Support Vector Machines used for the prediction of the structural conditions of pipes in Bogota's sewer system

Objetivo: este artículo se centra en: (i) desarrollar un modelo de deterioro basado en máquinas de soporte vectorial (SVM) a partir de su enfoque regresivo para desligar la predicción de la condición estructural del alcantarillado de los grados de clasificación y predecir los puntajes dados por las fallas encontradas en las inspecciones CCTV; y (ii) comparar los resultados de predicción del modelo propuesto con aquellos resultados obtenidos de un modelo basado en SVM a partir de su enfoque de clasificación con el fin de explorar las ventajas y desventajas en sus predicciones bajo diferentes perspectivas. Materiales y métodos: el caso de estudio considerado fue la red de alcantarillado de Bogotá, el cual contaba con 5031 tuberías inspeccionadas, información de las características físicas de las tuberías e información de factores externos (p. e., edad, tipo de afluente y tipo de vía). 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. Además, se utilizaron tres técnicas para evaluar las predicciones mediante diferentes perspectivas: tasas de verosimilitud positiva (TPR), curvas de rendimiento y análisis de desviación. Resultados: se encuentra que: (i) el modelo de deterioro basado en SVM a partir de su enfoque de regresión es apropiado para predecir condiciones estructurales críticas, ya que este modelo muestra valores de TPR alrededor de 6.8 (el valor más alto entre la predicción de todas las condiciones estructurales en ambos modelos) y 74 % de predicciones exitosas en las primeras 100 tuberías con más altas probabilidades de estar en condición crítica; y (ii) el modelo de deterioro basado en SVM a partir de su enfoque de clasificación es apropiado para predecir las otras condiciones estructurales, ya que este modelo muestra valores de PLR homogéneos para la predicción 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 regresión.