Research on Pipeline Leak Signal Reconstruction and Multi-Aperture Classification Method Based on Multi-Task 1D U-Net
Notice bibliographique
Résumé
Pipeline leak detection is a key technology to ensure the safe operation of oil-gas and industrial pipelines. However, actually collected monitoring signals are often affected by noise interference, data loss, and difficult feature extraction, which seriously restrict detection accuracy and reliability. To address these challenges, this paper proposes a multi-task 1D U-Net based pipeline leak detection model, realizing collaborative optimization of signal reconstruction, denoising, and aperture classification. The model adopts a shared encoder and task-specific decoders architecture, integrates channel and spatial attention mechanisms to focus on key features, and uses uncertainty learning to dynamically adjust task loss weights, improving training stability and reducing manual tuning costs. Experimental verification on a 4,778-sample multi-channel dataset (each sample is a 5-channel,720-length time-series signal) shows significant performance: denoising task MSE drops to 0.0013(training set) and 0.0016(validation set) with over 98% reduction, reconstruction MSE improves by 44.8%, and aperture classification training set accuracy reaches 78.98%(F1-score 75.52%). SNR improvement rates are 5.08% and 4.83%. Compared with traditional single-task models, the method achieves feature sharing and complementarity, reducing training costs and improving performance. Despite slight validation fluctuations in classification and reconstruction, the architecture shows strong potential in denoising and feature extraction. Future work will integrate Transformer and self-supervised learning to enhance generalization and engineering value.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 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 ».