Bibliographic record
Abstract
L'étude des événements de givrage atmosphérique sur les réseaux de transport de l'énergie électrique constitue une préoccupation importante des habitants des régions de climat froid, telles que la province de Québec. Ceci inclut la compréhension de plusieurs phénomènes complexes en vue de réduire les risques de dommages aux réseaux de transmission existants et à ceux qui seront être implantés dans le futur. Dans cette perspective, il est important de comprendre ces phénomènes par l'analyse des événements de givrage atmosphériques antérieurs et de les modéliser. La présente recherche, effectuée dans le cadre des travaux de la Chaire industrielle NSERC/HYDRO-QUÉBEC/UQAC sur le givrage atmosphérique des équipements des réseaux électriques (CIGELE), avait pour but d'analyser les événements passés tels qu'enregistrés par le réseau de mesure SYGIVRE d'Hydro-Québec, et de créer un modèle de prédiction en temps réel de l'évolution des tempêtes de verglas pour différentes régions du Québec. Les informations météorologiques disponibles dans la base de données SYGIVRE, mesurées à l'aide d'un givromètre amélioré (ice rate meter), couvrent 6 ans, à partir de 1992, ceci pour un total de 28 stations. Une technique par réseaux de neurones a été choisie comme base pour le travail de modélisation. L'analyse exploratoire des événements de verglas contenus dans la base de données SYGIVRE constitue la première étape de l'étude. Cette étude a consisté à extraire de la base de données les tempêtes de verglas, à faire ressortir les caractéristiques de chaque paramètre de la base de données et à rendre les données adaptées au traitement par réseaux de neurones. Quatre groupes de stations ayant un rapport géographique et météorologique sont impliqués dans la prédiction, chacun étant traité séparément. Un premier modèle prédictif basé sur la technique des réseaux de neurones a été conçu en vue d'étudier l'évolution des tempêtes en se basant sur la relation spatiale qui existe entre les stations d'un groupe. La variable à prédire à chaque point pour une station est une variable dichotomique qui prend la valeur 1 s'il y a un événement de givre et 0 sinon. Ce modèle constitue une grande amélioration comparativement à des modèles antérieurs décrits dans la littérature, basés sur la méthode de régression logistique. Afin d'obtenir un modèle plus réaliste, un second modèle a été créé pour prédire en temps réel le poids de la glace accumulée sur la structure. Le modèle utilise les informations binaires avec des variables météorologiques, et la prédiction est ajustée pour évaluer différents temps futurs. Les résultats ont montré que la meilleure performance possible du modèle peut être réalisée en ajoutant au modèle de prédiction les variables de température et du poids de la glace. Toutefois, le modèle détecte encore difficilement les événements de verglas extrême. En conclusion, il est apparu qu'inclure un plus grand nombre d'années d'observations aux deux modèles devrait améliorer la performance de la prédiction, puisque ceci augmenterait la quantité des informations à étudier. Il s'agit d'ailleurs d'une condition essentielle aux prédictions par réseaux de neurones.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".