Investigating Sewer Corrosion Drivers Using Quantitative Modeling
Notice bibliographique
Résumé
The corrosion of concrete sewers presents a serious challenge to urban infrastructure, threatening the structural integrity and operational efficiency of wastewater systems worldwide.Corrosion occurs through chemical and biological reactions, where the formation of sulfuric acid due to microbial activity leads to progressive deterioration of concrete surfaces, ultimately weakening the material and accelerating failure.This degradation increases maintenance costs, shortens infrastructure lifespan, and poses risks to public health and environmental safety.Despite extensive research on sewer corrosion, most studies focus on individual factors rather than conducting a comprehensive assessment of all contributing factors.This study addresses this gap by systematically identifying and evaluating the most influential factors driving sewer corrosion.A multi-step methodology was employed, including a literature review to identify key sewer corrosion drivers (SCDs), an expert survey targeting professionals in infrastructure and environmental engineering, and a statistical analysis of the collected data.The findings were further validated using Partial Least Squares Structural Equation Modeling (PLS-SEM) to establish relationships between these factors.The results indicate that environmental drivers (ED) exert the strongest influence on sewer corrosion, followed by operational drivers (OD) and, finally, pipe-related drivers (PRD).These findings offer practical implications for infrastructure engineers, policymakers, and wastewater management agencies by guiding preventive maintenance strategies, optimizing material selection, and improving sewer system design.By implementing these insights, municipalities can enhance the resilience of wastewater infrastructure, minimize unexpected failures, and promote sustainable urban development.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».