Machine learning paradigms for deterioration modeling of water distribution infrastructures under climatic and environmental conditions
Bibliographic record
Abstract
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
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".