Modélisation de l’historique d’opération de groupes turbine-alternateur
Bibliographic record
Abstract
À cause du vieillissement de leurs actifs, les qestionnaires du parc de production d’Hydro- Québec ont un besoin accru d’outils d’aide à la planification des opérations de maintenance. Un projet de recherche et développement a alors été initié en 2010, avec pour objectif de classifier les groupes turbine-alternateur d’une centrale en fonction de l’état de dégradation de leur roue de turbine. Les fissures liées au phénomène de fatigue présentent un mode de dégradation prédominant. La séquence de chargement appliquée aux roues de turbines est un paramètre qui influe sur la propagation de ces fissures. Le but de ce mémoire est de proposer un générateur de séquences synthétiques de chargement. Ces séquences simulées seront utilisées comme variables d’entrée dans un modèle d’estimation de durée vie résiduelle. Les séquences simulées doivent être statistiquement équivalentes à l’historique de chargement et prendre en compte la non-stationnarité des données. Dans un premier temps, nous décrivons le fonctionnement des groupes turbines-alternateurs d’Hydro-Québec et analysons les données disponibles. Ensuite, nous passons en revue les diverses méthodes de modélisation et les techniques de validation de modèles. Nous attachons une attention toute particulière à la description précise de la procédure de comparaison et de validation. Ce mémoire présente la comparaison minutieuse des performances des chaînes de Markov, de Semi-Markov et du Bootstrap à bloc mobile. Pour les deux premiers modèles, nous décrivons comment nous parvenons à prendre en compte la non-stationnarité. Finalement, nous montrons que les chaînes de Markov ne sont pas adaptées à notre problème, que les chaînes de Semi-Markov sont plus performantes lorsque la non-stationnarité est intégrée. Le choix final entre les chaînes de Semi-Markov et le Bootstrap à bloc mobile reste arbitraire. Toutefois, avec une vision à long terme, nous conseillons l’utilisation des chaînes de Semi-Markov pour leur flexibilité et leur adaptabilité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.006 | 0.005 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".