Framework for Modeling On-Site Productivity of Preventive Maintenance Activities for Wastewater Collection Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Preventive maintenance of drainage networks is an essential component of urban infrastructure management. Large cities require significant budgetary and other resources to perform the necessary prescheduled cleaning and flushing activities at various locations around the city at regular intervals. However, planning and scheduling of these activities can be challenging because of the wide variation of actual on-site flushing duration, which depends on a number of factors such as location, properties of the pipes, frequency of flushing, time of day, and season. This study develops a model for estimating the on-site duration of high pressure flushing (HPF), based on such predictor variables. The model is developed and validated using historical data from the City of Edmonton, where 5,500 km of network is maintained through more than 1,400 prescheduled preventive maintenance locations for HPF. The panel data set utilized in this study is obtained by integrating several databases, one of which is the historical data collected by the global positioning system (GPS) device installed in the flushing trucks. The framework presented here first uses ordered probit analysis to estimate the probability of a number of stops to flush a given set of pipes and then forecasts the flushing duration by means of a multiple regression model. This approach is applicable for similar municipalities and can be effectively used for resource optimization, maintenance scheduling, sensitivity analysis, and performance evaluation.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle