waarbij het verkrijgen van optimaal onderhoudsbeleid voor dergelijke grootschalige systemen een complexe taak is. Deze complexiteit ontstaat, onder andere, uit de schaal van het systeem en vereenvoudigingen in het degradatiemodel. Onder de verschillende beschikbare technieken blijven Reinforcement Learning (RL)- benaderingen grotendeels onverkend voor het bedenken van strategische onderhoudsacties in rioolhoofdleidingen. Derhalve richten we ons in Deel III van deze dissertatie op hoe bijna-optimale onderhoudsstrategieën te ontwikkelen voor componenten met Multi-State Deterioration zoals rioolhoofdleidingen door gebruik te maken van Deep Reinforcement Learning. In Hoofdstuk 7 kaderen we het sequentiële besluitvormingsprobleem met gebruik van Deep Reinforcement Learning (DRL) voor componentniveau onderhoud van rioolhoofdleidingen. Dit kader beschouwt schadeniveaus, test verschillende aannames van het degradatiemodel en evalueert hun impact op het onderhoudsbeleid. Onze resultaten tonen aan dat op agenten gebaseerde beleidsmaatregelen heuristieken overtro!en door optimale onderhoudsactiesequenties te leren. Deel III biedt bewijs dat DRL-gebaseerde technieken een flexibel kader bieden met het potentieel om heuristieken te verbeteren en ondersteuning te bieden bij onderhoudsbesluitvorming voor rioolhoofdleidingen. Echter, het trainen van deze modellen om het gewenste gedrag te bereiken blijft een uitdagende taak.
RkJQdWJsaXNoZXIy MjY0ODMw