論文の概要: Estimating irregular water demands with physics-informed machine learning to inform leakage detection

• arxiv url: http://arxiv.org/abs/2309.02935v1
• Date: Wed, 6 Sep 2023 11:55:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 15:47:33.973957
• Title: Estimating irregular water demands with physics-informed machine learning to inform leakage detection
• Title（参考訳）: 物理インフォームド機械学習による不規則水需要の推定と漏洩検知
• Authors: Ivo Daniel and Andrea Cominola
• Abstract要約: 飲料水流通網の漏れは水道事業に重大な課題をもたらす。 本研究では、圧力データを分析し、未知の不規則な水需要を推定する物理インフォームド・機械学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Leakages in drinking water distribution networks pose significant challenges to water utilities, leading to infrastructure failure, operational disruptions, environmental hazards, property damage, and economic losses. The timely identification and accurate localisation of such leakages is paramount for utilities to mitigate these unwanted effects. However, implementation of algorithms for leakage detection is limited in practice by requirements of either hydraulic models or large amounts of training data. Physics-informed machine learning can utilise hydraulic information thereby circumventing both limitations. In this work, we present a physics-informed machine learning algorithm that analyses pressure data and therefrom estimates unknown irregular water demands via a fully connected neural network, ultimately leveraging the Bernoulli equation and effectively linearising the leakage detection problem. Our algorithm is tested on data from the L-Town benchmark network, and results indicate a good capability for estimating most irregular demands, with R2 larger than 0.8. Identification results for leakages under the presence of irregular demands could be improved by a factor of 5.3 for abrupt leaks and a factor of 3.0 for incipient leaks when compared the results disregarding irregular demands.
• Abstract（参考訳）: 飲料水流通ネットワークの漏水は水道事業に重大な課題をもたらし、インフラの故障、運用障害、環境災害、財産被害、経済損失に繋がる。 このようなリークのタイムリーな識別と正確な局所化は、これらの望ましくない影響を緩和するユーティリティにとって最重要である。 しかし, 漏洩検出アルゴリズムの実装は, 油圧モデルや大量のトレーニングデータの要求により, 実際に限られている。 物理インフォームド機械学習は油圧情報を利用して両方の制限を回避することができる。 そこで本研究では,完全に連結されたニューラルネットワークを用いて,不規則な水需要を推定し,最終的にベルヌーイ方程式を活用し,漏洩検出問題を効果的に線形化する,物理に変形した機械学習アルゴリズムを提案する。 提案アルゴリズムは,L-Townベンチマークネットワークのデータを用いて検証し,R2が0.8より大きい場合,最も不規則な要求を推定できることを示す。 不規則な要求がある場合のリークの識別結果は、急激なリークの5.3と、不規則な要求を無視した結果と比較した場合の急激なリークの3.0によって改善される。

関連論文リスト

• A Little Leak Will Sink a Great Ship: Survey of Transparency for Large Language Models from Start to Finish [47.3916421056009]
  大規模言語モデル(LLM)は、大規模なウェブクローリングコーパスで訓練されている。 LLMは、トレーニングセットでそのようなデータが少ないにもかかわらず、ほとんどの場合、漏洩した情報を生成する。 自己検出法は既存の検出法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-24T13:21:58Z)
• Localizing Anomalies in Critical Infrastructure using Model-Based Drift Explanations [5.319765271848658]
  ベイジアンネットワークを用いたネットワークをモデル化し,異常が重要なインフラシステムの力学に与える影響を解析する。 特に、モデルに基づく概念ドリフトの説明は異常の局所化に有望なツールであると主張する。 本手法がより一般的に重要なインフラに適用可能であることを示すために,本手法が電力系統におけるセンサ故障の局所化に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-24T13:33:19Z)
• MFL Data Preprocessing and CNN-based Oil Pipeline Defects Detection [0.0]
  コンピュータビジョンの異常検出への応用は、いくつかの産業分野で注目されている。 本研究は磁気フラックス漏洩データと前処理技術の研究に焦点を当てる。 そのために、最近の畳み込みニューラルネットワーク構造を利用して、堅牢なアプローチを提案しました。
  論文  参考訳（メタデータ） (2023-09-30T10:37:12Z)
• Censored Deep Reinforcement Patrolling with Information Criterion for Monitoring Large Water Resources using Autonomous Surface Vehicles [0.0]
  本研究は,自律走行車を用いた大規模水資源モニタリングの枠組みを提案する。 データに対する不確実性低減の尺度として情報ゲインを用いて,モデルに基づく障害物回避のためのQ-Censoring機構によって改良されたディープQ-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-12T07:33:46Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Prediction of Hydraulic Blockage at Cross Drainage Structures using Regression Analysis [11.532200478443773]
  本稿では,水理ブロックの予測に機械学習回帰分析を用いることを提案する。 スマートシティにおける油圧センサの展開とビッグデータの利用により、回帰分析はブロック検出問題に対処する上で有効であることが証明される。
  論文  参考訳（メタデータ） (2021-03-06T04:15:25Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• Why Normalizing Flows Fail to Detect Out-of-Distribution Data [51.552870594221865]
  正規化フローは、イン・オブ・ディストリビューションデータとアウト・オブ・ディストリビューションデータの区別に失敗する。 フローは局所的な画素相関と画像からラテンス空間への変換を学習する。 フロー結合層のアーキテクチャを変更することで、ターゲットデータのセマンティック構造を学ぶためのフローに偏りがあることが示される。
  論文  参考訳（メタデータ） (2020-06-15T17:00:01Z)
• A Multi-step and Resilient Predictive Q-learning Algorithm for IoT with Human Operators in the Loop: A Case Study in Water Supply Networks [4.9550706407171585]
  障害のあるコンポーネントが存在する場合、IoTネットワークに対してレジリエントで予測可能なアクションを推奨する問題を考察する。 我々はバージニア州アーリントン郡の匿名化データを用いて、スマート給水システムのための予測的かつレジリエントなスケジューリングポリシーを計算します。
  論文  参考訳（メタデータ） (2020-06-06T15:51:52Z)

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。