Data-driven network asset management - Focus on sewer systems
Loading...
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Doctoral thesis (article-based)
| Defence date: 2020-06-05
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2020
Major/Subject
Mcode
Degree programme
Language
en
Pages
68 + app. 60
Series
Aalto University publication series DOCTORAL DISSERTATIONS, 65/2020
Abstract
Water and wastewater networks are critical infrastructure and vital for modern society. In Finland, the majority of the networks has been built in the 1970s and after and for the first time continuous network renovation is needed everywhere in the country. In this context, data analysis can efficiently support the decisions needed in planning the renovations. The aim of this dissertation was to discover, what kind of data there are available for supporting risk-based network inspection and renovation and how these data should be used for decision making. Both network and environmental data sets were used in the assessments. The dissertation addresses failure consequence estimation, sewer condition prediction and sewer life span estimation. Additionally, current data utilization at Finnish water and wastewater utilities is studied and compared to the state-of-the-art. Failure consequences were assessed for a water distribution network and a sewer system. Although some relevant data, such as hydroynamic modelling results, were not available at the time of the study, the data at hand enabled diverse assessment of failure consequences. The machine learning methods applied for pipe condition and life span modelling - random forests and random survival forests – performed equally or slightly better than the statistical methods logistic regression and Weibull survival. Environmental data sets were particularly useful for consequence assessment, whereas pipe attributes were essential for condition modelling. Partial dependence plots were found to be useful for visually studying the interconnections between pipe condition and explanatory factors. The sewer condition data set contained more pipes in a poor condition than the network as a whole. The data set was suitable for condition prediction, but deficient from the perspective of life span modelling. In order to overcome the obstacles caused by the sample not being representative of the whole network, a method was developed for estimating roughly the range in which the actual life span of the network lies. In order to gain the full benefit from life span models, sewer inspections need to be allocated not only to pipes suspected to be in a poor condition but also to a random sample of pipes whose condition is monitored consecutively in time. Based on the results of this dissertation, currently available data provide relevant support for both estimating failure consequences and predicting pipe condition. The survey on the data use in practice supported the view that existing data sets are not utilized to their full potential. However, there is interest in the adoption of proven new technologies. In the future, the amount of data and the possibilities to their use will increase. This will require water and wastewater utilities to gain new technological, managerial and security-related competencies.Vedenjakelu- ja viemäriverkostot ovat kriittistä infrastruktuuria ja keskeisiä nyky-yhteiskunnan toiminnalle. Suomessa valtaosa näistä verkostoista on rakennettu 1970-luvulla ja sen jälkeen ja nyt ollaan ensimmäistä kertaa tilanteessa, jossa verkostojen jatkuva saneeraus on ajankohtaista kaikilla Suomen vesihuoltolaitoksilla. Tässä tilanteessa data-analyysi tarjoaa mahdollisuuden tukea tehokkaasti saneerauksiin liittyviä päätöksiä. Tutkimuksen tavoitteena oli selvittää, mitä tietoja on saatavilla verkostojen riskiperustaisen kuntotutkimusten ja saneerausten kohdentamiseksi riskiperusteisesti ja kuinka näitä tietoja kannattaa hyödyntää päätöksenteossa. Tarkasteluissa hyödynnettiin sekä verkosto- että ympäristötietoja. Väitöskirjassa arvioidaan verkostojen toimintahäiriöiden seurauksia ja mallinnetaan viemäreiden kuntoa ja elinkaarta. Lisäksi selvitetään, miten tietojen hyödyntäminen suomalaisilla vesihuoltolaitoksilla vertautuu tämänhetkiseen huipputasoon. Häiriöiden seurauksia tarkasteltiin sekä vedenjakelu- että viemäriverkoston osalta. Vaikka joitakin tärkeitä lähtötietoja, esimerkiksi hydraulisen mallinnuksen tuloksia, ei ollut tutkimuksen tekohetkellä saatavilla, lähtötiedot mahdollistivat monipuolisen häiriöiden seurausten tarkastelun. Viemäreiden kunnon mallinnukseen ja niiden elinkaaren mallinnukseen käytetyt koneoppimisen menetelmät – satunnaismetsä ja random survival forest – tuottivat vastaavat tai hieman paremmat mallit kuin perinteiset tilastotieteen menetelmät logistinen regressio ja Weibull-regressio. Ympäristöä koskevat paikkatiedot osoittautuivat hyödyllisiksi häiriöiden seurausten arviointiin, kun taas putkien ominaisuustiedot olivat tärkeitä kuntoa mallinnettaessa. Putken kunnon ja sitä selittävien tekijöiden välistä yhteyttä arvioitiin visuaalisesti osittaisriippuvuuskuvaajien avulla. Käytössä ollut viemärikuvausaineisto sisälsi enemmän huonokuntoisia putkia kuin verkosto keskimäärin. Aineisto soveltui hyvin putkien kunnon mallinnukseen, mutta oli puutteellista verkoston elinkaaren kehityksen ennustamisen kannalta. Aineiston puutteita kompensoimaan kehitettiin menetelmä elinkaaren kehityksen karkeaan arviointiin. Jotta tulevaisuudessa elinkaarimalleista saadaan suurempi hyöty, tulisi viemärikuvauksiin valita nykyisen, huonokuntoisten putkien löytämiseen tähtäävän menettelyn ohella myös satunnaisotannalla ja seurata kuvattavaksi valittujen putkien kunnon kehittymistä ajan suhteen. Tutkimuksen perusteella nykyisin saatavilla olevia tietoja analysoimalla voidaan arvioida häiriöiden seurauksia ja mallintaa putkien kuntoa. Tietojen käytännön hyödyntämisestä tehty selvitys tuki näkemystä, ettei saatavilla olevia tietoja vielä hyödynnetä täysimääräisesti. Kiinnostusta on kuitenkin uusien, käyttökelpoiseksi osoitettujen teknologioiden käyttöönottoon. Tulevaisuudessa tiedon määrä ja sen tarjoamat mahdollisuudet kasvavat entisestään. Vesihuoltolaitoksilta tämä tulee edellyttämään uutta osaamista niin tekniikan, johtamisen kuin tietoturvankin alalla.Description
The public defense on 5th June 2020 at 12:00 will be available via remote technology.
Link: https://aalto.zoom.us/j/64138791244
Zoom Quick Guide: https://www.aalto.fi/en/services/zoom-quick-guide
Supervising professor
Vahala, Riku, Prof., Aalto University, Department of Built Environment, FinlandThesis advisor
Kokkonen, Teemu, Dr., Aalto University, Department of Built Environment, FinlandKeywords
asset management, condition modeling, life span modeling, risk assessment, water and wastewater networks, elinkaaren mallinnus, kunnonmallinnus, omaisuudenhallinta, riskinarviointi, vesihuoltoverkostot
Other note
Parts
-
[Publication 1]: Sirkiä, J., Laakso, T., Ahopelto, S., Ylijoki, O., Porras, J., Vahala, R. Data utilization at Finnish water and wastewater utilities Current practices vs. state of the art. Utilities Policy. 2017.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202006013514DOI: 10.1016/j.jup.2017.02.002 View at publisher
-
[Publication 2]: Laakso, T., Ahopelto, S., Lampola, T., Kokkonen, T., Vahala, R. Estimating water and wastewater pipe failure consequences and the most detrimental failure modes. Water Science and Technology: Water Supply. 2018.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202006013481DOI: 10.2166/ws.2017.164 View at publisher
-
[Publication 3]: Laakso, T., Kokkonen, T., Mellin, I., Vahala, R. Sewer Condition Prediction and Analysis of Explanatory Factors. Water. 2018.
DOI: 10.3390/w10091239 View at publisher
-
[Publication 4]: Laakso, T., Kokkonen, T., Mellin, I., Vahala, R. Sewer life span prediction: comparison of methods and assessment of the sample impact on the results. Water. 2019.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202002032015DOI: 10.3390/w11122657 View at publisher
