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
Bibliographic record
Abstract
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.
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) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".