Geoadditive Quantile Regression Model for Sewer Pipes Deterioration Using Boosting Optimization Algorithm
Notice bibliographique
Résumé
Proactive management of wastewater pipes requires the development of deterioration models that support maintenance and inspection prioritization. The complexity and the lack of understanding of the deterioration process make this task difficult. A semiparametric Bayesian geoadditive quantile regression approach is applied to estimate the deterioration of wastewater pipe from a set of covariates that are allowed to affect linearly and nonlinearly the response variable. Categorical covariates only affect linearly the response variable. In addition, geospatial information embedding the unknown and unobserved influential covariates is introduced as a surrogate covariate that capture global autocorrelations and local heterogeneities. Boosting optimization algorithm is formulated for variable selection and parameter estimation in the model. Three geoadditive quantile regression models (5%, 50% and 95%) are developed to evaluate the band of uncertainty in the prediction of the pipes scores. The proposed model is applied to the wastewater system of the city of Calgary. The results show that an optimal selection of covariates coupled with appropriate representation of the dependence between the covariates and the response increases the accuracy in the estimation of the uncertainty band of the response variable. The proposed modeling approach is useful for the prioritization of inspections and provides knowledge for future installations. In addition, decision makers will be informed of the probability of occurrence of extreme deterioration events when the identified causal factors, in the 5% and 95% quantiles, are observed on the field.
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 ».