An evidential reasoning approach to evaluate intrusion vulnerability in distribution networks
Notice bibliographique
Résumé
Intrusion, a primary mechanism of water quality failures in distribution networks, has accounted for approximately 15% of the total documented cases of waterborne illnesses in the Unites States in the last 30 years. Intrusion through water mains may occur during maintenance and repair events, through broken pipes and gaskets in the presence of contaminated soil and/or cross-connections. The potential of contamination through backflow or through leaky pipes increases whenever the water pressure in a pipe is very low or negative. This can occur when the pipe is de-pressurized for repair or when it is used to extinguish fire or during episodes of transient pressures. Intrusion of contaminants into water distribution networks requires the simultaneous occurrence of three elements; a contamination source, a pathway and a driving force. Each of these elements provides an independent body of evidence (typically incomplete and non-specific) which can give hint(s) of the occurrence of intrusion into distribution networks. Inference using traditional Bayesian analysis involves assumptions in case of incomplete information and partial ignorance. Evidential reasoning, also called Dempster-Shafer (DS) theory, has proved very useful in this situation and has the ability to incorporate both aleatory and epistemic uncertainties in the inference mechanism. The bodies of evidence from contamination source(s), intrusion pathway(s) and driving force(s) are mapped over a 'frame of discernment' of vulnerability of intrusion. Subsequently the DS rule of combination is applied to make an inference on the occurrence of intrusion. The implementation of the evidential reasoning method to assess vulnerability to intrusion in distribution networks is demonstrated with the help of an example.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».