Integration of Hydraulic and Thermal Sensors with Machine Learning For Enhanced Leak Detection and Localization in District Heating Systems
Notice bibliographique
Résumé
Accurate leak localization within district heating networks (DHNs) is a significant challenge due to the complex hydraulic dynamics that govern these systems.Traditional methods for leak detection, such as manual inspections and thermal imaging, are often inefficient for real-time applications.Recent advancements in artificial intelligence (AI), particularly artificial neural networks (ANNs), offer promising solutions by analysing pressure and temperature variations in DHN pipelines to identify leak locations.This paper explores the potential of AI-driven techniques for improving leak localization accuracy within DHNs.Using synthetic data generated with a Modelica-based simulation of DHN conditions in Grenoble, France, the study evaluates the impact of pressure and temperature sensors installed in DHN.The model was developed and trained using multi-class classification techniques, with the dataset balanced via Random Under Sampling (RUS) to address class imbalances.Feature selection was performed using Random Forest to identify the most critical input features, which were then used in the ANN for leak localization.The results demonstrate the effectiveness of pressure sensors, particularly in the return lines, for enhancing leak localization precision, while temperature sensors, though less directly indicative of leaks, also contribute valuable insights.The study concludes that AI-based approaches, coupled with strategically placed sensors, can significantly improve the accuracy and efficiency of leak localization in DHNs, contributing to more effective predictive maintenance and reduced system downtime.
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 | 0,000 | 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 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 ».