[論文レビュー] Machine Learning Models for Reinforced Concrete Pipes Condition Prediction: The State-of-the-Art Using Artificial Neural Networks and Multiple Linear Regression in a Wisconsin Case Study

Mohsen Mohammadagha, Mohammad Najafi+2 more|ArXiv.org|Feb 1, 2025

Geotechnical Engineering and Underground Structures被引用数 5

ひとこと要約

本論文はウィスコンシン州データを用いて、人工ニューラルネットワーク（ANN）と重回帰分析（MLR）を比較し、鉄筋コンクリート管の状態を予測する。ANNは予測精度が高い一方でMLRは解釈性が高いことを示した。

ABSTRACT

The aging sewer infrastructure in the U.S., covering 2.1 million kilometers, encounters increasing structural issues, resulting in around 75,000 yearly sanitary sewer overflows that present serious economic, environmental, and public health hazards. Conventional inspection techniques and deterministic models do not account for the unpredictable nature of sewer decline, whereas probabilistic methods depend on extensive historical data, which is frequently lacking or incomplete. This research intends to enhance predictive accuracy for the condition of sewer pipelines through machine learning models artificial neural networks (ANNs) and multiple linear regression (MLR) by integrating factors such as pipe age, material, diameter, environmental influences, and PACP ratings. ANNs utilized ReLU activation functions and Adam optimization, whereas MLR applied regularization to address multicollinearity, with both models assessed through metrics like RMSE, MAE, and R2. The findings indicated that ANNs surpassed MLR, attaining an R2 of 0.9066 compared to MLRs 0.8474, successfully modeling nonlinear relationships while preserving generalization. MLR, on the other hand, offered enhanced interpretability by pinpointing significant predictors such as residual buildup. As a result, pipeline degradation is driven by pipe length, age, and pipe diameter as key predictors, while depth, soil type, and segment show minimal influence in this analysis. Future studies ought to prioritize hybrid models that merge the accuracy of ANNs with the interpretability of MLR, incorporating advanced methods such as SHAP analysis and transfer learning to improve scalability in managing infrastructure and promoting environmental sustainability.

研究の動機と目的

• aging infrastructure の予測的不確実性に対処するための下水管の状態予測。
• AIベースのアプローチ（ANNs）と従来の統計手法（MLR）の管の状態予測の評価。
• 管の劣化に影響を与える予測因子を特定し、標準的な指標を用いてモデル性能を評価する。

提案手法

• ReLU活性化とAdam最適化を用いた人工ニューラルネットワークを使用。
• 多重共線性を扱うための正則化を用いた重回帰分析を適用。
• パイプの年齢、材料、直径、環境要因、PACP評価などの特徴量を組み込む。
• RMSE、MAE、R2を性能指標としてモデルを評価。

実験結果

リサーチクエスチョン

• RQ1 ANNsはMLRより鉄筋コンクリート管の劣化における非線形関係をより適切に捉えられるか。
• RQ2 モデルによって最も影響力のある予測因子は何か。
• RQ3 ウィスコンシン州の配管データに対するANNとMLRの予測精度と解釈性の比較。
• RQ4 今後のモデル性能を向上させるための改善点（例：SHAP、転移学習）は何か。

主な発見

• ANNはMLRを上回り、R2は0.9066対0.8474。
• MLRは解釈性が高く、残留蓄積などの重要な予測因子を特定する。
• 劣化は主にパイプ長、年齢、直径によって推進され、深さ、土壌タイプ、区間は影響が限定的である。
• 今後の改善のためにハイブリッドモデルと高度な解釈可能性技術の導入を示唆する。