Modeling Deterioration and Managing Failure Risk of Buried Critical Infrastructure
Notice bibliographique
Résumé
The lack of sufficient historical data on the deterioration of buried critical infrastructure such as large-diameter transmission water mains and trunk sewers is an obstacle to formulating an effective strategy for managing its failure risk. These historical data are required to model rates of deterioration in order to anticipate and prevent future failures without resorting to frequent inspections that are both very costly and disruptive.At the National Research Council of Canada (NRC) we have developed a new fuzzy-based approach to model the deterioration of buried critical infrastructure using scarce data. Fuzzy synthetic evaluation is used to discern the 'condition rating' of an asset by aggregating the effects of various distress indicators observed (or estimated) during inspection. A rule-based fuzzy Markov model is used to replicate and predict the possibility of failure. The possibility of failure is combined with fuzzy failure consequences to obtain the fuzzy risk of failure throughout the life of the asset. The fuzzy risk model can be used to plan the renewal of the asset subject to maximum risk tolerance. Additionally, renewal strategies that could include various technologies as well as various scheduling schemes can be compared on discounted costs and maximum risk, to arrive at decisions that are commensurate with the preferences of the decision maker. The concepts are demonstrated using data obtained for a prestressed concrete cylinder pipe (PCCP). Results are discussed as well as model limitations and future research needs.This paper provides a summary of the research. Technical details have been published elsewhere in refereed journals as well as conferences. The research was conducted with financial support from the American Water Works Association Research Foundation (AwwaRF) and NRC.
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 ».