Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Läckage detektering med artificiellt neuralt nätverk i ett vattendistributionsnät
KTH, School of Engineering Sciences (SCI).
2019 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Leakage Detection With Artificial Neural Network in a Water Distribution Network (English)
Abstract [sv]

Tidig läckagedetektion är ett sätt att göra vattendistributionsnät effektivare och hållbart. Målet med detta projekt är att undersöka möjligheten att upptäcka läckage i vattenfördelningsnät med hjälp av artificiellt neuralt nätverk. Projektet bygger på reala data som samlats in från Vattendistributionsnätet i Stockholm och fokuserar på hur man presenterar förutsägelsen från neuralt nätverk på ett intellektuellt sätt genom att implementera och analysera behovet av ett tidsfilter. Studien visar att det kan vara möjligt att upptäcka läckage i ett vattendistributionsnät med en binär noggrannhet på 87%. En förbättring till 98% uppnåddes genom att implementera ett tidsfilter.

Abstract [en]

Early leakage detection is one way to make water distribution networks more efficient and sustainable. The goal of this project is to investigate the possibility to detect leakages in water distribution networks with the help of artificial neural networks. The project is based on real data collected from Stockholm water distribution network and is focusing on how to present the prediction from neural networks in an intellectual manner, by implementing and analyzing the need of a time filter. The study shows that it might be possible to detect leakages in a water distribution network with a binary accuracy of 87\%. An improvement to 98\% was achieved by implementing a time filter.

Place, publisher, year, edition, pages
2019.
Series
TRITA-SCI-GRU ; 2019:232
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-255710OAI: oai:DiVA.org:kth-255710DiVA, id: diva2:1341400
Supervisors
Examiners
Available from: 2019-08-08 Created: 2019-08-08 Last updated: 2019-08-08Bibliographically approved

Open Access in DiVA

fulltext(1017 kB)12 downloads
File information
File name FULLTEXT01.pdfFile size 1017 kBChecksum SHA-512
861365109d71f494f7a4de26da26c8357d7d3f105794431ad81d62cbb8b6f39f2231820f3f804ef6e9ee814aa0a32459b2fa72ae78dae91fd7cbc42267d67b0c
Type fulltextMimetype application/pdf

By organisation
School of Engineering Sciences (SCI)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 12 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 26 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf