論文の概要: Leak Detection in Natural Gas Pipeline Using Machine Learning Models
- arxiv url: http://arxiv.org/abs/2209.10121v1
- Date: Wed, 21 Sep 2022 04:45:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 16:54:39.168249
- Title: Leak Detection in Natural Gas Pipeline Using Machine Learning Models
- Title（参考訳）: 機械学習モデルを用いた天然ガスパイプラインの漏れ検出
- Authors: Adebayo Oshingbesan
- Abstract要約: ガスパイプラインにおける漏れ検知は、石油・ガス産業において重要かつ永続的な問題である。
本研究の目的は,データ駆動型インテリジェントモデルが天然ガスパイプラインの小さな漏れを検出する能力について検討することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Leak detection in gas pipelines is an important and persistent problem in the
Oil and Gas industry. This is particularly important as pipelines are the most
common way of transporting natural gas. This research aims to study the ability
of data-driven intelligent models to detect small leaks for a natural gas
pipeline using basic operational parameters and then compare the intelligent
models among themselves using existing performance metrics. This project
applies the observer design technique to detect leaks in natural gas pipelines
using a regressoclassification hierarchical model where an intelligent model
acts as a regressor and a modified logistic regression model acts as a
classifier. Five intelligent models (gradient boosting, decision trees, random
forest, support vector machine and artificial neural network) are studied in
this project using a pipeline data stream of four weeks. The results shows that
while support vector machine and artificial neural networks are better
regressors than the others, they do not provide the best results in leak
detection due to their internal complexities and the volume of data used. The
random forest and decision tree models are the most sensitive as they can
detect a leak of 0.1% of nominal flow in about 2 hours. All the intelligent
models had high reliability with zero false alarm rate in testing phase. The
average time to leak detection for all the intelligent models was compared to a
real time transient model in literature. The results show that intelligent
models perform relatively well in the problem of leak detection. This result
suggests that intelligent models could be used alongside a real time transient
model to significantly improve leak detection results.
- Abstract（参考訳）: ガスパイプラインの漏れ検出は、石油・ガス産業において重要かつ永続的な問題である。
これはパイプラインが天然ガスを輸送する最も一般的な方法であるため、特に重要である。
本研究は,自然ガスパイプラインの小規模リークを基本動作パラメータを用いて検出するデータ駆動型インテリジェントモデルの性能を検証し,既存の性能指標を用いてそれ自身でインテリジェントモデルを比較することを目的とする。
本稿では, 知的モデルが回帰器として機能し, 変形ロジスティック回帰モデルが分類器として機能する回帰分類階層モデルを用いて, 天然ガスパイプラインの漏れを検出するために, オブザーバ設計手法を適用した。
4週間のパイプラインデータストリームを用いて,5つのインテリジェントモデル(段階的ブースティング,決定木,ランダムフォレスト,サポートベクターマシン,人工ニューラルネットワーク)について検討した。
その結果、ベクターマシンと人工ニューラルネットワークは、他のものよりも優れた回帰器であるが、内部の複雑さと使用するデータ量のために、リーク検出の最良の結果を提供していないことがわかった。
ランダムな森林と決定木モデルは、約2時間で0.1%の名目の流れを検知できるため、最も敏感である。
インテリジェントモデルはすべて信頼性が高く、テスト段階では誤警報速度はゼロだった。
全てのインテリジェントモデルに対する平均リーク検出時間は、文学におけるリアルタイム過渡モデルと比較された。
その結果, リーク検出問題において, インテリジェントモデルの性能は比較的良好であった。
この結果から,知的モデルとリアルタイム・トランジェントモデルとの併用により,リーク検出結果の大幅な改善が期待できる。
関連論文リスト
- Early Prediction of Natural Gas Pipeline Leaks Using the MKTCN Model [5.746772420339137]
パイプラインリークの早期予測のための正確なモデルを開発する。
リークの早期予測に内部パイプラインデータを使用した最初のアプリケーションである。
論文 参考訳（メタデータ） (2024-11-09T15:34:38Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - Watermarking for Out-of-distribution Detection [76.20630986010114]
Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。
本稿では,透かしという一般的な手法を提案する。
我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
論文 参考訳（メタデータ） (2022-10-27T06:12:32Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Deep vs. Shallow Learning: A Benchmark Study in Low Magnitude Earthquake
Detection [0.0]
弾性ネット駆動データマイニングによる4つの機能の追加により,既存のロジスティック回帰モデルを構築した。
我々は,Groningenデータに基づいて事前学習したディープ(CNN)モデルに対する拡張ロジスティック回帰モデルの性能を,段階的に増加する雑音-信号比に基づいて評価する。
各比について、我々のロジスティック回帰モデルがすべての地震を正確に検出するのに対し、深部モデルは地震の約20%を検出できないことを発見した。
論文 参考訳（メタデータ） (2022-05-01T17:59:18Z) - In-flight Novelty Detection with Convolutional Neural Networks [0.0]
本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。
本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。
このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
論文 参考訳（メタデータ） (2021-12-07T15:19:41Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Detection of Anomalies in a Time Series Data using InfluxDB and Python [0.0]
本論文では,時系列データに対するデータクリーニングと準備について述べる。
さらに,時系列データに異常なデータ点を検出するソリューションとして,コストに敏感な機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-15T17:27:39Z) - CASU2Net: Cascaded Unification Network by a Two-step Early Fusion for
Fault Detection in Offshore Wind Turbines [0.0]
本稿では, 沖合風力タービンの故障検出のための, 核融合型深層学習モデル(CASU2Net)を提案する。
我々は5つのセンサとスライディングウインドウを用いて、センサから得られた生の時系列データに含まれる固有時間情報を利用する。
提案モデルでは,複数のセンサ変数間の非線形関係と,各センサの時間的依存性を利用して,故障検出モデルの性能を大幅に向上させる。
論文 参考訳（メタデータ） (2020-11-24T14:35:19Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。