Digital Twin for Pipeline Leak Monitoring
Notice bibliographique
Résumé
Abstract We demonstrate how a visual digital twin system is used to implement a digital twin for pipeline monitoring. A visual digital twin allows for ingestion of data for calibration and creation of models which enable a digital replica of a real-world physical system for decision support and improving situational awareness. A laboratory experimental pipeline system is used to generate data to drive modelling capabilities in this system. We show how machine learning operations (MLOps) principles are applied in the context of digital twins, forming a sub-study area known as Digital Twin ML Ops (DT MLOps). The intended purpose of the system is to both train operators of the leak detection system in its use and provide high situational awareness and operational readiness to users. We demonstrate how multiple sources of monitoring data from an experimental pipeline setup, as well as simulation can be combined in a visual digital twin system and used for pipeline leak detection and leak plume and flow visual prediction. We show how leak detection and visual leak prediction are visualized in the context of a pipeline twin along with confidence and uncertainty and other explainable elements from machine learning models. We demonstrate how models are tracked using the DT MLOps sub system. The overall system demonstrates a novel combination of real experimental data driving models for both leak detection and the prediction of the associated leak plume and pipeline flow visual assessment imagery. This demonstrates a system which can detect leaks and their locations and also provide operators with assessment of the leak. The system provides provenance through its DT MLOps capabilities. This presented virtual pipeline and leak model, which integrates AI with experimental validation, is not widely available in industry.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».