Dissertação
Gradient Boosting Algorithms for Pipe Failure Prediction in Water Supply Systems EVALUATED
A gestão proativa de condutas de água é um aspecto crucial no campo da avaliação de infra-estruturas hídricas. Um dos principais aspectos desta abordagem é a reabilitação ou substituição das condutas antes de uma possível falha, a fim de evitar a deterioração da rede. Este trabalho apresenta dois algoritmos de Gradient Boosting: XGBoost e LightGBM, para previsão de falhas em condutas. Os dois modelos, juntamente com a abordagem utilizada pela Baseform, foram comparados quando aplicados a dois sistemas de abastecimento de água, um localizado em Espanha e outro nos EUA. Foram considerados três problemas distintos: um problema de classificação, que visa prever a probabilidade de falha de uma determinada conduta num determinado ano; um problema de contagem através de um modelo de Hurdle que visa prever quantas falhas ocorrem numa conduta num determinado ano; e um problema de regressão através de uma distribuição de Tweedie com o objetivo de prever o custo da reparação de condutas danificadas. Incluindo os modelos Baseform, todos tiveram resultados satisfatórios, com destaque para o LightGBM quando aplicado ao problema de contagem, que apresenta um bom equilíbrio entre desempenho e tempo de execução. Os modelos propostos prevêem uma taxa de falha mais conservadora quando comparados com os modelos da Baseform. Os modelos de regressão subestimaram os valores dos custos de despesas reais, no entanto, abriram uma nova abordagem para o estudo de falhas em condutas de água. Os algoritmos de Gradient Boosting revelaram ser uma melhoria na análise de falhas em sistemas de distribuição de água.
dezembro 5, 2022, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
