Machine learning paradigms for deterioration modeling of water distribution infrastructures under climatic and environmental conditions
Notice bibliographique
Résumé
La migration vers les zones urbaines atteindra 68% de la population mondiale en 2050, selon les estimations de l'ONU (Nations, 2018). Il est impératif de maintenir des réseaux de distribution d'eau durables afin d’acheminer de l'eau propre jusqu'aux consommateurs et garantir la santé publique. De plus, les réseaux de distribution d'eau sont des infrastructures indispensables. La sûreté structurelle de ces réseaux de distribution d'eau est nécessaire quant à garantir que l'eau traitée ne s'infiltre pas dans le sol. Concevoir les facteurs qui affectent les performances opérationnelles d'un système de distribution d'eau peut aider à ordonner la maintenance et à prévoir la durée de vie approximative des canalisations de sorte que leur remplacement puisse être planifié de manière appropriée. Avec l’aide d'intelligence artificielle (IA), modéliser et prédire la défaillance des conduites d'eau est devenue avantageuse ces dernières années. Les approches utilisant l’IA et l'apprentissage automatique sont des modèles prédictifs indispensables qui aident les dirigeants à développer des stratégies qui atténuent le risque de défaillance en étiquetant les tuyaux nécessitant une réparation immédiate dans un réseau de distribution d'eau. Cependant, le processus de défaillance des canalisations de distribution d'eau reste ambigu et peut se produire pour des raisons inconnues.La contribution intellectuelle de cette thèse est d’approfondir les connaissances théoriques liées aux facteurs critiques qui contribuent à la détérioration des infrastructures de distribution d'eau. Cette thèse propose également de nouveaux paradigmes d'apprentissage automatique basés sur l'apprentissage d'ensemble et l’apprentissage profond pour prédire la défaillance des canalisations de distribution d'eau dans diverses conditions environnementales et climatiques. Pour atteindre les objectifs de cette thèse, nous recueillons des données de défaillance de conduites de deux municipalités au Canada, soit la Ville de London et Sainte-Foy à Londres et Québec respectueusement. De plus, nous recueillons également des données climatiques d'Environnement et Changement climatique Canada (ECCC) pour les villes mentionnées ci-dessus.Ce travail de recherche révèle l’effet des facteurs essentiels affectant la prédiction de défaillance des conduites d'eau. Parmi ces facteurs essentiels, on note la température de l'air, l'indice de précipitation antérieur minimum et l'évaporation. Les résultats démontrent que le processus de défaillance dépend principalement des conditions climatiques de l'emplacement géographique des conduites d'eau. De plus, les résultats prouvent que les approches proposées peuvent contribuer à des connaissances approfondies même avec l’accès limitée aux tâches de formation. Les résultats démontrent également que nos approches sont flexibles aux données limitées, de grande dimension et partiellement observées. De plus, les résultats montrent que ces méthodes de prédiction peuvent compléter les modèles statistiques et basés sur l'apprentissage automatique. Enfin, les résultats valident les implémentations potentielles des modèles proposés pour la prise de décision dans les réseaux de distribution d'eau
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 | 0,000 | 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 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 ».