常見問題
技術與運作原理
Hyele 以機器學習辨識特徵，區分正常需求／維護活動與漏水或爆管訊號，並可結合已知維修事件以降低誤報。
先以機器學習作粗定位，再用時間反演法與現場量測作精細定位。
時間反演可主動激發並定位現有漏水；單靠機器學習通常需歷史數據支撐回溯判讀。
可用臨時側排裝置或受控消防栓操作，於短資料窗口內安全產生暫態波。
不是。設備屬臨時使用，完成評估或精定位後會移除。
感測器與部署
預設為壓阻式壓力感測器，亦可兼容加速度計或流量感測器。
視解析度與可達性而定，一般建議每隔數百米部署。
透過 4G（SIM）上傳壓力-時間戳資料，並以 GPS 同步。
每個 DMA 至少兩個感測點，之後按需求提高密度。
準確度與效能
取決於系統噪聲與訊噪比；會先量測系統動態再回報最小可檢出值。
在完全受壓狀態下影響有限；未知閥位、空氣或阻塞會被識別，資料越完整越準確。
實施與建模
會。團隊會先建立水力／暫態模型，並與客戶核對管網資料提升準確度。
試點項目與評估
可比較模擬／實測漏水的檢出率與定位精度，並與既有方法對照。
案例與經驗
可分享香港案例簡報與影片，並提供廣州及非洲、烏干達探索案例資訊。