Using Evolutionary Optimization Techniques for Scheduling Water Pipe Renewal Considering a Short Planning Horizon
Notice bibliographique
Résumé
Abstract: The maintenance and management of underground infrastructures is a growing problem for a majority of municipalities. The maintenance costs are increasing while the financial resources of municipalities remain limited. Water distribution system (WDS) managers therefore need tools to assist them in the elaboration of pipe renewal management plans. In this article, results of a newly developed strategy for pipe renewal based on a cost function are presented. The strategy allows the minimization of a cost function while also considering hydraulic criterion. This strategy was tested on a short planning horizon of five years. The pipe number to be replaced and the optimal moment for renewal are identified using three different optimization techniques: IGA (Island Genetic Algorithm), NPGA-2 (Niched Pareto Genetic Algorithm 2), and NSGA-II (Non-dominated Sorting Genetic Algorithm-II). The proposed approach has five distinctive features: (1) it is coupled with a flexible evolutionary framework that allows the user to select any type of operator for IGA or any kind of multiobjective genetic algorithm; (2) it uses the hydraulic simulator Epanet2.0 which allows steady state or dynamic simulations; (3) it considers a probabilistic break model to evaluate the structural deterioration of pipes; (4) it integrates a Bayesian approach for the estimation of the pipe break model parameters that take into account the influence of inherent uncertainties related to the quality of data during the decision-making process; and (5) it simulates the variation of the pipe's roughness over the years. The developed strategy/model is explained using an example that allows us to elucidate its most important components. Simulation experiments on a small network (100 pipes) are presented. A comparison of three evolutionary algorithm results is provided. Tests showed that IGA performs well, but for networks of larger sizes, we recommend increasing the number of demes to reach better solutions. Higher quality results were achieved with NSGA-II than NPGA-2 on differently sized networks. We recommend the use the NSGA-II to optimize large WDS. Future developments for this strategy are also discussed.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».