Sewer Condition Prediction and Analysis of Explanatory Factors
Rattachement africain : fi. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Sewer condition is commonly assessed using closed-circuit television (CCTV) inspections. In this paper, we combine inspection results, pipe attributes, network data, and data on pipe environment to predict pipe condition and to discover which factors affect it. We apply the random forest algorithm to model pipe condition and assess the variable importance using the Boruta algorithm. We analyse the impact of predictor variables on poor condition using partial dependence plots, which are a valuable technique for this purpose. The results can be used in screening pipes for future inspections and provide insight into the dynamics between predictor variables and poor condition.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Sewer Condition Prediction and Analysis of Explanatory Factors
- Date Crossref
- 13/09/2018
- Éditeur
- MDPI AG
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Aalto University Department of Built Environment pays non établi dans la noticeUniversité ou école supérieure
Department of Built Environment — Aalto University.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.