Modelowanie pogorszenia - Deterioration modeling
Modelowanie pogorszenia to proces modelowania i przewidywania stanu fizycznego sprzętu, konstrukcji, infrastruktury lub innych aktywów fizycznych. Stan infrastruktury jest przedstawiany za pomocą wskaźnika deterministycznego lub prawdopodobieństwa awarii. Przykładami takich mierników wydajności są wskaźnik stanu nawierzchni dla dróg lub wskaźnik stanu mostów dla mostów. W przypadku miar probabilistycznych, na których koncentruje się teoria niezawodności , stosuje się prawdopodobieństwo awarii lub wskaźnik niezawodności. Modele pogorszenia stanu mają zasadnicze znaczenie dla zarządzania majątkiem infrastrukturalnym i są podstawą podejmowania decyzji dotyczących utrzymania i odbudowy. Stan całej infrastruktury fizycznej pogarsza się z biegiem czasu. Model pogorszenia może pomóc decydentom zrozumieć, jak szybko stan spada lub przekracza określony próg.
Tradycyjnie większość gmin używa krzywych pogorszenia jakości do modelowania degradacji. Ostatnio wprowadzono bardziej złożone metody oparte na symulacji, modelach Markowa i modelach uczenia maszynowego . Dobrze znany model pokazujący prawdopodobieństwo awarii zasobu przez cały okres jego użytkowania nazywa się krzywą wanny . Ta krzywa składa się z trzech głównych etapów: niewydolności niemowlęcia, ciągłej niewydolności i awarii spowodowanej zużyciem. W zarządzaniu majątkiem infrastrukturalnym dominującym sposobem degradacji jest starzenie się, ruch uliczny i klimat. Dlatego najbardziej niepokojąca jest awaria polegająca na zużyciu.
Rodzaje modeli degradacji
Modele pogorszenia jakości są deterministyczne lub probabilistyczne. Modele deterministyczne nie mogą uwzględniać prawdopodobieństw. Jednak modele probabilistyczne mogą przewidywać zarówno przyszły stan, jak i prawdopodobieństwo znalezienia się w tym określonym stanie.
Modele deterministyczne
Modele deterministyczne są proste i zrozumiałe, ale nie mogą obejmować prawdopodobieństw. Krzywe pogorszenia, opracowane wyłącznie na podstawie wieku, są przykładem deterministycznych modeli degradacji. Tradycyjnie większość modeli mechanistycznych i mechanistyczno-empirycznych opracowywanych jest przy użyciu podejść deterministycznych, ale ostatnio badacze i praktycy zainteresowali się modelami probabilistycznymi.
Modele probabilistyczne
Przykładami probabilistycznych modeli degradacji są modele opracowane w oparciu o teorię niezawodności , łańcuch Markowa i uczenie maszynowe . W przeciwieństwie do modeli deterministycznych model probabilistyczny może obejmować prawdopodobieństwo. Na przykład może stwierdzić, że za pięć lat droga będzie w złym stanie z 75% prawdopodobieństwem i 25%, że pozostanie w dobrym stanie. Takie prawdopodobieństwa są niezbędne do opracowania modeli oceny ryzyka. Jeśli interesuje nas stan lub klasa miary wydajności, można zastosować modele Markowa i algorytmy uczenia maszynowego klasyfikacji. Jeśli jednak decydenci są zainteresowani wartością liczbową wskaźników wydajności, muszą skorzystać z algorytmów uczenia się metodą regresji. Ograniczeniem modeli Markowa jest to, że nie mogą one uwzględniać historii konserwacji, która jest jednym z ważnych atrybutów przy prognozowaniu przyszłych warunków. Modele pogorszenia jakości opracowane w oparciu o uczenie maszynowe nie mają tego ograniczenia. Ponadto mogą zawierać inne cechy, takie jak atrybuty klimatyczne i ruch drogowy, jako zmienne wejściowe.
Modele Markowa
Duża część probabilistycznych modeli degradacji jest opracowywana w oparciu o łańcuch Markowa , który jest probabilistycznym modelem symulacji zdarzeń dyskretnych. Modele pogorszenia jakości opracowane na podstawie łańcucha Markowa traktują stan aktywów jako szereg dyskretnych stanów. Na przykład, w przypadku nawierzchni modelowania pogorszenie The PCI można podzielić na pięć klas: dobry, zadowalający, uczciwych, biednych i bardzo słabe (lub po prostu 1 do 5). Następnie opracowywany jest model Markowa, aby przewidzieć prawdopodobieństwo przejścia ze stanu 1 do każdego innego stanu w ciągu kilku lat. Surowe modele Markowa były krytykowane za pomijanie wpływu starzenia się i historii konserwacji aktywów. Bardziej złożone modele, znane jako modele semi-Markowa, mogą uwzględniać historię konserwacji, ale ich kalibracja wymaga dużej ilości danych podłużnych. Ostatnio podjęto wysiłki, aby wytrenować modele degradacji Markowa w celu uwzględnienia wpływu klimatu, ale generalnie nie jest możliwe uwzględnienie atrybutów klimatycznych lub ruchu jako danych wejściowych w tego typu modelach.
Nauczanie maszynowe
Od końca pierwszej dekady XXI wieku algorytmy uczenia maszynowego zostały przyjęte w celu radzenia sobie z modelowaniem degradacji infrastruktury. Sieci neuronowe należą do najczęściej używanych modeli. Pomimo ich wysokich zdolności uczenia się, sieci neuronowe były krytykowane ze względu na ich czarnoskrzynkową naturę, która nie zapewnia wystarczającego miejsca na interpretację modelu. Dlatego w literaturze wykorzystano również inne algorytmy. Przykładami innych algorytmów wykorzystywanych do modelowania degradacji są drzewo decyzyjne , k-NN , las losowy , drzewa wzmacniające gradient , losowa regresja lasów i naiwny klasyfikator Bayesa . W modelu tego typu zwykle prognozuje się pogorszenie przy użyciu zestawu zmiennych wejściowych lub cech predykcyjnych. Przykłady cech predykcyjnych stosowanych w literaturze to stan początkowy, ruch uliczny, cechy klimatyczne, typ nawierzchni i klasa drogi.