Non-Intrusive Water Pipeline Flowmeter Based on Acoustic Signal Using AI Approach
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
Deep learning approaches spread widely in many applications because of their accurate results.Water flow rate measurement is one of these applications.This work proposes a new approach for measuring water flow rate in pipes using acoustic signals generated.The approach consists of multiple stages: real-time acoustic data collection, feature extraction, and classifier implementation.A medical stethoscope and microphone are attached to the pipe under test with a proper soundproof mounted enclosure to collect acoustic data.The obtained data represented ten levels of water flow rate in the pipe.Then, all these data are processed and used to generate features using the Mel-Filterbank energies spectrogram, which enhances flow-related acoustic information.The generated spectrogram features of the 10 classes are fed to the deep learning classifier, which is based on the TinyML framework.Classifier high-performance metrics show the implemented approach's success in accurately measuring flow.The 98.36% accuracy of the classifier illustrates the success of the proposed approach with an F1 Score of 0.99, which outperforms the competitive research results.Moreover, the trained and tested classifier with the feature generation stage is deployed efficiently on the limited resources microcontroller (Arduino Nano 33BLE sense), consuming only a tiny share of the microcontroller's resources.Additionally, the resulting latency of the classifier inference time is less than 0.2 seconds, making the classifier suitable for real-time applications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle