Les Taux de Rupture de Conduites D’eau aux États-Unis et au Canada : une Étude Complète
Bibliographic record
Abstract
La prospérité économique des villes modernes est basée sur un réseau d’infrastructures complexe à la fois en surface et sous la terre. Un élément essentiel pour la santé publique et le bien-être économique est notre eau potable, qui est acheminée jusqu’à notre robinet à travers un réseau complexe de conduites de distribution d’eau souterraines. Étant donné que la plus grande partie de cette infrastructure se trouve sous terre, elle est hors de vue et souvent négligée. Disposer de données empiriques sur des ruptures de conduites d’eau aide les services publics avec leurs processus de prises de décision quant aux réparations et remplacements, afin de continuer à fournir de l’eau potable à leurs clients à un prix abordable. Le présent rapport documente les résultats de l’enquête menée auprès de services publics situés aux ÉtatsUnis et au Canada, sur les ruptures de conduites d’eau et leurs caractéristiques d’exploitation. Une enquête similaire avait été menée par l’Université d’État de l’Utah il y a environ six ans, et publiée en 2012 (Folkman, 2012). Ce rapport de 2018 fait référence à l’étude précédente dans le but de comparer et d’examiner les changements au fil du temps et de discuter de l’importance de disposer de données sur les ruptures de conduites d’eau dans le contexte de la planification de la gestion des infrastructures de distribution d’eau.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.014 |
| Science and technology studies | 0.009 | 0.003 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".