Risk-Based Prioritization of Water Main Replacements under Climate Change Scenarios
Notice bibliographique
Résumé
Ensuring the resilience of water distribution networks is essential for sustainable urban development, particularly in the face of climate change and aging infrastructure.However, many parts of these systems in North America have exceeded their expected service life, leading to an increasing frequency of failures.This study presents a comprehensive risk-based framework for prioritizing water main replacements by integrating machine learning-based probability of failure (PoF) assessments with consequence of failure (CoF) evaluations.The methodology leverages historical failure records, environmental conditions, and climate projections under three Shared Socioeconomic Pathway (SSP) scenarios.The City of Waterloo, Ontario, serves as a case study, providing real-world validation of the proposed approach.To estimate PoF, four machine learning models-Random Forest, k-Nearest Neighbors, Artificial Neural Networks, and Light Gradient Boosting Machine-were tested, with LightGBM demonstrating the highest F1-score.The CoF assessment incorporates economic, social, and environmental dimensions, ensuring a holistic evaluation of failure consequences.Results indicate that climate change significantly influences failure risk, with extreme temperature fluctuations accelerating pipeline deterioration.Warmer climate scenarios (SSP2 and SSP5) lead to a greater proportion of high-risk water mains, necessitating proactive infrastructure management strategies.By integrating advanced predictive modeling with a comprehensive risk assessment approach, this study provides municipalities with a data-driven decision-making tool for infrastructure renewal.The findings highlight the importance of climate-adaptive planning to enhance the resilience and sustainability of water distribution networks amid evolving environmental challenges.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».