Prediction of Sewer Pipelines Using Machine Learning Techniques: A Case Study on the City of Hamilton Sewer Network
Notice bibliographique
Résumé
Several physical, environmental, and operational factors contribute to the deterioration of wastewater pipelines during their service lives. Failure of this critical infrastructure would have repercussions on the economy, society, and the environment. Assessing sewers is most commonly performed by the use of closed-circuit television (CCTV) that helps in gaining knowledge of the structural and operational state of the pipelines. Identifying pipelines to be inspected annually is considered a main step toward a successful and cost-effective CCTV program. Generally, the initial process follows a desktop risk management approach that combines the condition of sewers and its criticality that cluster pipelines in short-, medium-, and long-term inspection intervals. Predicting sewers’ conditions would help select critical sewers that are most likely to fail, where these sewers will be prioritized for CCTV inspections to discern their conditions and plan for required restorations, if needed. Accordingly, the current study employs data mining algorithms, specifically Extreme Gradient Boosting (xgboost) and logistic regression (LR), to predict each pipeline’s condition based on the Pipelines Assessment Certification Program (PACP) and Water Research Centre (WRc) ratings. The models are implemented on the city of Hamilton sewer network that consists of combined and separate systems. This study attempted to address the prevalent class imbalance in pipe inspection data sets by employing a diverse range of hyperparameters. Overall, XGBoost produced more satisfying results while still falling short of acceptable average performance. Finally, the results were imported into ArcGIS to better depict the expected sewer condition. Comparing these algorithms shows that these techniques can be further improved by utilizing additional data sets collected from various municipalities across North America.
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 ».