論文の概要: Machine Learning Models for Reinforced Concrete Pipes Condition Prediction: The State-of-the-Art Using Artificial Neural Networks and Multiple Linear Regression in a Wisconsin Case Study

• arxiv url: http://arxiv.org/abs/2502.00363v1
• Date: Sat, 01 Feb 2025 08:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:53:46.210908
• Title: Machine Learning Models for Reinforced Concrete Pipes Condition Prediction: The State-of-the-Art Using Artificial Neural Networks and Multiple Linear Regression in a Wisconsin Case Study
• Title（参考訳）: 鉄筋コンクリート管条件予測のための機械学習モデル:人工ニューラルネットワークと複数線形回帰を用いた現状予測
• Authors: Mohsen Mohammadagha, Mohammad Najafi, Vinayak Kaushal, Ahmad Mahmoud Ahmad Jibreen,
• Abstract要約: 合衆国の老朽化した下水道インフラは210万キロメートルをカバーしており、構造的な問題に直面している。 年間約75,000の衛生用下水道が深刻な経済、環境、公衆衛生の危険を生じさせている。 本研究は,機械学習モデルを用いて下水道パイプラインの状態の予測精度を向上させることを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The aging sewer infrastructure in the U.S., covering 2.1 million kilometers, encounters increasing structural issues, resulting in around 75,000 yearly sanitary sewer overflows that present serious economic, environmental, and public health hazards. Conventional inspection techniques and deterministic models do not account for the unpredictable nature of sewer decline, whereas probabilistic methods depend on extensive historical data, which is frequently lacking or incomplete. This research intends to enhance predictive accuracy for the condition of sewer pipelines through machine learning models artificial neural networks (ANNs) and multiple linear regression (MLR) by integrating factors such as pipe age, material, diameter, environmental influences, and PACP ratings. ANNs utilized ReLU activation functions and Adam optimization, whereas MLR applied regularization to address multicollinearity, with both models assessed through metrics like RMSE, MAE, and R2. The findings indicated that ANNs surpassed MLR, attaining an R2 of 0.9066 compared to MLRs 0.8474, successfully modeling nonlinear relationships while preserving generalization. MLR, on the other hand, offered enhanced interpretability by pinpointing significant predictors such as residual buildup. As a result, pipeline degradation is driven by pipe length, age, and pipe diameter as key predictors, while depth, soil type, and segment show minimal influence in this analysis. Future studies ought to prioritize hybrid models that merge the accuracy of ANNs with the interpretability of MLR, incorporating advanced methods such as SHAP analysis and transfer learning to improve scalability in managing infrastructure and promoting environmental sustainability.
• Abstract（参考訳）: 合衆国の老朽化した下水道インフラは210万キロメートルをカバーし、構造的な問題に遭遇し、年間約75,000回の衛生的な下水道のオーバーフローが深刻な経済、環境、公衆衛生の危険を生じさせている。 従来の検査手法や決定論的モデルは、下水道の減少の予測不可能な性質を説明できないが、確率論的手法は、しばしば欠落または不完全である広範な歴史データに依存する。 本研究は, ニューラルネットワーク(ANN)と複数線形回帰(MLR)を用いて, 管齢, 材料, 直径, 環境影響, PACP評価などの要素を統合することにより, 下水道パイプラインの状態の予測精度を向上させることを目的とする。 ANNはReLUアクティベーション関数とAdam最適化を利用しており、MLRはマルチコリニアリティに対処するために正規化を適用し、どちらのモデルもRMSE、MAE、R2といったメトリクスで評価した。 その結果, ANN は MLR を上回り, R2 は 0.9066 であるのに対し, MLR は 0.8474 であり, 一般化を保ちながら非線形関係のモデル化に成功した。 一方、MLRは、残留ビルドのような重要な予測器をピンポイントすることで、解釈可能性を高めた。 その結果, パイプラインの劣化は, 管長, 年齢, 管径によって予測されるが, 深さ, 土壌タイプ, セグメントは, この分析にはほとんど影響しないことがわかった。 今後の研究は、ANNの精度とMLRの解釈可能性とを融合したハイブリッドモデルを優先し、SHAP分析やトランスファーラーニングといった先進的な手法を取り入れ、インフラ管理のスケーラビリティを向上し、環境サステナビリティを向上する。

関連論文リスト

• Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination [0.0]
  この研究は、長期環境モニタリング用に設計されたPythonパッケージであるPyLEnMの機能を拡張する。 我々は,Sr-90やI-129のような汚染物質が規制基準に達するのに必要な時間枠を推定する手法を導入する。 本手法は,Savannah River Site (SRS) F-Areaから得られたデータを用いて検討した。
  論文  参考訳（メタデータ） (2024-11-15T14:21:32Z)
• Early Prediction of Natural Gas Pipeline Leaks Using the MKTCN Model [5.746772420339137]
  パイプラインリークの早期予測のための正確なモデルを開発する。 リークの早期予測に内部パイプラインデータを使用した最初のアプリケーションである。
  論文  参考訳（メタデータ） (2024-11-09T15:34:38Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Predicting Hurricane Evacuation Decisions with Interpretable Machine Learning Models [0.0]
  本研究では,容易にアクセス可能な人口動態と資源関連予測器によって構築された世帯の避難決定を予測するための新しい手法を提案する。 提案手法は,避難交通需要の推計を改善するため,緊急管理当局に新たなツールと枠組みを提供する可能性がある。
  論文  参考訳（メタデータ） (2023-03-12T03:45:44Z)
• On Continual Model Refinement in Out-of-Distribution Data Streams [64.62569873799096]
  現実世界の自然言語処理(NLP)モデルは、アウト・オブ・ディストリビューション(OOD)データストリームの予測エラーを修正するために、継続的に更新する必要がある。 既存の継続学習(CL)問題設定は、そのような現実的で複雑なシナリオをカバーできない。 連続モデル改良(CMR)と呼ばれる新しいCL問題定式化を提案する。
  論文  参考訳（メタデータ） (2022-05-04T11:54:44Z)
• A Wasserstein Minimax Framework for Mixed Linear Regression [69.40394595795544]
  マルチモーダル分布は、学習タスクにおいてクラスタ化されたデータをモデル化するために一般的に使用される。 混合線形回帰問題に対する最適輸送ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-14T16:03:51Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• A Locally Adaptive Interpretable Regression [7.4267694612331905]
  線形回帰は最も解釈可能な予測モデルの一つである。 本稿では,局所適応型解釈型回帰(LoAIR)を導入する。 我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
  論文  参考訳（メタデータ） (2020-05-07T09:26:14Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
  本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。 本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。 平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
  論文  参考訳（メタデータ） (2020-01-16T07:14:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。