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
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
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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