.png){kind=icon}
返回
Centrality-Guided Node Selection for Efficient Water Leak Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/ACCESS.2026.3663896.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水分配网络（WDNs）是关键基础设施，需要持续监测以确保高效运行并减少因泄漏造成的水量损失。在这些网络中战略性地布置传感器对于及时检测和定位泄漏至关重要。然而，选择最有效的传感器布置节点仍然是一个具有挑战性的问题。中心性度量是网络科学中广泛用于量化节点重要性的方法，为引导传感器部署提供了一种有前景的途径。本研究探讨了不同中心性度量对WDNs中泄漏检测节点选择的影响。我们采用两阶段方法解决泄漏检测问题。首先，我们使用自编码器的编码器从压力矩阵中提取紧凑且信息丰富的特征表示。然后，应用二元分类器识别异常嵌入。我们将该方法应用于拓扑结构不同的两个WDNs，探索不同中心性度量下的稀疏传感器部署。结果表明，在环路和高冗余拓扑结构中，少量战略布置的传感器可维持甚至提高检测精度。相比之下，更脆弱的树状网络在减少传感器数量时性能下降。为解释这种行为，我们引入了一个量化网络结构脆弱性的指标。综合来看，我们的发现为水务公司提供了实用指导，帮助其在基于拓扑的传感器布置中平衡泄漏检测速度、精度和成本。
Keyword:
Sensors
Leak detection
Hydraulic systems
Monitoring
Sensor placement
Measurement
Support vector machines
Data models
Accuracy
Real-time systems
Water distribution networks
graph modeling
leak detection
centrality metrics
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Deep learning identifies accurate burst locations in water distribution networks.png)
WATER RESEARCH
OAAI
WATER RESEARCHIF12.4
OAAI分享收藏Burst detection in district metering areas using a data driven clustering algorithmWATER RESEARCH
WATER RESEARCHIF12.4
PREAI
分享收藏Detecting Leaks in Water Distribution Pipes Using a Deep Autoencoder and Hydroacoustic Spectrograms
PREAI
分享收藏Graph neural networks to model and optimize the operation of Water Distribution Networks: A review图神经网络在供水管网运行建模与优化中的应用：综述OAAI
OAAI分享收藏Water Leak Detection via Domain Adaptation基于域适应的水泄漏检测ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容