Nejlepší metoda hot spot pro analýzu prasklin hlavních vodovodů?

Question

Hledám radu ohledně nejlepších parametrů nástroje hot spot pro analýzu prasklin hlavních vodovodů. Exportuji data o prasklinách z našeho AMS, a poté rozpouštím tabulku podle našeho unikátního Id pro naše vodovody, takže dostanu 1 řádek pro každý segment vedení, s sloupcem, který má součtovou hodnotu prasklin. Poté to připojím k vodovodům.<\/P> Odtud používám buď linie, nebo bodový prvek vytvořený z centroidů linií pro vizualizaci. <\/P> Nástroje hot spot jsem používal trochu během let, ale upřímně řečeno, jak přesně fungují, je pro mě záhadou. Zejména pokud jde o to, která metoda prostorového vztahu by dávala největší smysl při pohledu na praskliny hlavních vodovodů.<\/P> Věc s pohledem na data o prasklinách je, že praskliny na jednom hlavním potrubí nemusí mít žádný vliv na praskliny na potrubí, které je jen v další ulici. Může to být tak, že potrubí A má hodně prasklin, protože je staré, a potrubí B má hodně prasklin kvůli materiálu. <\/P> Základně bych chtěl identifikovat problematické čtvrti pomocí součtu celkových dat o prasklinách, která máme. Děláme to nyní na základě segmentů vedení, ale rád bych udělal něco, co nám dá nějaké výsledky s větší agregací a necítil bych se tak, jako bych to dělal naslepo.<\/P> Někdo z oboru vodárenských služeb má nějakou radu? Díky.<\/P>

KyleGonterwitz · Answer

I didn't develop the approaches, I only programmed and tried to document it in the jupyter notebook.  It's just like you said, its ages, materials, any factors you can identify, then relationships to breaks, put things in bins or categories, and try to figure out what makes sense - that's where the AI approach would be helpful in making it less arbitrary and examining sensitivity of various factors in your system (its the scientific method - guess and test).  It would be interesting to do more comparison with relation between breaks and weather data as well.

I have tried looking at emergent hot spots but the break data isn't dense enough over time to make real useful statistics  determinations.

AaronManuel2 · Answer

Thanks Kyle, this looks great.

For your scoring, is this something based on an industry standard or did you develop it yourself? If I'm looking at your scripts right it looks like you are summing up the individual score categories to get a total score number of points.

My struggle has been trying to come up with some kind of scoring matrix that doesn't feel arbitrary.

Regarding the data, our data quality is ok. Not great but I've seen worse. We have decent data on breaks at least, which is what we try to focus on the most.

KyleGonterwitz · Answer

I've updated a couple existing organization processes for this into a Jupyter notebook, shared here.

https://github.com/gontek/CMED/blob/main/AssetPrediction.ipynb

https://github.com/gontek/CMED/blob/main/WaterMainAssessment.ipynb

I know of other people in the business doing great research into this stuff utilizing AI to explore deeper into what causes breaks and poor service.  You are right that there are many factors to consider and each system is different and unique, and you are very fortunate if you have good break/leak data to work with.