Benchmarking prático de modelos estatísticos e de aprendizado de máquina para prever a condição de tubos de esgoto em Berlim, Alemanha

Resumo Modelos de deterioração podem ser implementados com sucesso apenas se os tomadores de decisão confiarem nos resultados da modelagem e estiverem cientes das incertezas do modelo. Nosso estudo visa abordar essa questão desenvolvendo um conjunto de métricas claramente compreensíveis para avaliar o desempenho de modelos de deterioração de esgoto do ponto de vista do usuário final. As métricas desenvolvidas são usadas para comparar o desempenho de um modelo estatístico, a saber, GompitZ baseado em análise de sobrevivência e cadeias de Markov, e um modelo de aprendizado de máquina, a saber, Random Forest, um método de aprendizado em conjunto baseado em árvores de decisão. Os modelos foram treinados com o extenso conjunto de dados de CCTV da rede de esgoto de Berlim, Alemanha (115.258 inspeções). No nível da rede, ambos os modelos apresentam resultados satisfatórios, com desvios entre as distribuições de condição prevista e inspecionada abaixo de 5%. No nível do tubo, o modelo estatístico não se desempenha melhor do que um modelo aleatório simples, que atribui aleatoriamente uma classe de condição a cada tubo inspecionado, enquanto o modelo de aprendizado de máquina fornece um desempenho satisfatório. 66,7% dos tubos inspecionados em mau estado foram previstos corretamente. A abordagem de aprendizado de máquina mostra um forte potencial para apoiar os operadores na identificação de tubos em condição crítica para programas de inspeção, enquanto a abordagem estatística é mais adequada para apoiar o planejamento estratégico de reabilitação.