Palabras clave
condición estructural
modelos de clasificación y regresión
máquinas de soporte vectorial (SVM)
Cómo citar
Resumen
Objetivo: este artículo se centra en: (i) desarrollar un modelo de deterioro basado en máquinas de soporte vectorial (SVM) a partir de su enfoque regresivo para desligar la predicción de la condición estructural del alcantarillado de los grados de clasificación y predecir los puntajes dados por las fallas encontradas en las inspecciones CCTV; y (ii) comparar los resultados de predicción del modelo propuesto con aquellos resultados obtenidos de un modelo basado en SVM a partir de su enfoque de clasificación con el fin de explorar las ventajas y desventajas en sus predicciones bajo diferentes perspectivas. Materiales y métodos: el caso de estudio considerado fue la red de alcantarillado de Bogotá, el cual contaba con 5031 tuberías inspeccionadas, información de las características físicas de las tuberías e información de factores externos (p. e., edad, tipo de afluente y tipo de vía). Las funciones de densidad de probabilidad (FDP) se utilizaron para convertir los puntajes de las fallas encontradas en las inspecciones de CCTV en grados estructurales. Además, se utilizaron tres técnicas para evaluar las predicciones mediante diferentes perspectivas: tasas de verosimilitud positiva (TPR), curvas de rendimiento y análisis de desviación. Resultados: se encuentra que: (i) el modelo de deterioro basado en SVM a partir de su enfoque de regresión es apropiado para predecir condiciones estructurales críticas, ya que este modelo muestra valores de TPR alrededor de 6.8 (el valor más alto entre la predicción de todas las condiciones estructurales en ambos modelos) y 74 % de predicciones exitosas en las primeras 100 tuberías con más altas probabilidades de estar en condición crítica; y (ii) el modelo de deterioro basado en SVM a partir de su enfoque de clasificación es apropiado para predecir las otras condiciones estructurales, ya que este modelo muestra valores de PLR homogéneos para la predicción de todas las condiciones estructurales (entre 1.67 y 3.88) y las desviaciones entre lo observado y lo predicho son menores que aquellos resultados obtenidos del modelo SVM a partir de su enfoque de regresión.
B. C. Ferguson, R. R. Brown, and A. Deletic, “Diagnosing transformative change in urban water systems: Theories and frameworks,” Global Environ. Change, vol. 23, no. 1, pp. 264–280, 2013. doi: 10.1016/j.gloenvcha.2012.07.008
H. Osman, “Agent-based simulation of urban infrastructure asset management activities,” Automat. Const., vol. 28, pp. 45–57, 2012. doi: 10.1016/j.autcon.2012.06.004
N. Caradot et al., “The benefits of deterioration modelling to support sewer asset management strategies,” presented at the 8th Int. Conf. Sewer Process Networ., Rotterdam, The Netherlands, August 31–September 2, 2016.
H. S. Baik, H. S. Jeong, and D. M. Abraham, “Estimating transition probabilities in Markov chain-based deterioration models for management of wastewater systems,” J. Water Resour. Plan. Manag., vol. 132, no. 1, pp. 15–24, 2006. doi: 10.1061/(ASCE)0733-9496(2006)132:1(15)
M. A. Cardoso, M. S. Silva, S. T. Coelho, M. C. Almeida, and D. I. C. Covas, “Urban water infrastructure asset management: A structured approach in four water utilities,” Water Sci. Technol., vol. 66, no. 12, pp. 2702–2711, 2012. doi: 10.2166/wst.2012.509
R. Younis and M. A. Knight, “Development and implementation of an asset management framework for wastewater collection networks,” Tunnelling Underground Space Technol., vol. 39, pp.130–143, 2014. doi: 10.1016/j.tust.2012.09.007
L. T. Wright, J. P. Heaney, and S. Dent, “Prioritizing sanitary sewers for rehabilitation using least-cost classifiers,” J. Infrastructure Syst., vol. 12, no. 3, 174–183, 2006. doi: 10.1061/(ASCE)1076-0342(2006)12:3(174)
Y. le Gat, “Modelling the deterioration process of drainage pipelines,” Urban Water J., vol. 5, no. 2, 97–106, 2008. doi: 10.1080/15730620801939398
M. M. Rokstad and R. M. Ugarelli, “Evaluating the role of deterioration models for condition assessment of sewers,” J. Hydroinform., vol. 17, no. 5, 789–804, 2015. doi: 10.2166/hydro.2015.122
D. H. Tran, A. W. M. Ng, and B. J. C. Perera, “Neural networks deterioration models for serviceability condition of buried stormwater pipes,” Eng. Appl. Artificial Intelligence, vol. 20, no. 8, 1144–1151, 2007. doi: 10.1016/j.engappai.2007.02.005
D. H. Tran, A. W. M. Ng, B. J. C. Perera, S. Burn, and P. Davis, “Application of probabilistic neural networks in modelling structural deterioration of stormwater pipes,” Urban Water J., vol. 3, no. 3, 175–184, 2006. Available: https://doi.org/10.1080/15730620600961684
J. Mashford, D. Marlow, D. Tran, and R. May, “Prediction of sewer condition grade using support vector machines,” J. Comput. Civil Eng., vol. 25, no. 4, pp. 283–290, 2010. doi: 10.1061/(ASCE)CP.1943-5487.0000089
K. Roushangar and R. Ghasempour, “Prediction of non-cohesive sediment transport in circular channels in deposition and limit of deposition states using SVM,” Water Sci. Technol. Water Supply, vol. 17, no. 2, pp. 537–551, 2017. doi: 10.2166/ws.2016.153
F. Granata, S. Papirio, G. Esposito, R. Gargano, and G. de Marinis, “Machine learning algorithms for the forecasting of wastewater quality indicators,” Water, vol. 9, no. 2, p. 105, 2017. doi: 10.3390/w9020105
N. Hernández, N. Caradot, H. Sonnerberg, P. Rouault, and A. Torres, “Support tools to predict the critical structural condition of uninspected sewer pipes in Bogota D. C.,” presented at LESAM Water Wastewater Infrastructure Conf., Trondheim, Norway, 20–22 June, 2017.
R. Thornhill and P. Wildbore, “Sewer defect codes: Origin and destination,” Underground Construction, Apr. 2005. Available: https://www.thefreelibrary.com/Sewer+defect+codes%3a+origin+and+destination.-a0132051614
Gerencia Corporativa de Planeamiento y Control, “Informe del Balance General del PDD 2012-2016, ‘Bogotá Humana’”, Empresa de Acueducto y Alcantarillado de Bogotá (EAAB), Bogotá, Colombia, 2016. Available: https://www.acueducto.com.co/wps/html/resources/empresa/2015/24_12_15_atenCiudadano/Informe_segplan_inv_y_gestion_corte_sept%2030_de_2015.pdf
Empresa de Acueducto y Alcantarillado de Bogotá (EAAB), “NS-058. Aspectos Técnicos para inspección y mantenimiento de redes y estructuras de alcantarillado”, Bogotá, Colombia, EAAB-E. S. P., 2001.
J. Shawe-Taylor and N. Cristianini, Kernel methods for pattern analysis. Cambridge: Cambridge University Press, 2004.
L. López-Kleine and A. Torres, “UV-vis in situ spectrometry data mining through linear and nonlinear analysis methods,” Dyna, vol. 81, no. 185, pp. 182–188, 2014. doi: 10.15446/dyna.v81n185.37718
A. Karatzoglou, A. Smola, K. Hornik, and A. Zeileis, “Kernlab-an S4 package for kernel methods in R.,” J. Stat. Softw., vol. 11, no. 9, pp.1–20, 2004. doi: 10.18637/jss.v011.i09
R. Core Team. (2019) [Online]. R: A language and environment for statistical computing,” R Foundation for Statistical Computing. Available: https://www.gbif.org/es/tool/81287/r-a-language-and-environment-for-statistical-computing
M. G. Genton, “Classes of kernels for machine learning: A statistics perspective,” J. Machine Learning Res., vol. 2, pp. 299–312, Dec. 2001. Available: http://www.jmlr.org/papers/volume2/genton01a/genton01a.pdf
J. P. Davies, B. A. Clarke, J. T. Whiter, and R. J. Cunningham, “Factors influencing the structural deterioration and collapse of rigid sewer pipes,” Urban Water, vol. 3, nos. 1-2, pp.73–89, 2001. Available: https://doi.org/10.1016/S1462-0758(01)00017-6
R. Baur and R. Herz, “Selective inspection planning with ageing forecast for sewer types,” Water Sci. Technol., vol. 46, nos. 6-7, pp. 389–396, 2002. doi: 10.2166/wst.2002.0704
F. Chughtai and T. Zayed, “Integrating WRc and CERIU condition assessment models and classification protocols for sewer pipelines,” J. Infrastructure Syst., vol. 17, no. 3, pp. 129–136, 2011. DOI: 10.1061/(ASCE)IS.1943-555X.0000052
P. Niño, H. Angarita, D. Vargas, and A. Torres, “Identificación factores de riesgo para la gestión patrimonial óptima de sistemas de drenaje urbano: estudio piloto en la ciudad de Bogotá,” presented at XXV Congreso Latinoamericano de Hidráulica, San José, Costa Rica, september 9–12, 2012.
N. Hernandez, N. Obregón, and A. Torres, “Identificación de factores de tipo categórico relacionados con la condición estructural de tuberías de alcantarillado de Bogotá a partir de conceptos de entropía de la información,” Ingenier. Solidaria, vol. 12, no. 19, pp. 63–71, 2016. doi: 10.16925/in.v12i19.1194
L. López-Kleine, N. Hernández, and A. Torres, “Physical characteristics of pipes as indicators of structural state for decision-making considerations in sewer asset management,” Ingenier. Invest., vol. 36, no. 3, pp. 15–21, 2016.
C. D. Brown and H. T. Davis, “Receiver operating characteristics curves and related decision measures: A tutorial,” Chemometrics Intelligent Lab. Syst., vol. 80, no. 1, pp. 24–38, 2006. doi: 10.1016/j.chemolab.2005.05.004
A. Kästner, I. Kropp, M. Schöne, and N. Caradot, “D2.1 Sewer deterioration modelling, in Braunschweig Dissemination approved by technical committee members: I. Charron, J. M. Brossard, Veolia Environnement Recherche & Innovation (VERI) V. Parez, Veolia Water, Technical Direction C. Sardet, OEWA Wasser und Abwasser GmbH (OEWA) P. Chudoba, Veolia Water Europe E. Eckert, J. Wachnewski, Berliner Wasserbetriebe (BWB) C. Mesek, Stadtentwässerung Braunschweig (SE|BS) A. Hartmann, Kompetenzzentrum Wasser Berlin gGmbH (KWB)”, Kompetenzzentrum Wasser Berlin gGmbH, 2015.
N. Caradot et al., “The benefits of deterioration modelling to support sewer asset management strategies,” presented at 8th Int. Conf. Sewer Process Networ., August 31–September 2, 2016, Rotterdam, The Netherlands.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2021 Nathalie Hernández, MSc, Nicolas Caradot, PhD, Hauke Sonnenberg, MSc, Pascale Rouault, PhD, Andrés Torres, PhD