Exploration de différentes architectures de réseaux de neurones pour la prédiction de la glace atmosphérique sur les conducteurs des réseaux électriques
Bibliographic record
Abstract
Dans le but d'établir un modèle informatique empirique visant à prédire l'évolution temporelle des charges mécaniques dues à l'accumulation de la glace atmosphérique sur les conducteurs de transport d'énergie électrique, cinq architectures de réseaux de neurones artificiels ont été étudiées et comparées. Deux réseaux de nature statique, soit le Perceptron multicouches (MLP) et le réseau à fonctions de base radiales (RBF), ainsi que deux réseaux orientés vers le traitement temporel, soit le réseau à réponse impulsionnelle finie (FIR) et le réseau récurrent Elman, ont été comparés à la régression linéaire multiple (ADALINE). \n \nLes données utilisées pour faire l'entraînement des modèles basés sur les réseaux de neurones proviennent du site instrumenté du Mont-Bélair qui fait partie du système de surveillance en temps réel SYGIVRE d'Hydro-Québec. On retrouve sur ce site une ligne de 315 kV dotée d'un capteur de force pour la mesure des forces mécaniques, plusieurs instruments météorologiques standards ainsi qu'un givromètre permettant d'évaluer l'intensité des conditions givrantes environnantes. Les modèles créés dans le cadre de cette recherche utilisèrent la température ambiante, la vitesse normale du vent et le signal du givromètre comme paramètres d'entrée et le signal de charge (ou son taux de variation) comme paramètre de sortie. \n \nLes résultats indiquent que les réseaux de neurones (le FIR par exemple) constituent un outil prédictif potentiellement avantageux ayant une puissance de représentation supérieure à des techniques statistiques simples comme la régression linéaire multiple. Les réseaux de neurones de nature statique donnent généralement de moins bons résultats que les réseaux orientés vers le traitement temporel et semblent donc moins adéquats. Toutefois, les performances affichées par les modèles montrent bien que la problématique de la prédiction des charges mécaniques de glace atmosphérique est plutôt difficile et qu'il ne faut pas considérer les réseaux de neurones comme une solution magique. L'utilisation de l'historique passé du signal de sortie comme variable d'entrée supplémentaire améliore notablement la situation cependant dans le cadre d'une prédiction en avance. Dans ce cas, les modèles fournissent une prédiction raisonnablement précise. \n
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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; a candidate call from one teacher head, 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".