MétaCan
Menu
Retour à la cohorte
Enregistrement W7057462803

Interpolation des séries temporelles provenant de jauges de déformation d’aubes de turbines hydroélectriques en fonction de conditions de fonctionnement à l’aide d’un auto-encodeur variationnel

2024· other· fr· W7057462803 sur OpenAlexfundno aff

Notice bibliographique

RevueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2024
Typeother
Languefr
DomaineEngineering
ThématiquePulsed Power Technology Applications
Établissements canadiensnon disponible
Organismes subventionnairesMitacsHydro-QuébecUniversité de Sherbrooke
Mots-clésTurbineFish <Actinopterygii>Interpolation (computer graphics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Les sources d’énergie renouvelables ont suscité un engouement soutenu dans la dernière \ndécennie. Par contre, ce type d’énergie ajoute des instabilités aux réseaux électriques. En \nconséquence, ces instabilités entraînent un fonctionnement des turbines hydroélectriques \nen dehors de leur zone efficiente et pour lesquelles elles sont conçues. Pour mieux comprendre \nles dommages potentiels pouvant résulter de ce changement dans les conditions \nde fonctionnement, la fatigue des aubes de turbines est analysée à partir de jauges de \ndéformation positionnées durant la mise en service des turbines. Cependant, cette unique \ncollecte de mesures par turbine permet uniquement d’obtenir des signaux de jauges de \ndéformation sur un ensemble discret de conditions de fonctionnement. Ainsi, l’interpolation \ndes séries temporelles des conditions de fonctionnement est essentielle. La méthode \nactuelle, l’interpolation par krigeage, exige une quantité de ressources humaines qui rend \ndifficile le suivi de l’ensemble des capteurs et l’ensemble des turbines. Pour relever ce \ndéfi, une approche faisant appel à un auto-encodeur variationnel (Variational autoencoder \n- VAE) est proposée. Cette approche permet l’interpolation de séries temporelles en les \ntransformant de manière inversible en représentations latentes. Les résultats obtenus par \nl’approche proposée sont comparés à ceux de l’état de l’art. Un aperçu d’interpolation dans \nles différentes zones d’opération sont également présentés ainsi que l’organisation apprise \npar le réseau dans l’espace latent. Il est montré que l’approche proposée nécessite moins de \nressources humaines que l’approche de krigeage tout en produisant des séries temporelles \nplus près des données mesurées dans le domaine des fréquences.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,197
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)Même sujetPulsed Power Technology ApplicationsTravaux en français237 207