Development of the new machine-learning approach in pipeline condition assessment prediction and optimizing rehabilitation strategies
Notice bibliographique
Résumé
Purpose This paper aims to outlines a model for water main rehabilitation in Kitchener, Ontario, using a machine-learning approach. Water main networks are vital infrastructure, requiring regular condition assessments to ensure consistent service. Budgets are often allocated for nondestructive testing methods, but using machine learning to predict network conditions offers cost benefits. Design/methodology/approach The study focuses on a prediction approach that includes the rehabilitation requirement model. The Decision Tree machine learning method was applied to predict water main pipe breaks in 2024. Based on the predictions, 24 pipes were identified for rehabilitation, and the appropriate Trenchless Rehabilitation Method was selected accordingly. Findings The model, applied to data from Kitchener, successfully predicted 24 water main pipe breaks for 2024. The largest pipe diameter was 1200 mm, and the longest length was 6977 m. A cost comparison, factoring in Environmental and Social (E&S) costs, showed that open-cut methods were 25% more expensive than Cured-in-Place Pipe (CIPP). When E&S costs were included, the total cost of the open-cut method increased by approximately 300% compared to sliplining. Originality/value Based on the pipe characteristics, CIPP lining and sliplining are recommended for rehabilitation by the City of Kitchener. This study presents a novel approach using Decision Tree machine learning techniques to predict pipe breaks, with a 97% prediction accuracy, making it a promising alternative to traditional models.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».