Multiattribute Utility Theory Deployment in Sewer Defects Assessment
Notice bibliographique
Résumé
Assessing the condition of sewer pipelines is a backbone process to plan for rehabilitation and maintenance work. The closed circuit-television (CCTV) method is the widely adopted method to record the inner condition of the pipelines, which is then interpreted by a practitioner. This paper presents a condition assessment framework for sewer pipelines using multiattribute utility theory (MAUT). The condition assessment model utilizes MAUT to generate several utility functions for four sewer pipeline defects: deformation, settled deposits, infiltration, and surface damage. A proposed surface damage evaluation methodology is presented to assess the surface damage defect for three different materials: reinforced concrete, vitrified clay, and ductile iron. An aggregated condition index is computed based on the relative importance weights of the studied defects and tested with several rounding types. The rounding up type produced the optimum results, and the values were compared with the Concordia Sewer Protocol (CSP) suggested methodology yielding an average difference between the two approaches of 3.33%; and a mean absolute error (MAE) of 0.33. A sensitivity analysis was then carried out to check the impact of the change of the relative importance weights on the overall index. The proposed methodology aims to provide information for asset managers about the severity of some sewer defects existing in sewer pipelines. In addition, it reinforces their plans for rehabilitation and maintenance by suggesting the existing condition of the sewer pipelines.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».