Exploring spatial and temporal importance of input features and the explainability of machine learning-based modelling of water distribution systems
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.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».