Detecting Pipeline Leaks Using a Novel Data-Driven Statistical Methodology with Earth Mover's Distance
Notice bibliographique
Résumé
Abstract This study introduces a novel leak detection methodology for liquid pipelines, combining a Sequential Probability Ratio Test (SPRT) with a Kantorovich Distance (KD) filter (SPRT-KD). This model enhances leak detection performance over traditional volume balance (VB) systems in the traditional domains of reliability, sensitivity, robustness, and accuracy. The model performs well in complex pipeline networks in real time, addressing limitations of conventional methods under transient conditions. The SPRT-KD integrates a statistical data-driven SPRT model based on volume imbalance for statistical leak detection with a KD filter to detect operational changes. SPRT accumulates evidence of leaks via flow discrepancies, employing slow, medium, and fast time window detection filters, while KD measures shifts in the flow distribution to detect and suppress the effect of transients which could cause false alarms. The process involves continuous monitoring of flow, KD-based anomaly detection, and SPRT score aggregation over short period (15-minute) windows to trigger alarms when thresholds are exceeded. In a case study from a Northern Alberta condensate pipeline (December 2023), the SPRT-KD model detected a 40 m3/day leak (0.6% of 6700 m3/day total flow) in 13 minutes, compared to 3 hours for a VB model, despite high transience in the complicated network. The KD filter eliminated false alarm signals attributed to operational changes. The model maintained signal integrity, with no loss of alarm signal over the entire 10 hour leak period. SPRT-KD demonstrated superior sensitivity (detecting leaks below the flow meter accuracy) and speed compared to a VB model. The SPRT-KD model combines a sensitive data-driven model with the use of a real time rolling KD calculation to identify operational changes. This approach minimizes false alarms in real-world environments, even in highly transient networks with a plurality of inlets and outlets. SPRT-KD offers a significant advancement in statistical leak detection, providing rapid, reliable alerts in transient environments, validated by real-world application.
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 ».