An Integrated Data-Driven Failure Prediction and Risk Management Approach for Water Mains
Notice bibliographique
Résumé
Water distribution networks (WDNs) play a vital role in reliably delivering clean potable water to the society. The deterioration of water infrastructures that have drastically increased throughout the major urban centers has caused increasing water-main (WM) failures with severe consequences such as disruption of services and revenue losses. Effective management of WMs is essential. This involves repairing the WMs and implementing strategies to minimize water loss. Models should be used to predict breaks ahead of their occurrences and to plan rehabilitation. The use of these models would promote sustainable infrastructures and save costs. This research integrates the probability of failure (POF) derived from a random forest failure prediction model (predictive analytics) with a risk management strategy (prescriptive analytics) in a cold region in Canada. To investigate the effect of environmental factors, freezing index was considered and found to be among the top three most important attributes. In the proposed predictive analytics process Principal Component Analysis (PCA) was implemented for data reduction. Clustering is applied to avoid under/overestimating WM failure prediction and find the most similar cohorts. The results outlined that clustering considerably improved the prediction and risk-analysis outcomes. Finally, with the proposed risk management strategy, results showed that 3.68% of the network's total length is at high risk, and needs immediate action for fixing; however, it is only 0.07 to 1.02% of the network's total length when clustering was performed. Therefore, there was a 67–80% improvement in having WMs with high-rating risk compared to when no clustering was performed.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».