JP2020517004A - パイプ漏れを予測する新規な自律的人工知能システム - Google Patents
パイプ漏れを予測する新規な自律的人工知能システム Download PDFInfo
- Publication number
- JP2020517004A JP2020517004A JP2019554997A JP2019554997A JP2020517004A JP 2020517004 A JP2020517004 A JP 2020517004A JP 2019554997 A JP2019554997 A JP 2019554997A JP 2019554997 A JP2019554997 A JP 2019554997A JP 2020517004 A JP2020517004 A JP 2020517004A
- Authority
- JP
- Japan
- Prior art keywords
- pipe
- pipes
- leak
- data
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 238000003860 storage Methods 0.000 claims description 47
- 238000007637 random forest analysis Methods 0.000 claims description 46
- 238000007477 logistic regression Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 22
- 238000010200 validation analysis Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 9
- 239000000126 substance Substances 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 30
- 238000007726 management method Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 24
- 239000002689 soil Substances 0.000 description 19
- 239000000463 material Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013403 standard screening design Methods 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000005252 bulbus oculi Anatomy 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 229920001903 high density polyethylene Polymers 0.000 description 3
- 239000004700 high-density polyethylene Substances 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 229920000915 polyvinyl chloride Polymers 0.000 description 3
- 239000004800 polyvinyl chloride Substances 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 229910001018 Cast iron Inorganic materials 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000009972 noncorrosive effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910001369 Brass Inorganic materials 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910001141 Ductile iron Inorganic materials 0.000 description 1
- 241000238558 Eucarida Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000010425 asbestos Substances 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 229910052895 riebeckite Inorganic materials 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Examining Or Testing Airtightness (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
この出願は、「A NOVEL AUTONOMOUS ARTIFICIALLY INTELLIGENT SYSTEM TO PREDICT PIPE LEAKS(パイプ漏れを予測する新規な自律的人工知能システム)」と題される2017年11月21日に出願された米国非仮出願第15/820,316号および2017年4月13日に出願された米国仮出願第62/485,314号の利益ならびに優先権を主張し、その全体をすべての目的のためにここに引用により援用する。
公益企業は、多くの場合、パイプを使用して公益を伝達および配送する(例:水を配送するパイプ)。しかしながら、時間の経過とともに、これらのパイプはさまざまな理由で故障し、漏れが発生し始める可能性がある。これらの漏れは、多くの理由で公益企業にとって非常にコストがかかる。公益企業は、漏れの損失(例えば、パイプから漏れる水のコスト)または漏れに関連する損害(例えば、水に起因する洪水)を負担しなければならないかもしれない。また、一部のパイプは簡単にアクセスできず(たとえば、地下に埋められている)、場合によっては漏れがすぐには分からないかもしれないため、漏れの識別および修理に関連するコストもかかる。パイプの漏れは、水道本管の破損や陥没穴を引き起こし、それは、環境や公衆衛生への危険に加えて、周囲の事業への経済的損害、税金の浪費、交通遅延、機会費用を引き起こす。漏れているパイプを修理するには、公益企業は水を他のパイプに経路付けし直す必要がある。これにより、これらのパイプに大量の追加のストレスがかかり、非常に広い地理的領域および元のパイプ漏れから遠く離れた場所でパイプ漏れの連鎖反応を引き起こす可能性がある。さらに、特定のパイプが漏れるかどうかを予測する機能により、公益企業は、漏れの可能性を減らす将来のパイプの建設入札契約の新たな製造業者購入基準を設計および実施できる。
本開示に記載される実施形態は、パイプ(例えば、水などの何らかの物質を運ぶ公益事業設備パイプ)が漏れそうであるかどうかを予測するように構成されたパイプ漏れ予測システムに向けられる。パイプ漏れ予測システムは、1つ以上の機械学習技術に基づいた予測モデルを含み得る。たとえば、予測モデルは、出力をランダムフォレストモデルなどのカテゴリ(たとえば、漏れありまたは漏れなし)に分類するための教師付き機械学習法を用いて生成できる。予測モデルは、訓練用データセットに含まれるパイプについてのデータを用いて訓練でき、訓練用データセットは、さまざまなパイプの特性に関する情報(例えば、それらのパイプの寸法、それらのパイプの材料、それらのパイプの年齢、それらのパイプの位置など)、およびそれらのパイプが漏れているかどうかについての知識を含むことができる。予測モデルは、訓練用データセットのデータを用いて、漏れのないパイプに関連付けられるパターンおよび漏れのあるパイプに関連付けられるパターンを判断することができる。これらのパターンを任意のパイプの特性に適用して、そのパイプが漏れるかどうかを予測できる。
以下の記載では、説明の目的で、本発明の実施形態の完全な理解のために、特定の詳細が述べられる。しかしながら、これらの特定の詳細なしでさまざまな実施形態を実施できることは明らかであろう。図および記載は、限定することを意図したものではない。
パイプ漏れ予測システムは、パイプが故障する可能性があるかどうかを事前に予測するために、公共企業(例:水、ガス、下水などを輸送する企業)またはエネルギー探査/生産企業(例:パイプを介して石油、ガス、燃料を輸送する企業)など、パイプを用いる任意の実体によって用いられ得る。この予測は、パイプのメンテナンスを実行するなどの予防策を講じるために使用できる。
図1は、本開示の実施形態によるパイプ漏れ予測のシステム図を示す。
ブロック202で、訓練用データセット220内に含まれるパイプについてのデータを用いて予測モデルを生成することができる。訓練用データセット220は、パイプデータベース108などの、さまざまなパイプについてのデータを含む、より大きなデータセットのサブセットであってもよい。より大きなデータセットは、予測モデルを訓練するために用いられる訓練用データセット220、および訓練された予測モデルの結果を検証するために用いられる検証データセットに、ランダムに分割され得る。訓練用データセット220は、さまざまなパイプの特性に関する情報(例えば、それらのパイプの寸法、それらのパイプの材料、それらのパイプの年齢、それらのパイプの位置など)を含むことができる。さらに、訓練用データセット220は、それらのパイプのどれが漏れを有していると知られているかに関する情報も含み得る。したがって、予測モデルは、漏れのないパイプに関連付けられたパターンおよび漏れのあるパイプに関連付けられたパターンを判断するために、訓練用データセット220のデータを用いることができる。モデルは、これらのパイプの特性が提供されている場合、これらのパターンを学習および使用して、パイプの漏れを予測し得る。予測モデルは、前述のようなさまざまな機械学習アルゴリズムを用いて生成でき;たとえば、予測モデルは、ランダムフォレストモデル、ロジスティック回帰モデル、単純ベイズモデルなどであり得る。
いくつかの実施形態では、さまざまなパイプに関連付けられる利用可能なデータのすべて(例えば、図3に示されるものと同様のデータ)を用いて、予測モデルを訓練および構築することができる。そのような実施形態のいくつかでは、構築される第1のモデルは、非線形モデルであるランダムフォレストモデルであり得る。一般に、非線形モデルは、線形モデルよりも訓練に時間がかかり得る。
いくつかの実施形態では、ランダムフォレストモデルで用いられる因子をよりよく理解するために、ロジスティック回帰モデルを用いることができる。ロジスティック回帰モデルは、一般化線形モデルの一種である。ロジスティック回帰モデルは線形モデルであるため、ランダムフォレストモデルよりも速く訓練できる。
図8は、本開示の実施形態によるロジスティック回帰の混同行列を示す。
より具体的には、ロジスティック回帰モデルに対する係数のリスト902を用いて、ロジスティック回帰モデルで用いられるさまざまな因子について推論を行うことができる。横に星印の付いた係数は統計的に有意なものであり、偶然に発生した可能性は低いことを意味する。たとえば、パイプの直径、パイプの長さ、パイプの厚み、最大圧力定格、パイプがHDPE製かPVC製か、パイプのパーセント寿命などの、パイプに基づく因子は、統計的に有意であるとして示される。土壌の抵抗率、パイプの地理的領域、パイプの標高、パイプが丘陵地にあるかどうかなどの、場所に基づく因子も、統計的に有意であるとして示される。
図に関して、図4に示されたデータ(例:265,293本のパイプを含むデータセット)に基づいて生成された単純ベイズモデルについて、例示的な混同行列1002が示される。混同行列1002は、予測を実際の参照値と比較するために4つの象限:244,995の値を有する左上のN−N象限、5731の値を有する右上のN−Y象限;11808の値を有する左下のY−N象限;2759の値を有する右下のY−Y象限を有する。図5の混同行列と同様に、混同行列1002のこれらの象限は、4つの結果:真陰性、偽陰性、真陽性、および偽陽性の数を反映する。
図13は、この明細書中に開示された実施形態のうちの1つを実現するための分散型システムを示す簡略図である。分散型システム1300は、上述したように、パイプ漏れ予測システムの実施形態を実現することができる。例示された実施形態においては、分散型システム1300は、1つ以上のネットワーク1310を介して、ウェブブラウザ、プロプライエタリクライアント(たとえばオラクルフォーム)などのクライアントアプリケーションを実行して動作させるように構成される1つ以上のクライアントコンピューティングデバイス1302、1304、1306および1308を含む。サーバ1312は、ネットワーク1310を介してリモートクライアントコンピューティングデバイス1302、1304、1306および1308と通信可能に結合されてもよい。
D)表現、ページベースの論理的環境などであろうとなかろうと、仮想イベント、トレードショー、シミュレータ、クラスルーム、購買商品取引および企業活動のために用いられるものを含み得る。いくつかの実施形態においては、これらのサービスは、ウェブベースのサービスもしくはクラウドサービスとして、またはソフトウェア・アズ・ア・サービス(Software as a Service:SaaS)モデルのもとで、クライアントコンピューティン
グデバイス1302,1304,1306および/または1308のユーザに供給されてもよい。そして、クライアントコンピューティングデバイス1302,1304,1306および/または1308を動作させるユーザは、1つ以上のクライアントアプリケーションを利用して、サーバ1312と相互作用して、これらの構成要素によって提供されるサービスを利用し得る。
VPN)、イントラネット、エクストラネット、公衆交換電話網(public switched telephone network:PSTN)、赤外線ネットワーク、無線ネットワーク(たとえば米国電
気電子学会(Institute of Electrical and Electronics:IEEE)802.11の一
連のプロトコル、ブルートゥース(登録商標)および/またはその他の無線プロトコルのうちのいずれかのもとで動作するネットワーク)、および/またはこれらの任意の組合せ、および/または他のネットワークを含むが、これらに限定されるものではない。
社(Sybase)、IBM社(International Business Machines)などから市販されている
ものを含むが、これらに限定されるものではない。
as a Service:IaaS)カテゴリ、またはハイブリッドサービスを含むサービスの他
のカテゴリのもとで提供される1つ以上のサービスを含み得る。顧客は、サブスクリプションオーダーによって、クラウドインフラストラクチャシステム1402によって提供される1つ以上のサービスを注文し得る。次いで、クラウドインフラストラクチャシステム1402は、顧客のサブスクリプションオーダーでサービスを提供するために処理を実行する。
Interface:UI)、すなわちクラウドUI1412、クラウドUI1414および/またはクラウドUI1416にアクセスして、これらのUIを介してサブスクリプションオーダーを行い得る。顧客がオーダーを行ったことに応答してクラウドインフラストラクチャシステム1402によって受信されたオーダー情報は、顧客と、顧客がサブスクライブする予定のクラウドインフラストラクチャシステム1402によって提供される1つ以上のサービスとを特定する情報を含み得る。
ダイナミックランダムアクセスメモリ(dynamic random access memory:DRAM)などの複数の異なるタイプのメモリを含み得る。いくつかの実現例では、始動中などにコンピュータシステム1500内の要素間で情報を転送することを助ける基本ルーチンを含む基本入力/出力システム(basic input/output system:BIOS)が、典型的にはROM
に格納され得る。一例としておよび非限定的に、システムメモリ1510は、クライアントアプリケーション、ウェブブラウザ、中間層アプリケーション、リレーショナルデータベース管理システム(relational database management system:RDBMS)などを含
み得るアプリケーションプログラム1512、プログラムデータ1514およびオペレーティングシステム1516も示す。一例として、オペレーティングシステム1516は、マイクロソフトウィンドウズ(登録商標)、アップルマッキントッシュ(登録商標)および/もしくはリナックスオペレーティングシステムのさまざまなバージョン、さまざまな市販のUNIX(登録商標)もしくはUNIXライクオペレーティングシステム(さまざまなGNU/リナックスオペレーティングシステム、Google Chrome(登録商標)OSなどを含むが、これらに限定されるものではない)、ならびに/または、iOS、ウィンドウズ(登録商標)フォン、アンドロイド(登録商標)OS、ブラックベリー(登録商標)10OSおよびパーム(登録商標)OSオペレーティングシステムなどのモバイルオペレーティングシステムを含み得る。
RAM、ダイナミックRAM、スタティックRAMなどの揮発性メモリに基づくSSD、DRAMベースのSSD、磁気抵抗RAM(magnetoresistive RAM:MRAM)SSD、およびDRAMとフラッシュメモリベースのSSDとの組合せを使用するハイブリッドSSDを含み得る。ディスクドライブおよびそれらの関連のコンピュータ読取可能な媒体は、コンピュータ読取可能な命令、データ構造、プログラムモジュールおよび他のデータをコンピュータシステム1500に提供し得る。
iFi(IEEE1902.11ファミリ標準または他のモバイル通信技術またはそれらの任意の組合せ)、全地球測位システム(global positioning system:GPS)レシー
バコンポーネント、および/または、他のコンポーネントを含み得る。いくつかの実施形態においては、通信サブシステム1524は、無線インターフェイスに加えて、または無線インターフェイスの代わりに、有線ネットワーク接続(例えばイーサネット)を提供し得る。
ィードなどのウェブフィードなどのデータフィード1526をリアルタイムでソーシャルメディアネットワークおよび/または他の通信サービスのユーザから受信し、および/または、1つ以上の第三者情報源からリアルタイム更新を受信するように構成され得る。
Claims (20)
- パイプ漏れを予測するための、コンピュータによって実施される方法であって、
第1のデータ項目および第1の複数のパイプのそれぞれのパイプに関連付けられる既知の漏れを含む訓練用データセットにアクセスすることを備え、前記第1のデータ項目は前記それぞれのパイプの特性を含み、前記方法はさらに、
教師付き機械学習技術を適用して、パイプの漏れ予測を判断するように構成される予測モデルを、前記第1の複数のパイプのそれぞれのパイプに関連付けられる前記第1のデータ項目に基づいて訓練することにより生成し、
第2のデータ項目および第2の複数のパイプのそれぞれのパイプに関連付けられる既知の漏れを含む検証データセットにアクセスすることを備え、前記第2のデータ項目は前記それぞれのパイプの特性を含み、前記方法はさらに、
前記予測モデルを検証することを備え、前記予測モデルを検証することは、少なくとも、
前記予測モデルを前記第2のデータ項目に適用することにより、前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットを判断することと、
前記第2の複数のパイプのそれぞれのパイプの漏れ予測を前記第2の複数のパイプのそれぞれのパイプの既知の漏れと比較して、前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率を判断することと、
前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率に基づいて混同行列を生成することと、
前記混同行列に基づいて、前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率に関連付けられる真陽性率、偽陽性率、真陰性率、および偽陰性率を判断することと、
前記真陽性率が第1のしきい値を超えていると判断することと、
前記真陰性率が第2のしきい値を超えていると判断することとによって行われ、前記方法はさらに、
第3の複数のパイプに関連付けられる第3のデータ項目を含むパイプラインデータセットにアクセスすることと、
前記予測モデルを前記パイプラインデータセットに適用して、前記第3の複数のパイプのそれぞれのパイプの漏れ予測を判断することとを備える、コンピュータによって実施される方法。 - 前記予測モデルは、ランダムフォレストモデルを含む、請求項1に記載のコンピュータによって実施される方法。
- 前記予測モデルはロジスティック回帰を含む、請求項1に記載のコンピュータによって実施される方法。
- 前記予測モデルは、単純ベイズモデルを含む、請求項1に記載のコンピュータによって実施される方法。
- 前記第1のしきい値は、前記予測モデルの適用からの前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットの統計分布に基づいて自動的に判断される、請求項1に記載のコンピュータによって実施される方法。
- 前記第2のしきい値は、前記予測モデルの適用からの前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットの統計分布に基づいて自動的に判断される、請求項1に記載のコンピュータによって実施される方法。
- 前記第3の複数のパイプのそれぞれのパイプの判断された漏れ予測に基づいて、前記第3の複数のパイプのそれぞれのパイプをオーダーすることをさらに備える、請求項1に記載のコンピュータによって実施される方法。
- コンピューティングシステムであって、
1つ以上のデータストアを備え、前記1つ以上のデータストアは、
第1のデータ項目および第1の複数のパイプのそれぞれのパイプに関連付けられる既知の漏れを含む訓練用データセットを格納し、前記第1のデータ項目は前記それぞれのパイプの特性を含み、前記1つ以上のデータストアはさらに、
第2のデータ項目および第2の複数のパイプのそれぞれのパイプに関連付けられる既知の漏れを含む検証データセットを格納し、前記第2のデータ項目は前記それぞれのパイプの特性を含み、前記コンピューティングシステムはさらに、
コンピュータプロセッサと、
コンピュータ読取可能記憶媒体とを備え、前記コンピュータ読取可能記憶媒体は命令を格納し、前記命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、
前記訓練用データセットにアクセスさせ、
教師付き機械学習技術を適用させて、パイプの漏れ予測を判断するように構成される予測モデルを、前記第1の複数のパイプのそれぞれのパイプに関連付けられる前記第1のデータ項目に基づいて訓練することにより生成させ、
前記検証データセットにアクセスさせ、
前記予測モデルを検証させるよう構成され、前記予測モデルを検証することは、少なくとも、
前記予測モデルを前記第2のデータ項目に適用することにより、前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットを判断することと、
前記第2の複数のパイプのそれぞれのパイプの漏れ予測を前記第2の複数のパイプのそれぞれのパイプの既知の漏れと比較して、前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率を判断することと、
前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率に基づいて混同行列を生成することと、
前記混同行列に基づいて、前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率に関連付けられる真陽性率、偽陽性率、真陰性率、および偽陰性率を判断することと、
前記真陽性率が第1のしきい値を超えていると判断することと、
前記真陰性率が第2のしきい値を超えていると判断することとによって行われ、前記命令は、さらに、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、
第3の複数のパイプに関連付けられる第3のデータ項目を含むパイプラインデータセットにアクセスさせ、
前記予測モデルを前記パイプラインデータセットに適用させて、前記第3の複数のパイプのそれぞれのパイプの漏れ予測を判断させるよう構成される、コンピューティングシステム。 - 前記予測モデルは、ランダムフォレストモデルを含む、請求項8に記載のコンピューティングシステム。
- 前記予測モデルはロジスティック回帰を含む、請求項8に記載のコンピューティングシステム。
- 前記予測モデルは、単純ベイズモデルを含む、請求項8に記載のコンピューティングシステム。
- 前記第1のしきい値は、前記予測モデルの適用からの前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットの統計分布に基づいて自動的に判断される、請求項8に記載のコンピューティングシステム。
- 前記第2のしきい値は、前記予測モデルの適用からの前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットの統計分布に基づいて自動的に判断される、請求項8に記載のコンピューティングシステム。
- 前記プログラム命令は、前記コンピュータプロセッサによって実行されると、さらに、前記コンピュータプロセッサに、前記第3の複数のパイプのそれぞれのパイプの判断された漏れ予測に基づいて、前記第3の複数のパイプのそれぞれのパイプをオーダーさせる、請求項8に記載のコンピューティングシステム。
- 非一時的なコンピュータ読取可能媒体であって、前記非一時的なコンピュータ読取可能媒体はプログラム命令を含み、前記プログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、
1つ以上のデータストアに含まれる訓練用データセットにアクセスさせるよう構成され、前記訓練用データセットは、第1のデータ項目および第1の複数のパイプのそれぞれのパイプに関連付けられる既知の漏れを含み、前記第1のデータ項目は前記それぞれのパイプの特性を含み、前記プログラム命令は、前記コンピュータプロセッサによって実行されると、さらに、前記コンピュータプロセッサに、
教師付き機械学習技術を適用させて、パイプの漏れ予測を判断するように構成される予測モデルを、前記第1の複数のパイプのそれぞれのパイプに関連付けられる前記第1のデータ項目に基づいて訓練することにより生成させ、
前記1つ以上のデータストアに含まれる検証データセットにアクセスさせ、前記検証データセットは、第2のデータ項目および第2の複数のパイプのそれぞれのパイプに関連付けられる既知の漏れを含み、前記第2のデータ項目は前記それぞれのパイプの特性を含み、前記プログラム命令は、前記コンピュータプロセッサによって実行されると、さらに、前記コンピュータプロセッサに、
前記予測モデルを検証させ、前記予測モデルを検証することは、少なくとも、
前記予測モデルを前記第2のデータ項目に適用することにより、前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットを判断することと、
前記第2の複数のパイプのそれぞれのパイプの漏れ予測を前記第2の複数のパイプのそれぞれのパイプの既知の漏れと比較して、前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率を判断することと、
前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率に基づいて混同行列を生成することと、
前記混同行列に基づいて、前記第2の複数のパイプのそれぞれのパイプの漏れ予測の正答率に関連付けられる真陽性率、偽陽性率、真陰性率、および偽陰性率を判断することと、
前記真陽性率が第1のしきい値を超えていると判断することと、
前記真陰性率が第2のしきい値を超えていると判断することとによって行われ、前記プログラム命令は、前記コンピュータプロセッサによって実行されると、さらに、前記コンピュータプロセッサに、
第3の複数のパイプに関連付けられる第3のデータ項目を含むパイプラインデータセットにアクセスさせ、
前記予測モデルを前記パイプラインデータセットに適用させて、前記第3の複数のパイプのそれぞれのパイプの漏れ予測を判断させる、非一時的なコンピュータ読取可能媒体。 - 前記予測モデルは、ランダムフォレストモデルを含む、請求項15に記載の非一時的なコンピュータ読取可能媒体。
- 前記予測モデルはロジスティック回帰を含む、請求項15に記載の非一時的なコンピュータ読取可能媒体。
- 前記予測モデルは、単純ベイズモデルを含む、請求項15に記載の非一時的なコンピュータ読取可能媒体。
- 前記第1のしきい値は、前記予測モデルの適用からの前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットの統計分布に基づいて自動的に判断される、請求項15に記載の非一時的なコンピュータ読取可能媒体。
- 前記第2のしきい値は、前記予測モデルの適用からの前記第2の複数のパイプのそれぞれのパイプの漏れ予測のセットの統計分布に基づいて自動的に判断される、請求項15に記載の非一時的なコンピュータ読取可能媒体。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762485314P | 2017-04-13 | 2017-04-13 | |
US62/485,314 | 2017-04-13 | ||
US15/820,316 | 2017-11-21 | ||
US15/820,316 US11373105B2 (en) | 2017-04-13 | 2017-11-21 | Autonomous artificially intelligent system to predict pipe leaks |
PCT/US2018/025661 WO2018191048A1 (en) | 2017-04-13 | 2018-04-02 | System to predict pipe leaks |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020517004A true JP2020517004A (ja) | 2020-06-11 |
JP2020517004A5 JP2020517004A5 (ja) | 2021-01-07 |
JP7043512B2 JP7043512B2 (ja) | 2022-03-29 |
Family
ID=63790142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019554997A Active JP7043512B2 (ja) | 2017-04-13 | 2018-04-02 | パイプ漏れを予測する新規な自律的人工知能システム |
Country Status (5)
Country | Link |
---|---|
US (2) | US11373105B2 (ja) |
EP (1) | EP3612994A1 (ja) |
JP (1) | JP7043512B2 (ja) |
CN (2) | CN110383308B (ja) |
WO (1) | WO2018191048A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220025342A (ko) * | 2020-08-24 | 2022-03-03 | 강원대학교산학협력단 | 로지스틱 회귀를 이용한 아크신호 검출방법 |
JP7461312B2 (ja) | 2021-02-02 | 2024-04-03 | 株式会社日立製作所 | 管路事故リスク評価装置および管路事故リスク評価方法 |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9614963B2 (en) | 2014-03-26 | 2017-04-04 | Rockwell Automation Technologies, Inc. | Cloud-based global alarm annunciation system for industrial systems |
US9838476B2 (en) | 2014-03-26 | 2017-12-05 | Rockwell Automation Technologies, Inc. | On-premise data collection and ingestion using industrial cloud agents |
US10764255B2 (en) | 2016-09-21 | 2020-09-01 | Rockwell Automation Technologies, Inc. | Secure command execution from a cloud monitoring system to a remote cloud agent |
US11327473B2 (en) | 2017-07-11 | 2022-05-10 | Rockwell Automation Technologies, Inc. | Dynamically reconfigurable data collection agent for fracking pump asset |
US10482063B2 (en) | 2017-08-14 | 2019-11-19 | Rockwell Automation Technologies, Inc. | Modular control manifest generator for cloud automation |
US10416660B2 (en) | 2017-08-31 | 2019-09-17 | Rockwell Automation Technologies, Inc. | Discrete manufacturing hybrid cloud solution architecture |
US10558198B2 (en) * | 2017-09-01 | 2020-02-11 | Mueller International, Llc | Onsite mobile manufacturing platform |
WO2019084151A1 (en) * | 2017-10-24 | 2019-05-02 | Baker Hughes, A Ge Company, Llc | CONSULTING SYSTEM FOR INDUSTRIAL SITES |
NO347328B1 (en) * | 2018-01-09 | 2023-09-18 | Landmark Graphics Corp | Determining gas leak flow rate in a wellbore environment |
US10876919B2 (en) * | 2018-04-30 | 2020-12-29 | International Business Machines Corporation | In-pipeline optical interference-based cognitive system for leak and defect detection |
EP3987401A4 (en) * | 2018-10-19 | 2023-10-11 | Prasanna, G N Srinivasa | GANAKA: COMPUTER WORKING WITH MODELS |
EP3671201B1 (en) * | 2018-12-20 | 2022-12-14 | Suez International | An improved method for evaluating pipe condition |
US11057409B1 (en) * | 2019-01-16 | 2021-07-06 | Akitra, Inc. | Apparatus having engine using artificial intelligence for detecting anomalies in a computer network |
EP3935581A4 (en) | 2019-03-04 | 2022-11-30 | Iocurrents, Inc. | DATA COMPRESSION AND COMMUNICATION USING MACHINE LEARNING |
CN110119891B (zh) * | 2019-04-28 | 2022-12-16 | 华南理工大学 | 一种适于大数据的交通安全影响因素辨识方法 |
KR102036649B1 (ko) * | 2019-06-17 | 2019-10-25 | 주식회사 에스씨솔루션 | 누수관리 시스템 및 이를 이용한 누수위치 예측 방법 |
CN111784023A (zh) * | 2019-08-08 | 2020-10-16 | 沈阳工业大学 | 一种短时邻近雾能见度预测方法 |
CN111506618B (zh) * | 2019-12-11 | 2023-09-01 | 国网重庆市电力公司北碚供电分公司 | 一种结合lightgbm-stacking算法的异常用电行为分析方法 |
CN113063100A (zh) * | 2019-12-30 | 2021-07-02 | 北京国双科技有限公司 | 管道泄漏的检测方法及装置 |
US20230221208A1 (en) * | 2020-04-17 | 2023-07-13 | Siemens Advanta Solutions Corp. | Systems and methods for detecting and predicting a leak in a pipe system |
US11377945B2 (en) | 2020-04-29 | 2022-07-05 | Saudi Arabian Oil Company | Method for automated crack detection and analysis using ultrasound images |
US11852563B2 (en) | 2020-06-30 | 2023-12-26 | Wayne Fueling Systems Llc | Fuel leak determination via predictive modeling |
US11518671B2 (en) | 2020-06-30 | 2022-12-06 | Wayne Fueling Systems Llc | Real-time determination of meter drift via loss qualification and quantification |
US11912561B2 (en) | 2020-12-23 | 2024-02-27 | Wayne Fueling Systems Llc | Preventive maintenance of fuel dispensers through inventory reconciliation and identification of meter drift |
CN113592058B (zh) * | 2021-07-05 | 2024-03-12 | 西安邮电大学 | 一种定量预测微博转发广度与深度的方法 |
CN113239112B (zh) * | 2021-07-12 | 2021-09-07 | 广州思迈特软件有限公司 | 基于gis系统的第三产业增长量可视化方法及装置 |
CN113781513B (zh) * | 2021-08-19 | 2023-11-28 | 广东能源集团科学技术研究院有限公司 | 一种电厂供水管道泄漏检测方法及系统 |
CN113987227B (zh) * | 2021-09-17 | 2023-03-14 | 上海燃气有限公司 | 一种计算燃气泄露干涉范围方法、装置和电子设备 |
US20230214682A1 (en) * | 2022-01-04 | 2023-07-06 | Miqrotech, Inc. | System, apparatus, and method for making a prediction regarding a passage system |
WO2023135587A1 (en) * | 2022-01-17 | 2023-07-20 | The University Of Bristol | Anti-leak system and methods |
CN114266208B (zh) * | 2022-03-03 | 2022-05-24 | 蘑菇物联技术(深圳)有限公司 | 用于实现管道压降的动态预测的方法、设备、介质和系统 |
CN114866608B (zh) * | 2022-07-07 | 2022-09-30 | 广东青藤环境科技有限公司 | 智慧水务数据处理平台 |
CN115907236B (zh) * | 2023-02-17 | 2023-11-03 | 西南石油大学 | 基于改进决策树的井下复杂情况预测方法 |
CN117195664B (zh) * | 2023-11-07 | 2024-01-12 | 北京市科学技术研究院 | 一种地下管线监测预警方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011198267A (ja) * | 2010-03-23 | 2011-10-06 | Osaka Gas Co Ltd | 導管網の故障原因予測システム |
JP2012014619A (ja) * | 2010-07-05 | 2012-01-19 | Hitachi Ltd | 計算機システム及びリスク診断方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008992A (zh) * | 2006-12-30 | 2007-08-01 | 北京市劳动保护科学研究所 | 基于人工神经网络的管道泄漏的检测方法 |
CN101539241B (zh) * | 2009-05-07 | 2012-07-04 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
US10649424B2 (en) * | 2013-03-04 | 2020-05-12 | Fisher-Rosemount Systems, Inc. | Distributed industrial performance monitoring and analytics |
CN103226741B (zh) * | 2013-05-10 | 2016-04-06 | 天津大学 | 城市供水管网爆管预测方法 |
US9579700B2 (en) * | 2014-05-30 | 2017-02-28 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
CN104063588B (zh) * | 2014-06-12 | 2017-03-22 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法 |
CN104061445B (zh) * | 2014-07-09 | 2017-07-28 | 中国石油大学(华东) | 一种基于神经网络的管道泄漏检测方法 |
EP3112959B1 (en) * | 2015-06-29 | 2021-12-22 | SUEZ Groupe | Method for detecting anomalies in a water distribution system |
US10275402B2 (en) * | 2015-09-15 | 2019-04-30 | General Electric Company | Systems and methods to provide pipeline damage alerts |
US9558453B1 (en) * | 2015-12-21 | 2017-01-31 | International Business Machines Corporation | Forecasting leaks in pipeline network |
CN105546361A (zh) * | 2016-03-08 | 2016-05-04 | 钱昊铖 | 基于ann的音波法输气管道泄漏监测方法 |
CN105678481B (zh) * | 2016-03-25 | 2019-02-22 | 清华大学 | 一种基于随机森林模型的管线健康状态评估方法 |
CN106022518B (zh) * | 2016-05-17 | 2019-10-18 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
CN106352244A (zh) * | 2016-08-31 | 2017-01-25 | 中国石油化工股份有限公司 | 一种基于分层神经网络的管道泄漏检测方法 |
-
2017
- 2017-11-21 US US15/820,316 patent/US11373105B2/en active Active
-
2018
- 2018-04-02 WO PCT/US2018/025661 patent/WO2018191048A1/en unknown
- 2018-04-02 JP JP2019554997A patent/JP7043512B2/ja active Active
- 2018-04-02 CN CN201880016607.5A patent/CN110383308B/zh active Active
- 2018-04-02 CN CN202311741030.3A patent/CN117648997A/zh active Pending
- 2018-04-02 EP EP18720076.1A patent/EP3612994A1/en not_active Ceased
-
2022
- 2022-05-13 US US17/744,167 patent/US20220277207A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011198267A (ja) * | 2010-03-23 | 2011-10-06 | Osaka Gas Co Ltd | 導管網の故障原因予測システム |
JP2012014619A (ja) * | 2010-07-05 | 2012-01-19 | Hitachi Ltd | 計算機システム及びリスク診断方法 |
Non-Patent Citations (8)
Title |
---|
BRETT LANTZ, Rによる機械学習, JPN6021047789, 2 March 2017 (2017-03-02), pages 18 - 21, ISSN: 0004657161 * |
MOHAMMAD BURHAN ABDULLA ET AL.: "Pipeline leak detection using artificial neuralnetwork: Experimental study", 2013 5TH INTERNATIONALCONFERENCE ON MODELLING, IDENTIFICATION AND CONTROL (ICMIC), JPN6021047796, 2 September 2013 (2013-09-02), pages 328 - 332, ISSN: 0004657157 * |
MOHAMMED S. EL ABBASY ET AL.: "Artificial neural network models for predicting condition of offshore oil and gas pipelines", AUTOMATION IN CONSTRUCTION 45, JPN6021047793, 2014, pages 50 - 65, XP055482568, ISSN: 0004657159, DOI: 10.1016/j.autcon.2014.05.003 * |
R.B. SANTOS ET AL.: "Real-Time Monitoring of Gas Pipeline through Artificial Neural Networks", 2013 BRICS CONGRESS ON COMPUTATIONALINTELLIGENCE AND 11TH BRAZILIAN CONGRESS ON COMPUTATIONAL INTELL, JPN6021047794, 2013, pages 329 - 334, XP032619738, ISSN: 0004657158, DOI: 10.1109/BRICS-CCI-CBIC.2013.62 * |
RUI WANG ET AL.: "Pipe Failure Prediction: A Data Mining Method", ICDE CONFERENCE 2013, JPN6021047792, 2013, pages 1208 - 1218, XP032430950, ISSN: 0004657160, DOI: 10.1109/ICDE.2013.6544910 * |
下田 倫大, 詳解 APACHE SPARK 初版, JPN6021047786, 1 June 2016 (2016-06-01), pages 206 - 211, ISSN: 0004657164 * |
叶賀 卓 外1名: "単極脳波信号を用いたトランプゲーム中の子どもの喜怒哀楽予測モデル構築", 電気学会研究会資料, JPN6021047787, 1 September 2014 (2014-09-01), pages 117 - 120, ISSN: 0004657163 * |
辺 松 外3名: "機械学習による経年劣化タイミング解析手法", 情報処理学会 シンポジウム DAシンポジウム 2016, JPN6021047788, 7 September 2016 (2016-09-07), pages 44 - 49, ISSN: 0004657162 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220025342A (ko) * | 2020-08-24 | 2022-03-03 | 강원대학교산학협력단 | 로지스틱 회귀를 이용한 아크신호 검출방법 |
KR102386782B1 (ko) | 2020-08-24 | 2022-04-14 | 강원대학교산학협력단 | 로지스틱 회귀를 이용한 아크신호 검출방법 |
JP7461312B2 (ja) | 2021-02-02 | 2024-04-03 | 株式会社日立製作所 | 管路事故リスク評価装置および管路事故リスク評価方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018191048A9 (en) | 2019-08-29 |
WO2018191048A1 (en) | 2018-10-18 |
US11373105B2 (en) | 2022-06-28 |
JP7043512B2 (ja) | 2022-03-29 |
CN110383308A (zh) | 2019-10-25 |
US20180300639A1 (en) | 2018-10-18 |
CN117648997A (zh) | 2024-03-05 |
CN110383308B (zh) | 2023-12-26 |
US20220277207A1 (en) | 2022-09-01 |
EP3612994A1 (en) | 2020-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220277207A1 (en) | Novel autonomous artificially intelligent system to predict pipe leaks | |
JP7465939B2 (ja) | 電力不正使用検出のための新しい非パラメトリック統計的挙動識別エコシステム | |
US11562304B2 (en) | Preventative diagnosis prediction and solution determination of future event using internet of things and artificial intelligence | |
US20210081720A1 (en) | Techniques for the automated customization and deployment of a machine learning application | |
US11870704B2 (en) | Instant notification of load balance and resource scheduling based on resource capacities and event recognition | |
US11915195B2 (en) | Systems and methods for intelligent field matching and anomaly detection | |
US11238409B2 (en) | Techniques for extraction and valuation of proficiencies for gap detection and remediation | |
US20210073915A1 (en) | Event-driven natural catastrophe modeling and model refinement for insurance and risk management | |
US20220171991A1 (en) | Generating views for bias metrics and feature attribution captured in machine learning pipelines | |
US20220172004A1 (en) | Monitoring bias metrics and feature attribution for trained machine learning models | |
US20220172101A1 (en) | Capturing feature attribution in machine learning pipelines | |
CN115760013A (zh) | 运维模型的构建方法、装置、电子设备及存储介质 | |
WO2022115402A1 (en) | Staged bias measurements in machine learning pipelines | |
US11847912B1 (en) | Systems and methods for generating traffic work zones | |
US20230342694A1 (en) | System and method for providing resilient enterprise operation and management | |
US20240119364A1 (en) | Automatically generating and implementing machine learning model pipelines | |
US20220172099A1 (en) | Staged bias measurements in machine learning pipelines | |
US20230267019A1 (en) | Perceptive scaling of computing resources | |
CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
CN116932269A (zh) | 故障处理方法、装置、电子设备和计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201119 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201119 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220204 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220222 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220316 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7043512 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |