Management of failure risk in large-diameter buried pipes using fuzzy-based techniques
Notice bibliographique
Résumé
Effective management of failure risk of large-diameter water mains requires knowledge of their current condition, their rate of deterioration, the expected consequences of failure and the owner's risk tolerance. By far the greatest obstacle to formulating an effective strategy is the lack of sufficient historical data on the deterioration of these buried pipes. The National Research Council of Canada (NRC), with the support of the American Water Works Association Research Foundation (AwwaRF) is developing a new approach, which is largely based on fuzzy-based techniques. Fuzzy-based techniques seem to be particularly suited to modeling the deterioration of buried infrastructure assets, for which data are scarce, cause-effect knowledge is imprecise and observations and criteria are often expressed in vague (linguistic) terms (e.g., 'good', 'fair' 'poor' condition, etc.). The use of fuzzy sets and fuzzy-based techniques helps to incorporate the inherent imprecision, uncertainty and subjectivity of available data, as well as to propagate these attributes throughout the model, yielding more realistic results. Earlier publications, reporting on the same research effort, introduced two new concepts: (a) modeling the deterioration of a buried pipe as a fuzzy Markov process, and (b) combining the possibility of failure with the fuzzy consequences to obtain fuzzy risk of failure throughout the life of the pipe. In this paper a method is presented to use the fuzzy deterioration model and the fuzzy risk for the effective management of failure risk. These decisions include when to renew a deteriorated pipe, or alternatively, when to schedule the next inspection and condition assessment, and if renewal is required, what renewal alternative should be selected.
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 ».