Towards Optimum Condition Assessment Policies for Water and Sewer Networks
Notice bibliographique
Résumé
With ageing water and sewer infrastructure in North America, assessing the condition of these assets has received increased attention in the past few years. Condition assessment is an integral component in any asset management program. Determining the condition of buried infrastructure tends to be more cumbersome, costly and error-prone compared to other surface infrastructure like roads and buildings. For sewers, CCTV is considered the industry standard for condition assessment technologies. For pressurized water pipelines, technologies tend to be more costly and uncertain (e.g. electromagnetic, sonar, acoustic leak detection, infrared etc...). Faced with constrained budgets and the need to obtain reliable condition information to drive their asset management processes, infrastructure owners must balance the value of information obtained through condition assessments with the cost of obtaining this information. This paper presents an analytical framework and decision support system to evaluate the value of information for condition assessments of water and sewer infrastructure. The framework considers: 1) risks associated with operating the asset, 2) potential direct and indirect costs of infrastructure failure, and 3) customer expectations for the system's level of service. The decision support system utilizes Partially Observable Markov Decision Process (POMDP) to compare between the reliability and cost of the condition assessment technology. The system is demonstrated on the water and sewer networks for the City of Hamilton, Canada.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».