Forecasting watermain failure using artificial neural network modelling
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
After rapid urban expansion in Ontario, post-World War II, there followed a lengthy period of time where only minimal infrastructure maintenance occurred. Now, however, most of that infrastructure is approaching the end of its predicted life expectancy, and has started failing at an unprecedented rate. The combination of low maintenance and the increasing age of water distribution infrastructure has resulted in increasing rates of pipe failures. To assign priorities for repair/replacement, artificial neural network modelling is employed. Eight independent variables are employed, namely pipe length, diameter, age, break category, soil type, pipe material, the year of Cement Mortar Lining (if implemented), and the year of Cathodic Protection (if implemented), to determine the importance of different factors influencing the pipe failure rate. The results in application to the distribution system in Etobicoke, Ontario demonstrate that ANN models have very strong predictive capabilities (R2=0.94) when compared with the multiple linear regression method (R2=0.75) to assist rehabilitation planning. Après la rapide expansion urbaine qui suivi la seconde guerre mondiale, l’Ontario connu une longue période pendant laquelle on ne porta attention qu’à l’entretien des petites infrastructures. Maintenant, la plupart des infrastructures approchent de leur fin de vie, et ont commencé à se détériorer à un rythme sans précédent. La combinaison du faible entretien et du vieillissement des infrastructures de distribution de l’eau a entraîné une augmentation des taux de bris des conduites. Pour constituer un outil d’aide à la décision, essentiel dans le choix du réseau à réhabiliter en priorité, on cartographie la prévision des défaillances du réseau de distribution d’eau à l’aide du système de modélisation des réseaux neuronaux artificiels (RNA). Cette approche a été appliquée au réseau de la ville de Etobicoke dans l’Ontario. Le modèle comporte huit variables indépendantes, notamment: longueur de la conduite, diamètre, âge, matériau, catégorie des défaillances, type de sol, plus deux facteurs de travaux de réhabilitation. Aux canalisations, on inclut l'année de mortier du ciment de revêtement (s’il a été appliqué), et l'année de la protection cathodique (si elle est appliquée). Afin de déterminer l'importance des différents facteurs qui influencent les défaillances des conduites. Les résultats obtenus pour le réseau d’eau à Etobicoke, démontrent que les modèles RNA ont de très fortes capacités de prévision (R2 = 0.94) pour faciliter les stratégies de réhabilitation, par rapport à la méthode de régression linéaire multiple (R2 = 0.75).
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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