Notice bibliographique
Résumé
Evaluating the condition state of infrastructure assets is one of the most integral pieces of information to the asset manager. Water infrastructure poses specific challenges compared to sewer infrastructure where techniques like CCTV are now being consistently used to assess condition. The number of water main breaks is commonly used as a proxy for water main condition. Statistical water main performance models rely on using past breakage patterns and rates to predict future performance of the water main network. Performance models can be broadly classified into two groups. Rate-of-failure models attempt to extrapolate the breakage rate for a particular cohort of pipes and do not differentiate between the times between successive failures. Examples of statistical modeling approaches for these models include the Non-Homogeneous Poisson Process and the Multi-Variant Exponential (MVE) model. On the other hand, Transition-State (TS) models attempt to model the time between successive failures for pipes. Examples of these models include the Proportional Hazards Model and the Transition State - Life Regression Model. This paper presents a comparison and analysis of rate-of-failure models and transition-state models using a single data set for cast and ductile iron pipes in the City of Hamilton, Canada. The paper makes comparisons between the models' ability to support breakage forecasting, long-term strategic planning and short-term tactical planning. The paper also analyzes the data needs of each model and the impact of data inaccuracies (that are common in water main databases) on the predictive accuracy of each model.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».