Criticality Model to Prioritize Pipeline Rehabilitation Decisions
Notice bibliographique
Résumé
Sewer networks are comprised of a huge maze of underground pipelines. They are designed and laid to transfer sewage medium to treatment plants or disposal areas. However, their conditions are subject to deterioration owing to ageing. The American Society of Civil Engineers claimed that the sewer infrastructure grade is D+. Inspection, assessment, and effective decisions are required to enhance their performance through their service life. There are several inspection methods and assessment models that can evaluate the condition of the pipelines. When evaluating the global network, the city or municipality will end up having thousands of pipeline conditions. Therefore, they confront obstacles in deciding which pipelines to tackle first. The objective of this study is to design a criticality model that is based on multiple factors that could affect the criticality of one pipeline to another. The study evaluates the weights for the environmental, economic, and public factors as well as their subfactors by using the analytic network process (ANP). The results concluded that the most important factor is the economic factor. The criticality model is implemented on an actual case study brought from the city of Edmonton, Canada. Based on the results, 20% of the pipelines are of low criticality; 70% are of medium criticality; and 10% are of high criticality. This study is expected to enhance the prioritization of the pipelines in the network for efficient future decisions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».