Support Vector Machines Used for the Prediction of the Structural Conditions of Pipes in Bogota’s Sewer System

Objetivo: este articulo se centra en: (i) desarrollar un modelo de deterioro basado en maquinas de soporte vectorial (SVM) a partir de su enfoque regresivo para desligar la prediccion de la condicion estructural del alcantarillado de los grados de clasificacion y predecir los puntajes dados por las fallas encontradas en las inspecciones CCTV; y (ii) comparar los resultados de prediccion del modelo propuesto con aquellos resultados obtenidos de un modelo basado en SVM a partir de su enfoque de clasificacion con el fin de explorar las ventajas y desventajas en sus predicciones bajo diferentes perspectivas. Materiales y metodos: el caso de estudio considerado fue la red de alcantarillado de Bogota, el cual contaba con 5031 tuberias inspeccionadas, informacion de las caracteristicas fisicas de las tuberias e informacion de factores externos (p. e., edad, tipo de afluente y tipo de via). Las funciones de densidad de probabilidad (FDP) se utilizaron para convertir los puntajes de las fallas encontradas en las inspecciones de CCTV en grados estructurales. Ademas, se utilizaron tres tecnicas para evaluar las predicciones mediante diferentes perspectivas: tasas de verosimilitud positiva (TPR), curvas de rendimiento y analisis de desviacion. Resultados: se encuentra que: (i) el modelo de deterioro basado en SVM a partir de su enfoque de regresion es apropiado para predecir condiciones estructurales criticas, ya que este modelo muestra valores de TPR alrededor de 6.8 (el valor mas alto entre la prediccion de todas las condiciones estructurales en ambos modelos) y 74 % de predicciones exitosas en las primeras 100 tuberias con mas altas probabilidades de estar en condicion critica; y (ii) el modelo de deterioro basado en SVM a partir de su enfoque de clasificacion es apropiado para predecir las otras condiciones estructurales, ya que este modelo muestra valores de PLR homogeneos para la prediccion de todas las condiciones estructurales (entre 1.67 y 3.88) y las desviaciones entre lo observado y lo predicho son menores que aquellos resultados obtenidos del modelo SVM a partir de su enfoque de regresion