$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

트리 기반 부스팅 알고리듬을 이용한 상수도관 누수 탐지 방법
Leakage Detection Method in Water Pipe using Tree-based Boosting Algorithm 원문보기

사물인터넷융복합논문지 = Journal of internet of things and convergence, v.10 no.2, 2024년, pp.17 - 23  

이재흥 (한밭대학교 컴퓨터공학과) ,  오윤성 (한밭대학교 컴퓨터공학과) ,  민준혁 (한밭대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

국내 상수도관의 파열, 결함 등으로 인한 누수율로 인한 손실이 매우 크고, 이런 누수를 예방을 위한 방지 대책이 필요한 상황이다. 본 논문에서는 진동 센서를 활용한 누수 탐지 센서를 개발하고 인공지능 기술을 활용한 최적의 누수 탐지 알고리듬을 제시하고자 한다. 상수도 배관에서 취득한 진동음은 FFT(Fast Fourier Transform)를 이용한 전처리 과정을 거친 뒤, 최적화된 트리 기반 부스팅 알고리듬을 적용하여 누수 분류를 하였다. 다양한 실증 환경에서 취득한 약 26만여 개의 실험 데이터에 적용한 결과 기존의 SVM(Support Vector Machine) 방법에 비해약 4%가 향상된 97%의 정확도를 얻었고, 연산 처리속도는 약 1,362배가 향상되어 엣지 디바이스 적용에도 적합함을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Losses in domestic water supply due to leaks are very large, such as fractures and defects in pipelines. Therefore, preventive measures to prevent water leakage are necessary. We propose the development of a leakage detection sensor utilizing vibration sensors and present an optimal leakage detectio...

주제어

#누수 탐지   #상수도관   #트리 기반 알고리듬   #주파수 스펙트럼  

표/그림 (14)

참고문헌 (15)

  1. National Water Supply Information System, National？water quantity management,？https://www.waternow.go.kr/web/ssdoData/?pMENUID8&ATTR_12011&ATTR_54 

  2. Seung-Heon Oh, Seung-hee Park, Ho-sung Kim, and？Jong-rip Kim, "Implementation of GAN-based Water？Pipeline Leakage Monitoring System," Korea Institute？of information and Communication Engineering, Vol.？27, No. 1, pp. 32-35, 2023. 

  3. Lee, Chan Wook and Yoo, Do Guen, "Development of？leakage detection model in water distribution networks？applying LSTM-based deep learning algorithm,"？Journal of Korea Water Resources Association, Vol.？54, No. 8, pp. 599-606, 2021. 

  4. Jae-Moon Hwang, Ho-Hyun Lee, Gang-Wook Shin？and Nam Kim. "Leakage Detection Prediction by？Neuro-Fuzzy and WECR in Water Distribution？Network.," Journal of Korean Institute of Intelligent Systems, Vol. 27, No. 4, pp. 349-356, 2017. 

  5. Poulakis, Z., Dimitris Valougeorgis, and Costas？Papadimitriou, "Leakage detection in water pipe？networks using a Bayesian probabilistic framework."？Probabilistic Engineering Mechanics Vol. 18, No. 4,？pp. 315-327, 2003. 

    상세보기

  6. Xiaoqin Li, Xiaomei Wu, Mingzhuang Sun, Shengqiao？Yang and Weikun Song, "A Novel Intelligent Leakage？Monitoring-Warning System for Sustainable Rural？Drinking Water Supply," Sustainability Vol. 14, No. 10, 2022. 

    상세보기

  7. Wei-Yi Chuang, Yao-Long Tsai, and Li-Hua Wang,？"Leak Detection in Water Distribution Pipes Based on？CNN with Mel Frequency Cepstral Coefficients," In？Proceedings of the 2019 3rd International Conference？on Innovation in Artificial Intelligence (ICIAI '19).？Association for Computing Machinery, New York, NY,？USA, pp. 83-86, 2019 

  8. Youngmin Seo, Kwanghyun Choi, Yuseong Lim, Byungjoon？Lee and Yunyoung Choi "Application of Machine？Learning Models for Water Pipeline Leakage Detection,"？Crisisonomy, Vol. 19 No. 4, pp. 45-54, 2023. 

    상세보기

  9. Jungyu Choi and Sungbin Im, "Leak Detection and？Classification of Water Pipeline based on SVM using？Leakage Noise Magnitude Spectrum," Journal of the？Institute of Electronics and Information Engineers,？Vol. 60, No. 2, pp. 6-14, 2023. 

  10. Thambirajah Ravichandran, Keyhan Gavahi, Kumaraswamy？Ponnambalam, Valentin Burtea and S. Jamshid Mousavi,？"Ensemble-based machine learning approach for？improved leak detection in water mains," Journal of？Hydroinformatics, Vol. 23, No. 2, pp. 307-323, 2021. 

    상세보기

  11. Quinlan, J. R. "Induction of Decision Trees," Mach？Learn, Vol. 1, pp. 81-106, 1985. 

  12. Tin Kam Ho, "Random decision forests," Proceedings？of 3rd International Conference on Document？Analysis and Recognition, Montreal, QC, Canada, Vol.？1, pp. 278-282, 1995. 

  13. Tianqi Chen, Hang Li, Qiang Yang and Yong Yu "General？Functional Matrix Factorization Using Gradient？Boosting," Proceedings of the 30th International？Conference on Machine Learning, PMLR Vol. 28, No.？1, pp. 436-444, 2013. 

  14. Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang,？Wei Chen, Weidong Ma, Qiwei Ye and Tie-Yan Liu,？"LightGBM: A Highly Efficient Gradient Boosting？Decision Tree," In Proceedings of the 31st？International Conference on Neural Information？Processing Systems (NIPS'17), Curran Associates Inc,？Red Hook, NY, USA, pp. 3149-3157, 2017. 

  15. Tianqi Chen and Carlos Guestrin, "XGBoost: A？Scalable Tree Boosting System," In Proceedings of the？22nd ACM SIGKDD International Conference on？Knowledge Discovery and Data Mining (KDD '16).？Association for Computing Machinery, New York, NY,？USA, pp. 785-794, 2016. 

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로