Aplicación de la regresión logística para la predicción de roturas de tuberías en redes de abastecimiento de agua

• A. Robles-Velasco ^[1] ; P. Cortés ^[1] ; J. Muñuzuri ^[1] ; E. Barbadilla-Martín ^[1]
  1. [1] Universidad de Sevilla

     Universidad de Sevilla

     Sevilla, España

     
• Localización: Dirección y organización: Revista de dirección, organización y administración de empresas, ISSN 1132-175X, Nº 70, 2020, págs. 78-85
• Idioma: español
• DOI: 10.37610/dyo.v0i70.570
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen

  • Las roturas de tuberías en redes de abastecimiento de agua provocan serios problemas para las compañías encargadas de su gestión. Con objeto de reducir el número de roturas inesperadas, se propone un método predictivo de clasificación de las tuberías que utiliza la regresión logística, junto con técnicas avanzadas de procesamiento de datos, como el equilibrado de clases o la validación cruzada. La metodología se ha aplicado al caso real de la red de abastecimiento de Sevilla. Los resultados muestran que podría llegar a predecirse el 85.9% de las roturas de tuberías, siendo 76.6% la precisión total del modelo

• Referencias bibliográficas
  • Al-Zahrani, M., Abo-Monasar, A., & Sadiq, R. (2016). Risk- based prioritization of water main failure using fuzzy synthetic evaluation...
  • Amaitik, N. M., & Buckingham, C. D. (2018). Developing a hierarchical fuzzy rule-based model with weighted linguistic rules: A case study...
  • Aydogdu, M., & Firat, M. (2015). Estimation of Failure Rate in Water Distribution Network Using Fuzzy Clustering and LS-SVM Methods. Water...
  • Cox, D. R., & Snell, E. J. (1989). Analysis of Binary Data (2nd ed.). London: Chapman and Hall Ltd.
  • Debón, A., Carrión, A., Cabrera, E., & Solano, H. (2010). Comparing risk of failure models in water supply networks using ROC curves....
  • Jafar, R., Shahrour, I., & Juran, I. (2010). Application of Artificial Neural Networks (ANN) to model the failure of urban water mains....
  • Kabir, G., Tesfamariam, S., Francisque, A., & Sadiq, R. (2015). Evaluating risk of water mains failure using a Bayesian belief network...
  • Kabir, G., Tesfamariam, S., & Sadiq, R. (2015). Predicting water main failures using Bayesian model averaging and survival modelling approach....
  • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Olivier, G., … Duchesnay, É. (2011). Scikit-learn: Machine Learning in...
  • Pelletier, G. V., Mailhot, A., & Villeneuve, J.-P. (2003). Modeling Water Pipe Breaks-Three Case Studies. Journal of Water Resources Planning...
  • Royce, A. F., Seth, D. G., & Henneman, L. (2014). Bayesian Belief Networks for predicting drinking water distribution system pipe breaks....
  • Shirzad, A., Tabesh, M., & Farmani, R. (2014). A comparison between performance of support vector regression and artificial neural network...
  • Wang, R., Dong, W., Wang, Y., Tang, K., & Yao, X. (2013). Pipe failure prediction: A data mining method. Proceedings International Conference...
  • Wilson, D., Filion, Y., & Moore, I. (2017). State-of-the-art review of water pipe failure prediction models and applicability to large-diameter...
  • Yamijala, S., Guikema, S. D., & Brumbelow, K. (2009). Statistical models for the analysis of water distribution system pipe break data....