Modeling Pipe Deterioration using Soil Properties - An Application of Fuzzy Logic Expert System
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
Several factors may contribute to the structural failure of cast/ductile iron water mains, the most important of which is considered to be corrosion. The ANSI/AWWA C105/A21.5-99 10-point scoring (10-P) method is the most common method used to predict soil corrosivity potential, which is based on soil properties. For a given soil sample, each soil property is evaluated for its contribution towards the corrosivity of soil. The 10-P method uses binary logic to classify the soil, either as corrosive or non-corrosive. Fuzzy logic extends the binary logic in this context as it recognizes the real world phenomena in which each property has certain degree of membership between 0 and 1. The main objective of the present research is to develop a fuzzy logic expert system capable of establishing a criterion (such as corrosion rate or breakage rate) for predicting the deterioration of cast/ductile iron water mains using soil properties. The proposed expert system includes a fuzzy model consisting of a series of IF-THEN rules to determine soil corrosivity potential (CoP) based on soil properties. The fuzzy model contains the data of linguistic variables (database) characterizing various soil properties, and a rule base that constructs relationships among those properties and CoP. Subsequently, the expert system uses a linear regression model to link CoP to the deterioration rate of metallic pipes. A case study on cast iron pipes is examined to illustrate the application of the proposed expert system.
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 | 0,000 | 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 découle