Using Machine Learning Techniques to Optimize Infrastructure Investment for the Water Distribution Network
Notice bibliographique
Résumé
To mitigate the disruptions caused by pipe failures, water utility managers must be able to anticipate network degradation in the short to medium term. Unfortunately, predicting this deterioration can be a highly intricate and uncertain endeavor. The main culprit for this inherent complexity is the fact that a water main wear rate depends on its physical and structural characteristics but also on environmental and operational factors. In nearly all cases, the number of possible parameter combinations makes highly vulnerable pipes extremely difficult, if not impossible, to find with a manual approach. Furthermore, many studies have shown that modeling a group of pipes, or cohorts, which share similar characteristics improves the prediction of a distribution network’s deterioration. A more computational and data-driven solution seems to represent the best way to extract this valuable information efficiently. Artificial intelligence and unsupervised learning algorithms possess the advantage to identify the pipe cohorts that are most at risk of failure and the conditions under which network failures occur from historical data. Once these vulnerable groups are identified, it allows utility managers (1) to have a better understanding of the network’s degradation over time, (2) to tailor inspection plans and replacement programs, and (3) to optimize water main investments in order to provide an improved level of service. The Region of Peel (Canada) has made investments in the past to collect good quality data for water main breaks and associated factors. And as such, the Region of Peel is faced with the increasing challenge of water main breaks and the resulting disruption to Peel residents and businesses and, in an attempt to meet council-approved service levels, the Region intends to use innovative methods to plan and optimize strategic investment in the water distribution network. Staff plans to use this predictive modeling information to plan water main inspection and replacement programs and optimize investments in the water main replacement program.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».