the results showed that the IOFL method has smoother and less fluctuation than PID. Root-mean-square error for PRV outlet head in CNVS, PID controller and IOFL is 1.6, 0.32 and 0.28, respectively. Therefore, IOFL method has less error and better performance than PID. Also, this method has simpler computational operations by converting nonlinear system equations to linear equations.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».