Show simple item record

dc.contributor.advisorRokstad, Marius Møller
dc.contributor.advisorTscheikner-Gratl, Franz
dc.contributor.advisorMohan Doss, Prasanna
dc.contributor.authorThoresen, Christine
dc.date.accessioned2024-11-28T18:23:10Z
dc.date.available2024-11-28T18:23:10Z
dc.date.issued2024
dc.identifierno.ntnu:inspera:178460902:34518130
dc.identifier.urihttps://hdl.handle.net/11250/3167321
dc.descriptionFull text not available
dc.description.abstractBruken av maskinlæringsmodeller for lekkasjedeteksjon er et fremvoksende forskningsfelt. Det finnes likevel få omfattende studier der ekte, korrekt merkede data fra faktiske urbane vannsystemer er brukt. I denne artikkelen er det brukt fluks- og trykkdata fra sensorer i et urbant vannsystem, der data er samplet imens lekkasjer er simulert ved bruk av brannhydranter. Dataen ble preprosessert og brukt til å trene en autoencoder-modell, der rekonstruksjonsfeilen ble brukt til å implisere potensielle lekkasjer. Av flere grunner som er diskutert i artikkelen, scoret modellen lavt på viktige forvirringsmatrise-elementer.
dc.description.abstractThe usage of machine learning models for leakage detection is an emerging field of study. However, there are few comprehensive studies using real, correctly labeled data from actual urban water systems. In this paper, flow and pressure data from sensors in an urban water system has been sampled while simulating leaks using fire hydrants. The data was preprocessed and used to train an autoencoder model, in order to use reconstruction error to implicate potential leakages. Due to several factors discussed in the paper, such as the amount of data available, the model scored low on important confusion matrix elements.
dc.languageeng
dc.publisherNTNU
dc.titleThe effect of preprocessing on autoencoder training and leakage detection scores using data from real-world water distribution network
dc.typeMaster thesis


Files in this item

FilesSizeFormatView

This item appears in the following Collection(s)

Show simple item record