produceerde consistent compacte FT-structuren, maar kende schaalbaarheidsproblemen. Om dit aan te pakken, hebben we de SymLearn-toolchain ontwikkeld (Hoofdstuk 3), die een ‘verdeel-en-heers’-benadering gebruikt door modules en symmetrieën in de faalgegevensset te identificeren, en het inferentieprobleem opdeelt in kleinere taken. Bovendien, om de robuustheid en schaalbaarheid te verbeteren, bevat de FT-MOEA-CM-uitbreiding (Hoofdstuk 4) extra metrieken uit de verwarringsmatrix. Onze benaderingen in Deel I van deze dissertatie dragen bij aan het automatiseren van de constructie van FT-modellen, door compacte structuren te onthullen. Deze consistente structuren kunnen helpen relaties tussen basis- en tussengebeurtenissen te onthullen, en bieden waardevolle inzichten voor vermogensbeheerders om betrouwbaarheidsmodellering te verbeteren. Deel II richt zich op Prognoses Gebaseerd op Markov-Processen, specifiek de stochastische degradatiemodellering van rioolhoofdleidingen. Riolen zijn essentieel voor het sociale welzijn maar vormen significante uitdagingen vanwege hun uitgebreide schaal, langzame degradatie en beperkte capaciteit om het gehele netwerk te monitoren. Het nauwkeurig modelleren van het degradatieprofiel is cruciaal voor het optimaliseren van inspecties en onderhoud, en verbetert daarmee de betrouwbaarheid en beschikbaarheid van de netwerken. Verschillende degradatiemodellen worden besproken in de literatuur, variërend van op fysica gebaseerde tot datagedreven benaderingen, elk met eigen voor- en nadelen. In Deel II van deze dissertatie behandelen we hoe en in welke mate het mogelijk is om Multi-State Deterioration nauwkeurig te modelleren met toepassingen in rioolhoofdleidingen. Voor dit doel richten we ons op Markov-ketens, die veel worden gebruikt om stochastische sequenties te modelleren door middel van staten en overgangen. Sinds de jaren ’90 zijn deze toegepast om schadeniveaus in rioolhoofdleidingen te representeren met behulp van inspectiegegevens van Closed Circuit Television-camera’s. Desondanks is verdere evaluatie van hun aannames en eigenschappen vereist. We presenteren een casestudie van een Nederlands rioolnetwerk (Hoofdstuk 5), beginnend met Discrete-Time Markov Chains voor degradatiemodellering en het onderzoeken van twee Markov-ketenstructuren. Gezien uitdagingen zoals intervalgecensureerde gegevens, was een meer geavanceerde analyse nodig. In Hoofdstuk 6 gebruiken we de Turnbull-schatter voor niet-parametrische analyse om een grondwaarheid vast te stellen. Hoewel zowel homogene als inhomogene tijd-Markov-ketens worden ingezet voor de degradatiemodellering van rioolhoofdleidingen, zijn eerdere studies die hun prestaties op dezelfde dataset hebben vergeleken, nog niet uitgevoerd. Hoofdstuk 6 adresseert dit door aan te tonen dat inhomogene-tijd-Markov-ketens veelzijdiger zijn bij het vastleggen van niet-lineair stochastisch gedrag, waarbij ook problemen zoals overfitting worden belicht die de voorspellende nauwkeurigheid verminderen. Deel II biedt een praktijkvoorbeeld en benadrukt het belang van het kritisch evalueren van modelaannames voor verbeterde degradatiemodellering van rioolhoofdleidingen met Markov-ketens. Ten slotte richt Deel III zich op Onderhoudsoptimalisatie van rioolhoofdleidingen,
RkJQdWJsaXNoZXIy MjY0ODMw