Application of Machine Learning Algorithms to the Prediction of Water Main Deterioration
Notice bibliographique
Résumé
Drinking water networks are among the essential infrastructure in cities worldwide. The failure of water mains jeopardizes this essential service and the safety of water users. However, across North America, the failure rate of older water mains has been increasing. The goal of this study is to compare the accuracy and applicability of machine learning algorithms to predict water main deterioration across Canadian water systems. In previous studies, different approaches were applied to only one or a few utilities. Nevertheless, it is valuable to compare results among various networks with different characteristics and levels of data collection. Accordingly, data was collected from thirteen Canadian water utilities, including Barrie, Calgary, Halifax, Kitchener, Markham, Region of Durham, Region of Waterloo, Saskatoon, St. John’s, Waterloo, Winnipeg, Victoria, and Vancouver. A variety of factors, including intrinsic, environmental, and operational, were used to develop more reliable predictions and assess the relative importance of each factor. Random forest (RF), artificial neural networks (ANN), extreme gradient boosting (XGBOOST), and logistic regression (LR) were applied to predict the probability of failure. Furthermore, RF, ANN, XGBOOST, and ElasticNet regression models were employed to predict age at first failure and the current rate of failures. Results indicated the superiority of XGBOOST over other models in predicting the probability of failure and the current rate of failure. However, for age at first failure, RF performed better. When datasets were significantly imbalanced, the application of the Synthetic Minority Oversampling Technique (SMOTE) provided more accurate predictions. Because these models provide predictions for every pipe in the network, they can be mapped to facilitate the visualization of deterioration. While models created for one utility cannot be accurately applied to other utilities, the same machine learning algorithms can be quickly and effectively adapted to multiple utilities. Overall, these models support robust and data-driven asset management decision-making.
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 | 0,001 | 0,001 |
| 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 ».