Exploring spatial and temporal importance of input features and the explainability of machine learning-based modelling of water distribution systems
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
Ensuring safe drinking water necessitates advanced management and monitoring techniques for water quality in distribution systems. This study leverages machine learning (ML) to model chlorine decay in a water distribution system (WDS) in British Columbia, Canada. A four-layer long short term memory (LSTM) network was trained to predict chlorine concentrations at a reservoir >24,000 m from the treatment plant. Explainable AI (XAI) techniques were applied to the trained network to address critical issues, such as enhancing the transparency and reliability of ML models. Several XAI methods were used to investigate the importance of sensor placement, identify the most significant features, understand feature ranges that result in poor performance, and validate model logic. Results demonstrated that for ML-based WDS control, sensor location is not critical, with high prediction accuracy achieved (mean absolute error <0.025 mg/L) even when exclusively using data from nodes spatially distant from the prediction site. XAI techniques showed the capability of identifying essential features and demonstrated that the behaviour of the ML model conformed with the expectations of chlorine behaviour. Superfluous variables were ranked low in importance, and the model learned fundamental aspects of chemical kinetics, such as temperature dependence and decay rate. Most importantly, the XAI methods applied showed the capability to communicate the reasoning for specific predictions, even at a local or sample-specific level. This study underscores the importance of transparency and trust in ML models, especially as the field transitions towards digital twin and Internet of Things (IoT) technologies, to enhance the effective management of water quality systems.
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 | 0,000 | 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