Structural Condition Assessment of Sewer Pipelines
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
The need of immediate supportive measures for sustainability of municipal infrastructures calls for better understanding of the behavior of various infrastructure network systems and their components. This paper presents a study which uses artificial neural networks to investigate the importance and influence of certain characteristics of sewer pipes upon their structural performance, expressed in terms of condition rating. In this study, back propagation and probabilistic neural network (NN) models were developed and validated. The data used in the development of these models were provided by the municipality of Pierrefonds, Quebec. It comprised of parameters related to sewer pipelines, pipe diameter, buried depth/cover, bedding material, pipe material, pipeline length, age, and closed circuit television (CCTV) based structural condition rating. The first six parameters are the independent variables of the models whereas CCTV based condition rating for these pipes is the dependent variable (i.e., the output of the models). The developed NN models were used to rank the parameters, in order of their importance/influence on pipe condition. It was found that, among the studied parameters, material attributes have highest influence on pipe structural condition, respectively, followed by the geometric and physical attribute group. Sensitivity analysis was then performed to simulate the structural condition of a pipe at a range of values of each input parameters. Results of sensitivity analysis describe the nature and degree of the influence of each parameter on pipe structural condition. The developed models are expected to benefit academics and practitioners (municipal engineers, consultants, and contractors) to prioritize inspection and rehabilitation plans for existing sewer 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