WAM-ONTO: A semantic framework for water infrastructure asset management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Water treatment plants face growing challenges in managing complex infrastructure assets due to fragmented data systems and poor interoperability between design and operational tools. Traditional workflows require manual re-entry of Building Information Modeling (BIM) data into asset management platforms, leading to inefficiencies and information loss. This paper introduces WAM-ONTO, a semantic framework designed to enhance water infrastructure asset management by leveraging building information modeling, ontologies, and rule-based reasoning. WAM-ONTO integrates the Industry Foundation Classes (IFC4) standard with Web Ontology Language (OWL2) to formally represent asset types, lifecycle properties, and spatial-functional relationships. The framework comprises 996 ontology classes structured into twelve domain-specific categories, enriched with 61 object properties and 89 data properties. Semantic reasoning is implemented using SWRL rules and SPARQL queries, enabling automated classification, risk profiling, and maintenance prioritization. The framework was validated through expert interviews with fourteen domain specialists, consistency checks using multiple reasoners, and performance tests demonstrating 94.2% domain coverage and 91% automated classification accuracy on real-world facility data. Expert validation achieved 96% consensus on practical utility and industry alignment. A Clean-in-Place system case study demonstrates WAM-ONTO’s ability to preserve design knowledge during BIM-to-operations transitions while enabling real-time decision support for maintenance planning and risk assessment.
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.
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 découle