Assessment Model of Water Main Conditions
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
One of the greatest challenges facing municipal engineers is the condition assessment of buried infrastructure assets. It is a mandatory process to establish and employ management strategies for these assets. Condition assessment of water mains is challenging compared to other infrastructure assets because they are typically underground, operated under pressure, and mostly they are inaccessible. To assess the condition of water mains, current research considers physical, environmental, and operational factors and their effect on different types of water mains. A condition assessment model, using the analytic hierarchy process (AHP), is developed in order to set up rehabilitation priority for water mains. Various factors are incorporated in the developed model, such as physical (pipe type, size, age, breakage rate), environmental (Cathodic protection, ground water level, soil type, surface type, and road type), and operational (Hazen-Williams factor, operational pressure). Data, which are collected from municipal engineers who are experts in water system, include pair-wise comparison matrices among factors and their sub-factors. The AHP procedure is applied to these pair-wise comparison matrices in order to generate the relative weights of each factor on a scale out of 1.0. A model is developed to determine the condition of water main based on the AHP results. Each factor weight represents the relative importance of this factor among other factors that affect water main condition. Results show that pipe age has the highest relative contribution factor among others (20.95%); then pipe material (17.49%); however, the third factor is the breakage rate (13.13%). On the other hand, the least factor is type of service (2.85%). The developed model will assist municipal expertise to prioritise pipe inspection and rehabilitation planning for their existing water mains.
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