Jun, 2018

主动修复：密歇根州弗林特市铅管搜寻

HTML
PDF
TL;DR本文详细介绍了在密歇根州弗林特市检测铅管和其他有害金属的持续工作。在检测到居民饮用水中存在高水平的铅以及该地区儿童血铅水平上升后，州和联邦政府指导投入超过1.25亿美元来更换供水管线。在准确记录缺失并且确定掩埋管道材料成本高昂的情况下，我们提供了一些预测性和程序性工具来帮助搜索和拆除铅管线。并探讨了如何将我们的方法推广到其他市镇的基础设施领域。
发现论文，激发创造
  • 一种理解弗林特居民用水污染的数据科学方法

    本文从Flint居民自愿水检测的数据中，针对居民特征预测铅污染水源的可能性，探讨与污染扩散相关的因素，并针对社区开发基于互联网和移动应用的风险评估工具。同时，对居民自愿参与水检测的自我选择原因进行考察。

    Jul, 2017

  • 非参数生存分析用于长期管道失效预测

    使用机器学习技术，基于水管历史故障记录、管道和环境因素描述进行评估和预测，开发了一种非参数生存分析技术Random Survival Forest，能够更好地预测水管故障率，并利用统计推断技术量化了长期预测的不确定性。

    Nov, 2020

  • Sewer-ML：一个多标签下水道缺陷分类数据集和基准测试

    本文提出Sewer-ML数据集，其中包括130万张肮脏排水管道的视觉图片资源和缺陷分类注释，旨在解决肮脏排水管道的自动化检测问题，该数据集可以被用于图像分类和缺陷分类的研究和应用。

    Mar, 2021

  • 启用动态权重的物理想定神经网络用于模拟受污染含水层中工程纳米颗粒的运移

    研究表明，使用动态，加权物理推断神经网络（dw-PINN）框架来建模水系中纳米颗粒的动态行为，可以对开发高效的地下水修复策略提供预测性见解，同时相对均方误差（MSE）值收敛到一个最小值。

    Oct, 2022

  • 挖掘可解释的预测特征用于水质管理

    本篇文章阐述了在水质管理过程中，通过搜索现象的位置与天气变量集对水质变量进行识别和解释的需要性，并提出了以机器学习算法和Shapley值来帮助解释水质数据，使用不同算法和都柏林运河数据进行了相关性能评估。

    Dec, 2022

  • 下水管道CCTV检测计划中降解模型的适用性评估

    该研究提出了一种评估污水管道降解模型适用性的方法，并表明 Logistic Regression 作为一种较少准确但能够产生一致降解曲线和具有高可解释性的模型，在制定检查计划方面比集成模型更加高效。

    Jul, 2023

  • 贝叶斯物理推理神经网络用于受污染含水层中工程纳米颗粒迁移的正向和反向模拟

    通过使用Bayesian Physics-Informed Neural Network（B-PINN）框架，该研究演示了该工具提供的预测性洞见，以开发高效的地下水修复策略。

    Aug, 2023

  • 水资源中未监测站点的时间序列预测的机器学习技术调查

    预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战，使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息，并提出了几个开放问题，包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。

    Aug, 2023

  • 基于机器学习的城市基础设施质量供给不平等的特征化研究

    本研究旨在揭示城市地区基础设施质量的不平等特征，并提出了一种基于机器学习的方法来计算基础设施质量的不平等程度，以此为基础推动数据驱动与机器智能为依据的综合城市设计策略，促进基础设施公平和环境正义。

    Feb, 2024

  • 基于多状态退化和深度强化学习的下水道管道维护策略

    大规模基础设施系统的有效管理需要考虑各种复杂性的战略预测和干预方法。我们的研究针对 Prognostics and Health Management (PHM) 框架在污水管道资产中的两个挑战：建立模型以表示不同严重程度水平的管道退化，并开发有效的维护政策。我们采用多状态退化模型 (MSDM) 来表示污水管道的随机退化过程，并使用深度强化学习 (DRL) 来制定维护策略。荷兰污水网络的案例研究充分证明了我们的方法。我们的研究结果表明该模型在生成智能、节省成本的维护策略方面的有效性超过了启发式方法。它根据管道的年龄来调整管理策略，对于较新的管道采取被动策略，对于较旧的管道转为主动策略，以防止故障并降低成本。本研究凸显了深度强化学习在优化维护政策方面的潜力。未来的研究将致力于改进该模型，包括引入部分可观测性、探索各种强化学习算法，并将此方法扩展至综合基础设施管理。

    Jul, 2024